基于射频指纹的测控地面站身份识别方法

崔天舒，赵文杰，黄永辉，张紫晗，安军社

（1.中国科学院国家空间科学中心 复杂航天系统电子信息技术重点实验室，北京 100190；2.中国科学院大学，北京 100049）

0 引言

太空中卫星越来越密集，卫星测控信道具有开放性的特点，监听者很容易通过卫星平台截获目标卫星的测控信号，通过专业信号分析手段解析出目标卫星的通信编码体制甚至密钥。若控制指令被破解，攻击者就能控制目标卫星，危及整个卫星系统安全。

卫星测控链路的欺骗干扰技术快速发展，防欺骗技术成为了近几年的研究热点。针对于卫星测控链路的欺骗防干扰技术主要有2种。一是通过更强的加密方式增加干扰方的破译难度，二是在测控终端的信号处理层和信息校验层增加对欺骗干扰的检测。但是增加密码加密强度不仅会给应答机带来更大的计算负荷，还会降低测控信号的有效带宽使用率。而且随着大数据和人工智能技术的迅猛发展，密码破译难度越来越低，给防欺骗方带来了极大的安全威胁[1]。

本文提出了一种基于射频指纹的测控地面站身份识别方法，利用卷积神经网络提取测控信号的射频指纹，与注册库中的合法指纹对照，验证指令是否来自合法用户，从而保障卫星通信安全。由于其提取测控地面站的物理层信息，是一种物理层防欺骗技术。如图1所示，首先将合法的测控发射机射频指纹特征记录在卫星测控接终端上，形成合法测控站指纹库。在后续使用中，提取测控信号的射频指纹进行身份验证，保证合法用户的指令接收与执行，保障卫星测控安全。

图1 基于射频指纹的地面站身份识别系统

1 射频指纹产生机理

电子元器件产生的容差效应是无线发射机产生射频指纹的主要原因。几乎所有的模拟电子元器件都存在容差，容差又可分为制造容差和漂移容差。制造容差是指在元件制造生产过程中，由于加工精度出现误差等原因，导致电子元件的实际参数与标称值存在一定的误差。漂移容差是指由于器件在保存与出厂后的一段时间内发生的元件老化现象、设备存放及工作环境的温度、湿度的变化等因素导致的元件参数值的变化。

此外，印制电路板的材质、走线等种类、加工过程与存在环境的不同而产生的差异也是影响射频指纹的容差因素，这些因素统称为电路的容差效应。

容差效应导致即使是同一厂家同一型号甚至是同一批次的无线通信设备的实际硬件参数也存在差异，包括：振荡器偏振、相位偏差、非线性失真等，这些到是射频指纹的物理来源[2-4]。

2 实验验证

FIT/CorteXlab数据集[5]由22台NI USRP N 2932软件无线电设备生成，其中21台用作发射设备、1台用作接收设备，通信频点为433 MHz，采样速率为5 M sample/s。发射设备采用突发模式，当无信号发送时，放大器处于关闭状态，不造成本地振荡器信号泄漏。为了使这批同型号同厂家的设备更加一致，研究人员特别针对IQ不平衡和DC偏移进行了校准，并通过设置发射增益以使本地振荡器泄漏降至最低。

2.1 发送数据类型

集中式的发送数据共包含3种类型：QPSK调制固定数据序列，数据内容为802.15.4前置码的位序列，以下称为固定包；QPSK调制随机数据序列，以下称为随机包；未调制的随机噪声序列，以下称为噪声包。为更好地模拟卫星接收信号的功率变化，在发射设备位置不变的条件下，设置IQ信号幅度随时间变化。

