-
公开(公告)号:CN116563897B
公开(公告)日:2025-05-16
申请号:CN202310471147.8
申请日:2023-04-27
Applicant: 电子科技大学
IPC: G06V40/12 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供了一种基于半监督原型网络的射频指纹识别方法,属于物联网安全信息技术领域。在有限的训练集无法包含全部类别的辐射源设备信号,在测试集当中可能会出现未知类样本。而这种情况出现在现实场景中时,对于训练的闭集模型在识别未知信号时并不具备对未知类识别的能力。特别是在某些特殊环境下,如无人机冒充认证的设备,在未获得该设备的信号进行射频指纹识别时可能会出现识别错误。基于半监督原型网络的射频指纹识别方法,卷积层结合注意力机制进行有效特征提取,采用改进后的时序集成预测的半监督方法来进行原型强化;采用软阈值选取的方法作为样本分类依据,使模型能够有效区分I/Q信号样本之间的差异,从而保证模型识别的准确率。
-
公开(公告)号:CN116502044A
公开(公告)日:2023-07-28
申请号:CN202310473765.6
申请日:2023-04-27
Applicant: 电子科技大学
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/241 , G06F18/25 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , H04W12/79 , H04W12/06 , G06F123/02
Abstract: 本发明属于物联网安全技术领域,具体来说是涉及一种基于残差网络模型的射频指纹识别方法。本发明首先将无线设备信号转换成固定大小的时频图,提取区分度更高的射频指纹特征,解决以信号样本序列作为射频指纹提取对象时,样本长度会影响后续算法结构和处理复杂度的问题。然后,针对无线设备信号时频图设计实现了深度学习模型CSAM‑ResNet,实现射频指纹的自动提取,充分挖掘时频图中的细节信息和关键特征信息,进一步提高复杂电磁环境下无线设备的识别能力。
-
公开(公告)号:CN114997299B
公开(公告)日:2024-04-16
申请号:CN202210584150.6
申请日:2022-05-27
Applicant: 电子科技大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/09
Abstract: 本发明属于神经网络和射频指纹识别技术领域,具体来说是涉及一种资源受限环境下的射频指纹识别方法。本发明包括:将原始采样的I/Q信号进行数据预处理,得到训练任务集;构建资源受限下的射频指纹识别模型——DSCNet;将训练任务集输入到模型当中进行训练,然后对得到的模型进行量化处理;将识别任务输入到量化后的模型当中,得到射频指纹识别结果。本发明在资源受限的环境下具有较好的识别精度,同时模型的训练和推理速度表现较好,可以在资源不足的设备中进行射频指纹识别任务。
-
公开(公告)号:CN116502061A
公开(公告)日:2023-07-28
申请号:CN202310471411.8
申请日:2023-04-27
Applicant: 电子科技大学
IPC: G06F18/21 , G06F18/213 , G06F18/214 , G06F18/23 , G06F18/2321 , G06N3/0464 , G06N3/048 , G06N3/088 , H04W12/79 , H04L9/40 , H04L41/16
Abstract: 本发明属于物联网安全技术领域,具体来说是涉及一种基于深度对比学习的射频指纹无监督盲识别方法。本发明能够在没有源信号先验信息和专家经验介入的情况下自动完成射频指纹的盲识别工作,大大减少了人工标注的耗费的时间和人力成本。本发明在面对多个发射机伪装成同一个身份标识进行的仿冒攻击,或单一设备模拟出多个身份进行的女巫攻击时,能够对射频指纹进行无监督聚类分析,有效甄别来源设备数量,从而有效检测上述攻击的存在。此外,模型还能够在实际恶劣复杂的电磁环境中保持良好的盲识别效果。
-
公开(公告)号:CN114896887A
公开(公告)日:2022-08-12
申请号:CN202210549046.3
申请日:2022-05-20
Applicant: 电子科技大学
