通信辐射源个体识别中的特征提取方法综述*

2022-07-12韦建宇

通信技术 2022年6期

韦建宇，俞璐

（中国人民解放军陆军工程大学，江苏南京 210007）

0 引言

辐射源个体识别，又称射频指纹识别，旨在通过提取发射机发射的模拟信号中独有的特征来识别发射机。辐射源个体识别技术因为具有能够准确识别发射个体的功能，所以其在频谱管理[1]、电子侦查[2]、物联网安全[3]、故障诊断[4]以及态势感知等领域受到了高度的重视。在日益复杂的电磁环境以及电子战的背景之下，特定辐射源识别（Specific Emitter Identification，SEI）技术可以有效地侦察到敌方的辐射源个体并且将其与所在武器平台、战略目标相互关联[5]。Talbot等人[5]在2003年提出了典型的SEI结构，如图1所示。由图1可知特征提取的过程是SEI的重要过程，这些具有区分性的特征主要是发射器组件中硬件存在细微差异的结果。为此，本文通过对特征提取的方法进行归纳总结，分析各种方法的优点和不足，并将传统的特征提取方法与深度学习相结合，研究基于深度学习分类方法应用的射频指纹识别技术。

图1 辐射源个体识别经典系统结构

1 辐射源指纹特征概述

辐射源发射组件的非线性使得发射信号中存在着偏差，故发射信号携带有一些非调制信号，而不同的辐射源个体的发射组件之间存在着细微的差异，使得信号的非调制部分有一部分的“个体信息”，这种细微的差异存在于发射信号中，难以人工伪造，即为“辐射源指纹”。

特征提取是十分关键的一步，SEI技术需要对特征提取这个步骤进行更加深入的研究，找到更加有效的特征或者方法去逼近真实存在的射频指纹。用于进行辐射源个体识别的指纹特征必须满足以下5个基本要求[6-8]。

（1）普遍性：在采集的所有样本中，此辐射源的指纹特征应普遍存在。

（2）唯一性：不同的辐射源的指纹特征必须是不同的，并且存在明显的区分性。

（3）短时不变性：同一个辐射源的指纹特征在一定的时间段内是不变的。

（4）独立性：辐射源的指纹特征只与发射机硬件有关，与数据信号无关。

（5）可测性：指纹特征能够从各样本中检测出来，并且检测值的误差控制在一定的范围之内。

2 辐射源指纹特征常见分类

辐射源指纹特征种类多样，根据信号的类型可以分为雷达辐射源指纹特征和通信辐射源指纹特征，根据信号的状态可以分为暂态特征和稳态特征。本文主要研究通信辐射源指纹特征，如图2所示，其主要是因为发射机各组件的硬件存在着细微的差异，导致信号在发射过程中存在着各种细微的指纹特征，这些特征如同指纹一样能够代表该发射设备的身份信息。通信辐射源指纹特征研究与雷达辐射源指纹特征相比，时间较晚[9]、难度更大。通信信号的调制类型多样并且携带大量的调制信息，调制信号的能量较大，细微的指纹特征通常都“淹没”在调制信号中，故难以直接发现并提取。本文从多变换域、多维度等角度出发分析并总结了通信辐射源特征提取的常见方法。

图2 通信辐射源信号产生原理

3 通信辐射源特征提取方法

目前，针对通信辐射源射频指纹特征提取技术的研究主要有两个方向：一是提取传统特征进行分类识别；二是使用深度学习提取深度特征进行分类识别。传统特征提取一般根据信号处理领域的专家经验提取不同变换域的特征，分为暂态特征和稳态特征，一般是将特征提取和分类器设计分成两步进行。深度特征提取方法分为两类：一是直接通过深度学习框架进行端到端的识别；二是通过信号处理的手段进行变换，再通过深度学习框架进行进一步的特征提取与识别。深度学习框架使用一般分为训练部分和测试部分，从训练集中学习到通信辐射源的相关特征，然后在测试集上进行测试从而识别出辐射源个体。

3.1 传统特征方法

3.1.1 暂态特征提取

一般而言，接收端的通信信号分为暂态部分、握手部分和稳态部分。暂态特征就是处于信号的暂态部分的特征，信号的暂态部分是发射机切换工作状态时产生的，不包含发送的调制信号内容，不受传输信道以及接收端设备的影响，并且其只与发射机内部结构和元器件的工艺有关，因此不同的辐射源个体之间的暂态信号存在独有特征，能够代表发射机的硬件特性，从而研究者能够从中提取出射频指纹。