2.2 发送内容信息

图2展示了接收机采集的2 400个IQ信号采样点，发送周期为600，其中前100个采样点为信道噪声，后500个为有效信号。

图2 QPSK调制固定数据序列IQ信号

图3是变幅值模式下的信号功率图。由图可知，发射信号幅度变化周期大概为2 500 000个数据点，功率变化范围为20 d B。

图3 变幅度模式功率图

2.3 有效信号提取

信道噪声不包含发射设备的射频指纹信息，如图4所示，采用能量检测方法从原始IQ采样信号中提取有效信号，进行射频指纹提取与分类。

图4 无线信号的兴趣区间

3 实验结果

随着大数据和人工智能技术的发展，深度学习方法在机器视觉[6-8]和自然语言处理[9-11]等方面获得了显著的成就。在射频指纹识别领域，基于深度学习，尤其是基于卷积神经网络（CNN）的方法，受到了广泛的关注。

3.1 卷积网格结构

目前基于卷积神经网络的射频指纹识别中，网络结构大多参照AlexNet[6]的设计：采用卷积层（Conv）来提取特征，使用线性整流函数（ReLU，）作为激活函数，卷积层之间采用最大池化层（max-pooling）来减小特征维度，最后采用多个全连接层（FC）进行分类。此外，为提高网络的泛化能力，在训练时，全连接层间采用随机失活（Dropout）进行随机参数舍弃，避免出现过拟合现象。处理IQ信号的普通CNN结构如图5所示。

图5 处理IQ信号的普通CNN结构

3.2 IQCNet结构

由于体积、质量、功耗的约束，以及空间辐射和极端温度等环境因素的影响，星载计算机的计算能力与存储空间相对于地面计算机具有非常大的差距。而深度神经网络虽然具有特征提取能力强、识别准确率高的优点，但也存在网络参数众多、计算量大的不足，所以面向卫星在轨应用的神经网络结构，一定要具备轻量化和计算高效等特点。

在图像识别领域，神经网络的输入数据格式是M×N的形式，数据点之间是空间关系，具有各向同性的性质，空间维度间可进行对称操作。而在基于CNN的IQ信号处理中，IQ信号为N×2的形式，N代表时间，2代表IQ信号（即复数的实部与虚部），并不具备各向同性的性质，无法像处理图像一样在2个维度上进行对称操作，所以目前基于CNN的IQ信号处理仅采用一维卷积提取信号时间维度特征，而未提取IQ信号间特征，这就导致信号相位信息损失，降低了识别率。

本文在传统CNN结构的基础上，针对IQ信号的物理特性，提出基于IQ相关特征的卷积神经网络结构（IQCNet）。IQCNet首先采用卷积核构造IQ相关特征滤波器，提取IQ相关特征，达到充分利用复信号幅度及相位信息的目的，且将随后的二维数据降为了一维数据处理，计算量降低了50%；然后采用多层小卷积核替代大卷积核提取信号时域特征，既保证了时间尺度上的感受野，又降低了卷积核参数数量；最后采用全局平均池化替代多个全连接层，以获得各通道特征值并直接进行分类，在达到一定泛化能力的同时继续降低网络参数数量。

IQCNet第一个卷积层采用C个(1,2)的卷积核提取IQ的相关特征，经该层处理后数据变为了N×1的形式，然后再采用(3,1)的小卷积核提取信号时间特征，卷积层间采用批归一化和最大池化，且最后一个卷积层后采用自适应平均池化将特征数量压缩为与通道数相同，最后再采用1层全连接进行分类。

3.3 对比的CNN结构

为了验证IQCNet网络结构在射频指纹识别中处理IQ信号的优势，本文与DRID[12]、DLRF[13]和ORACLE[14]等CNN网络结构进行比较。

DRID由8个卷积层和3个全连接层构成，卷积层交替使用(5,1)与(7,1)的卷积核，每层通道数为128，每两个卷积层间增加一个核尺寸为(2,1)、步长为(2,1)的最大池化层，3个全连接层神经元个数分别为256、128和21，激活函数采用ReLU。为提高网络的泛化能力，全连接层间使用随机丢弃率为50%的Dropout层，分类函数使用逻辑回归（Sigmoid）。