Abstract: 本发明属于神经网络和射频指纹识别技术领域,具体来说是涉及一种基于深度学习的用频设备射频指纹识别方法。本发明包括:采集相应的射频信号并进行解析,以I/Q数据的形式进行存储;对I/Q数据进行基于调制方式的整形处理预处理,构建训练/测试数据集;构建RCAN‑RFF深度网络,并对其进行训练;将测试数据输入RCAN‑RFF深度网络,得到用频设备射频指纹识别结果。该发明在高强度电磁噪声环境下,算法模型在识别准确率以及收敛速度方面综合表现最好,对复杂电磁环境中信噪比变化具有鲁棒性,大大减少了网络的训练复杂度。
-
公开(公告)号:CN117134975A
公开(公告)日:2023-11-28
申请号:CN202311129562.1
申请日:2023-09-04
Applicant: 电子科技大学
IPC: H04L9/40 , G06N3/0464 , H04L67/12
Abstract: 本发明属于物联网安全技术领域,具体来说是涉及一种基于射频指纹的分布式协同身份认证方法。在物联网环境中,经常采用分布式网络结构,本发明提出基于特征图融合的协同认证框架,以满足分布式网络结构的要求,并能加快模型收敛以及提高模型精度。针对3种认证模式框架进行对比实验,即集中式认证框架、单纯分布式认证框架以及联邦协同认证框架。实验结果表明,在分布式场景下,联邦协同认证模型比其他两种框架模型的鲁棒性更高。此外,协同认证模型框架比其他两种模型框架的收敛速度更快。
-
公开(公告)号:CN114896887B
公开(公告)日:2023-04-25
申请号:CN202210549046.3
申请日:2022-05-20
Applicant: 电子科技大学
IPC: G06F30/27 , G06F18/214 , G06F18/241 , G06F18/24 , G06N3/0464 , G06N3/084 , H04L27/26
Abstract: 本发明属于神经网络和射频指纹识别技术领域,具体来说是涉及一种基于深度学习的用频设备射频指纹识别方法。本发明包括:采集相应的射频信号并进行解析,以I/Q数据的形式进行存储;对I/Q数据进行基于调制方式的整形处理预处理,构建训练/测试数据集;构建RCAN‑RFF深度网络,并对其进行训练;将测试数据输入RCAN‑RFF深度网络,得到用频设备射频指纹识别结果。该发明在高强度电磁噪声环境下,算法模型在识别准确率以及收敛速度方面综合表现最好,对复杂电磁环境中信噪比变化具有鲁棒性,大大减少了网络的训练复杂度。
-
公开(公告)号:CN114997299A
公开(公告)日:2022-09-02
申请号:CN202210584150.6
申请日:2022-05-27
Applicant: 电子科技大学
Abstract: 本发明属于神经网络和射频指纹识别技术领域,具体来说是涉及一种资源受限环境下的射频指纹识别方法。本发明包括:将原始采样的I/Q信号进行数据预处理,得到训练任务集;构建资源受限下的射频指纹识别模型——DSCNet;将训练任务集输入到模型当中进行训练,然后对得到的模型进行量化处理;将识别任务输入到量化后的模型当中,得到射频指纹识别结果。本发明在资源受限的环境下具有较好的识别精度,同时模型的训练和推理速度表现较好,可以在资源不足的设备中进行射频指纹识别任务。
-
公开(公告)号:CN114943253A
公开(公告)日:2022-08-26
申请号:CN202210549015.8
申请日:2022-05-20
Applicant: 电子科技大学
Abstract: 本发明属于神经网络和目标识别技术领域,具体来说是涉及一种基于元学习模型的射频指纹小样本识别方法。本发明包括:将原始I/Q信号作为数据集,制作训练任务样本集;构建元学习模型——匹配网络模型;将训练任务集输入匹配网络模型,从I/Q信号中提取射频指纹特征,度量样本之间的相似度,对模型进行训练;将识别任务输入到训练好的元学习模型中,输出模型的识别结果。本发明在面临射频指纹小样本数据集时,具有较好的识别精度,并避免了因数据量少所带来的模型过拟合问题。
-
公开(公告)号:CN116720060A
公开(公告)日:2023-09-08
申请号:CN202310468749.8
申请日:2023-04-27
Applicant: 电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明属于物联网安全技术领域,具体来说是涉及一种基于轻量化深度学习模型的射频指纹识别方法。本发明首先将I/Q信号转为复数矩阵,然后对复数矩阵Q进行奇异值分解后,对得到的特征进行降噪后又复原成复数向量,接着构建轻量化深度学习模型进行复数特征提取和分类,最后实现射频指纹识别。本发明的有益效果为,很好的解决了环境噪声对射频指纹识别的干扰。
-
-
-
-
-
-
-
-
-