早期人们主要针对辐射源指纹的暂态特征展开研究。1996年文献[10]提出使用小波变换对频率调制（Frequency Modulation，FM）信号的暂态部分进行分析，取其小波系数作为暂态信号的特征，使用神经网络对7个不同型号的FM发射机进行分类，得到良好的结果。2001年文献[11]直接提取暂态复包络信号中的振幅和相位作为指纹特征。2008年文献[12]将信号频谱的相关性作为指纹特征。2016年文献[13]使用暂态信号的平均功率和幅度的比值作为指纹特征。2019年文献[14]采集发射机从开机到关机的暂态突变信号，并将其分为上升暂态信号和下降暂态信号，使用一种基于稀疏表示的方法进行分类识别并取得了良好的结果。2020年文献[15]提出一种基于双树复小波和多重分形的暂态特征提取方法，该特征具有很高的稳定性。

辐射源的暂态信号没有能量较强的调制信号的覆盖，并存在大量的细微特征，非常适合提取射频指纹信息进行个体识别。然而，辐射源的暂态信号持续时间极短，需要采集设备具有较高的采样率和准确的截取精度，并且发射机大部分时间都处于休眠和关机状态，所以在现实情况下很难捕捉到暂态信号。此外，经过长时间研究表明，暂态信号的指纹特征容易受到外部环境噪声、信道变化的影响，相对来说鲁棒性较差。基于这些不足，大量研究人员转向了基于稳态信号特征提取的射频指纹识别研究。

3.1.2 稳态特征提取

稳态信号是指辐射源的发射信号在功率稳定后的部分，其内容主要包括信道噪声、发射机内部噪声以及通信数据信息。相对于暂态信号而言，稳态信号的持续时间较长，不需要对信号进行起始点同步检测操作，并且存在着大量的发射机的射频指纹信息可供提取。因此该领域的研究重点逐渐向基于稳态信号的特征提取方向转变。

2008年文献[16]首次提出对稳态信号特征提取的研究，将移动通信系统（Universal Mobile Telecommunications System，UMTS）的前导信号的频谱作为指纹，用于用户设备的识别，在信噪比为15 dB时，10个同一型号的识别率能达到85%，具有良好的识别效果。2011年文献[17]采取调制域波形中的特征来识别MIMO设备，取得了良好的识别效果，并且该特征相对于时间的漂移具有较好的适应能力。2012年文献[18]使用动态小波系数作为指纹提取特征，并使用监督模式分类技术来进行设备识别，准确率达到99%。2014年文献[19]首次提出利用I/Q不平衡特性作为设备的指纹特征。2016年文献[20]采用经验模态分解（Empirical Mode Decomposition，EMD）方法分离稳态信号，提取并且除去它的数据部分，将剩余信号的熵和一阶、二阶矩作为识别特征，并且在单跳和中继场景下进行个体识别，取得了良好的识别效果，但是存在计算成本较大的缺点。2018年文献[21]采用变分模态分解（Variational Mode Decomposition，VMD）方法对稳态信号进行分析，并且提取多个频谱特征如频谱平坦度、频谱亮度和频谱衰减度作为指纹特征进行个体识别，结果不仅提升了识别率，而且也降低了计算成本。2017年文献[22]提出一种基于希尔伯特—黄变换（Hilbert and Huang Transform，HHT）和多尺度分形特征的新方法。通过HHT得到时频能量谱，视其为三维空间中的复杂曲面，即3D-Hilbert能量谱，并将其作为指纹特征，该方法在低信噪比和小样本的条件下具有良好的效果。2017年文献[23]提出了一种基于正交调制信号I/Q不平衡的射频指纹特征提取方法，利用I/Q调制器模型研究了星座图中存在的射频指纹，仿真结果表明该方法比双谱变换和HHT变换具有更好的性能。2017年文献[24]提出了一种基于多维排列熵的射频指纹识别方法，用它去表征发射信号中存在的非线性成分，结果表明其存在较高的分类精度。2017年文献[25]提出了一种基于图像处理的射频指纹星座轨迹图的提取与识别方法，该文章利用图像处理的方法对星座轨迹图进行图像增强与形态学处理，随后提取其轮廓和高密度分布集中区等特征进行识别，结果表明该方法得到的无线设备识别率达到90%。2018年文献[26]对双谱提取特征存在的问题进行了改进，选择巴氏距离选择双谱和改进矩形积分双谱进行实验，验证了该算法的有效性。2020年文献[27]提出了一种基于同步压缩小波变换的主信号抑制技术，在主信号抑制的基础上，利用分形理论中的盒维数完成对信号的特征提取，实验结果表明，相对于抑制之前个体的识别率提升了10%左右，进而验证了该算法的有效性。2021年文献[28]提出了一种基于稳态循环谱特征的通信辐射源识别方法，该方法对高斯噪声具有强的鲁棒性，并且在低信噪比的条件下具有较高的识别精度。2021年文献[29]提出了一种基于功率谱特征的Wi-Fi射频指纹提取方法，通过计算信号中短导码符号和长导码符号的功率谱比值，并以此作为指纹特征，在室内环境下采用27台Wi-Fi路由器进行实验，识别率达到93.3%。2021年文献[30]提出了一种基于IQ数据时域功率谱的个体识别方法，经实验表明该方法在普通电台上识别率为93%，并在个人设备上提升了其泛化能力。