ORACLE由2个卷积层和3个全连接层构成，2个卷积层分别使用(7,1)与(7,2)的卷积核，每层通道数为50，层间无最大池化，3个全连接层神经元个数分别为128、16和21，激活函数采用ReLU函数，全连接层间使用随机丢弃率为50%的Dropout层，分类函数使用Sigmoid。

DLRF由3个卷积层和3个全连接层构成，3个卷积层分别使用(19,1)、(15,1)和(11,1)的大卷积核，3个卷积层的通道数分别为128、32和16，卷积层间采用核尺寸为(2,1)、步长为(2,1)的最大池化层，3个全连接层神经元个数分别为128、16和21，激活函数采用指数线性单元（ELU）函数，全连接层间使用随机丢弃率为50%的Dropout层，分类函数使用Sigmoid。

实验中采用的IQCNet网络，由H个卷积层与1个全连接层构成，其中第1个卷积层用于提取IQ信号间特征，后几个卷积层提取时间特征，层间加入批归一化（BN）加快收敛速度，采用ReLU激活函数，采用Sigmoid作为分类函数。

不同参数的IQCNet网络可用IQCNet(H,C)表示，其中H表示卷积层的层数，C表示每层卷积层的通道数。本文采用具有8个卷积层且每层有32个通道的IQCNet网络与其它方法进行对比。

采用Pytorch的torchstat库可计算卷积网络结构的参数数量、计算量以及内存使用量，表1列出了IQCNet与DRID、DLRF、ORACLE参数数量、计算量以及存储量等数据。

表1 CNN网络模型参数及计算量比较

在参数数量方面，DRID、DLRF和ORACLE的参数量（Params）分别为IQCNet的111、14和333倍，在参数数量方面IQCNet有非常明显的优势。

在计算量方面，DRID、DLRF和ORACLE的浮点计算量（Flops）分别为IQCNet的82、11和8倍，IQCNet在计算量方面也具有非常明显的优势。

在存储量方面，DRID、DLRF和ORACLE的内存读写使用量（MemR＋W）分别大约为IQCNet的13、2和28倍，IQCNet在存储量方面同样优势明显。

网络参数数量、浮点计算量和内存读写量对比可知，IQCNet更加轻量化，更适合于星载计算机部署。

3.4 实验结果分析

图6展示了发射功率是否变化时3种包类型的识别准确率。由结果可知：

图6 发射机发送信息内容与功率变化对射频指纹识别的影响

1）发送包数据内容会影响卷积神经网络的识别率。当发射机发送固定包时识别准确率更高，随机包和噪声包识别准确率会有明显下降。所以提取固定数据内容（例如前导头）的信息更有利于识别发射机个体。对于测控信号，存在固定的信号段用于信号同步，可提取此段信号用于身份识别。

2）发射功率变化会明显降低识别准确率。所有方法的识别准确率都因功率变化而明显降低。相对于对固定包的影响，功率变化对随机包和噪声包的识别率影响更加明显。在变功率模式下，IQCNet对固定包的识别率也能达到94%，对随机包的识别准确率达到86%，说明即使发射功率大范围变化（20 d B），也能提取到稳定的指纹特征用于识别发射机身份。

3）IQCNet的识别准确率最高。在不同发送包内容和功率变化的6种实验中，IQCNet、DRID、DLRF和ORACLE的平均识别率分别为91.68%、82.61%、72.08%和61.71%，IQCNet网络的识别率明显优于其它3种参考网络。

4 结束语

为增强卫星系统的测控安全，本文提出了一种基于射频指纹的测控地面站身份识别方法，并采用适于天基平台部署的轻量化卷积神经网络对模拟卫星测控链路的变功率信号的进行验证。实验结果表明，对变功率固定包的识别率能达到94%，对变功率随机包的识别准确率可达到86%，证明通过射频指纹识别方法可有效保障卫星系统的测控安全。■