总之，稳态信号的持续时间较长，相对于暂态信号更容易获取，所以对接收机的精度要求较低。稳态信号携带了大量的硬件指纹信息，具有个体识别的可操作性与可行性，但是细微的指纹特征往往被传输信号的数据部分淹没，所以对特征提取的方法要求较高。同时平稳信号中指纹特征的维度较高，一般可以采用降维的方法降低其特征维度，从而减少后续的计算成本。

3.2 深度特征方法

传统特征提取方法过度依赖专家领域的经验知识，通常对信号进行降噪、不同变换等处理[31]，从而在不同的变换域提取相关特征，然而这种方法很难提取出最合适的特征。由于特征提取是个体识别的重要步骤，所以特征提取方法的好坏也直接影响了识别率的高低。最重要的是这些“经验特征”普遍存在泛化能力差的问题，一般只能针对特定的辐射源信号和特定的环境进行识别。

深度学习与传统识别方法的最大不同在于它是从大数据中自动学习特征，故深度神经网络可以自主从数据中学习不同层次的特征，这样可以提取出更加完备的特征来进行个体识别，从而弥补了传统特征提取方法的不足。深度学习在图像处理、语音识别、自动驾驶等领域已经有了成功的应用[32-35]，因此可以将其引入到辐射源个体识别应用中[36,37]。

2018年文献[38]采用卷积神经网络（Convolutional Neural Networks，CNN）对变换后的压缩双谱进行识别。文献[39]通过增强局部学习对原始信号进行特征提取以及降维处理，然后输入深度学习识别框架进行无线网点的识别。文献[40]针对小样本条件下个体识别问题，设计了一种堆栈自编码网络进行细微特征提取，并在此基础上通过深度学习网络进行个体识别。文献[41]通过对典型无线通信处理链中的操作模块进行修改，以研究特定射频指纹如IQ不平衡、载波频率、相位偏移的识别效果，并通过输入CNN框架进一步提取特征进行个体识别。2019年文献[42]提出了一种多采样卷积神经网络（Multi-Scale Convolutional Neural Networks，MSCNN）框架，用于对ZigBee设备进行分类，在54个ZigBee设备中达到了97%的识别率。文献[43]提出了基于深度学习射频指纹（Radio Frequency Fingerprint，RFF）技术的通用去噪自动编码器（Denoising Auto Encoder，DAE）模型，实验结果表明，与CNN相比，DAE在含有加性高斯白噪声的信道中，在低信噪比下可以将识别精度提高14%到23.5%，即使在信噪比为10 dB时，识别精度也可达到97.5%。2020年文献[44]提出了一种基于深度学习的差分星座跟踪图（Differential Constellation Trace Figure，DCTF）射频指纹识别方法，由于CNN框架对图像处理具有显著的优势，故将DCTF输入到CNN中进行特征的自动提取，实验表明DCTF-CNN有识别率高和计算成本低的优点。文献[45]提出了一种基于矢量图的SEI方法，将信号表示为矢量灰度图，构建深度残差网络提取该图中的隐藏特征。实验表明其具有识别率高和计算成本低的特点。文献[46]提出了一种基于深度残差网络（Deep Residual Network，DRN）的辐射源个体识别算法，将现实环境下测量的信号的同相分量（I路）和正交分量（Q路）输入到DRN框架中进行训练。此模型达到了很好的识别效果。2021年文献[47]提出了一种基于迁移学习的自适应算法，使得该神经网络学习到的特征与信道的噪声即信号的信噪比无关，因此大大提升了该算法在复杂的信道噪声中的识别准确率和泛化能力。文献[48]将卷积神经网络与中心损失函数相结合，对目标的数据进行训练，实验证明该方法的识别率高达99%。

以上大部分研究都是将神经网络直接作为分类器，对前一阶段的变换进行特征的再提取。目前人们尝试将特征提取和分类识别相融合，直接输入IQ数据进行端到端的个体识别[49]，也具有很好的效果，但是此类方法不考虑网络中自动提取的是什么指纹特征，存在泛化能力较差的问题。深度学习是黑盒模型，对提取特征的过程缺乏理论上的解释，故容易陷入过拟合状态。