基于射頻指紋的測控地面站身份識別方法

崔天舒，趙文杰，黃永輝，張紫晗，安軍社

（1.中國科學院國家空間科學中心 復雜航天系統電子信息技術重點實驗室，北京 100190；2.中國科學院大學，北京 100049）

0 引言

太空中衛星越來越密集，衛星測控信道具有開放性的特點，監聽者很容易通過衛星平臺截獲目標衛星的測控信號，通過專業信號分析手段解析出目標衛星的通信編碼體制甚至密鑰。若控制指令被破解，攻擊者就能控制目標衛星，危及整個衛星系統安全。

衛星測控鏈路的欺騙干擾技術快速發展，防欺騙技術成為了近幾年的研究熱點。針對于衛星測控鏈路的欺騙防干擾技術主要有2種。一是通過更強的加密方式增加干擾方的破譯難度，二是在測控終端的信號處理層和信息校驗層增加對欺騙干擾的檢測。但是增加密碼加密強度不僅會給應答機帶來更大的計算負荷，還會降低測控信號的有效帶寬使用率。而且隨著大數據和人工智能技術的迅猛發展，密碼破譯難度越來越低，給防欺騙方帶來了極大的安全威脅[1]。

本文提出了一種基于射頻指紋的測控地面站身份識別方法，利用卷積神經網絡提取測控信號的射頻指紋，與注冊庫中的合法指紋對照，驗證指令是否來自合法用戶，從而保障衛星通信安全。由于其提取測控地面站的物理層信息，是一種物理層防欺騙技術。如圖1所示，首先將合法的測控發射機射頻指紋特征記錄在衛星測控接終端上，形成合法測控站指紋庫。在后續使用中，提取測控信號的射頻指紋進行身份驗證，保證合法用戶的指令接收與執行，保障衛星測控安全。

圖1 基于射頻指紋的地面站身份識別系統

1 射頻指紋產生機理

電子元器件產生的容差效應是無線發射機產生射頻指紋的主要原因。幾乎所有的模擬電子元器件都存在容差，容差又可分為制造容差和漂移容差。制造容差是指在元件制造生產過程中，由于加工精度出現誤差等原因，導致電子元件的實際參數與標稱值存在一定的誤差。漂移容差是指由于器件在保存與出廠后的一段時間內發生的元件老化現象、設備存放及工作環境的溫度、濕度的變化等因素導致的元件參數值的變化。

此外，印制電路板的材質、走線等種類、加工過程與存在環境的不同而產生的差異也是影響射頻指紋的容差因素，這些因素統稱為電路的容差效應。

容差效應導致即使是同一廠家同一型號甚至是同一批次的無線通信設備的實際硬件參數也存在差異，包括：振蕩器偏振、相位偏差、非線性失真等，這些到是射頻指紋的物理來源[2-4]。

2 實驗驗證

FIT/CorteXlab數據集[5]由22臺NI USRP N 2932軟件無線電設備生成，其中21臺用作發射設備、1臺用作接收設備，通信頻點為433 MHz，采樣速率為5 M sample/s。發射設備采用突發模式，當無信號發送時，放大器處于關閉狀態，不造成本地振蕩器信號泄漏。為了使這批同型號同廠家的設備更加一致，研究人員特別針對IQ不平衡和DC偏移進行了校準，并通過設置發射增益以使本地振蕩器泄漏降至最低。

2.1 發送數據類型

集中式的發送數據共包含3種類型：QPSK調制固定數據序列，數據內容為802.15.4前置碼的位序列，以下稱為固定包；QPSK調制隨機數據序列，以下稱為隨機包；未調制的隨機噪聲序列，以下稱為噪聲包。為更好地模擬衛星接收信號的功率變化，在發射設備位置不變的條件下，設置IQ信號幅度隨時間變化。

2.2 發送內容信息

圖2展示了接收機采集的2 400個IQ信號采樣點，發送周期為600，其中前100個采樣點為信道噪聲，后500個為有效信號。

圖2 QPSK調制固定數據序列IQ信號

圖3是變幅值模式下的信號功率圖。由圖可知，發射信號幅度變化周期大概為2 500 000個數據點，功率變化范圍為20 d B。

圖3 變幅度模式功率圖

2.3 有效信號提取

信道噪聲不包含發射設備的射頻指紋信息，如圖4所示，采用能量檢測方法從原始IQ采樣信號中提取有效信號，進行射頻指紋提取與分類。

圖4 無線信號的興趣區間

3 實驗結果

隨著大數據和人工智能技術的發展，深度學習方法在機器視覺[6-8]和自然語言處理[9-11]等方面獲得了顯著的成就。在射頻指紋識別領域，基于深度學習，尤其是基于卷積神經網絡（CNN）的方法，受到了廣泛的關注。

3.1 卷積網格結構

目前基于卷積神經網絡的射頻指紋識別中，網絡結構大多參照AlexNet[6]的設計：采用卷積層（Conv）來提取特征，使用線性整流函數（ReLU，）作為激活函數，卷積層之間采用最大池化層（max-pooling）來減小特征維度，最后采用多個全連接層（FC）進行分類。此外，為提高網絡的泛化能力，在訓練時，全連接層間采用隨機失活（Dropout）進行隨機參數舍棄，避免出現過擬合現象。處理IQ信號的普通CNN結構如圖5所示。

圖5 處理IQ信號的普通CNN結構

3.2 IQCNet結構

由于體積、質量、功耗的約束，以及空間輻射和極端溫度等環境因素的影響，星載計算機的計算能力與存儲空間相對于地面計算機具有非常大的差距。而深度神經網絡雖然具有特征提取能力強、識別準確率高的優點，但也存在網絡參數眾多、計算量大的不足，所以面向衛星在軌應用的神經網絡結構，一定要具備輕量化和計算高效等特點。

在圖像識別領域，神經網絡的輸入數據格式是M×N的形式，數據點之間是空間關系，具有各向同性的性質，空間維度間可進行對稱操作。而在基于CNN的IQ信號處理中，IQ信號為N×2的形式，N代表時間，2代表IQ信號（即復數的實部與虛部），并不具備各向同性的性質，無法像處理圖像一樣在2個維度上進行對稱操作，所以目前基于CNN的IQ信號處理僅采用一維卷積提取信號時間維度特征，而未提取IQ信號間特征，這就導致信號相位信息損失，降低了識別率。

本文在傳統CNN結構的基礎上，針對IQ信號的物理特性，提出基于IQ相關特征的卷積神經網絡結構（IQCNet）。IQCNet首先采用卷積核構造IQ相關特征濾波器，提取IQ相關特征，達到充分利用復信號幅度及相位信息的目的，且將隨后的二維數據降為了一維數據處理，計算量降低了50%；然后采用多層小卷積核替代大卷積核提取信號時域特征，既保證了時間尺度上的感受野，又降低了卷積核參數數量；最后采用全局平均池化替代多個全連接層，以獲得各通道特征值并直接進行分類，在達到一定泛化能力的同時繼續降低網絡參數數量。

IQCNet第一個卷積層采用C個(1,2)的卷積核提取IQ的相關特征，經該層處理后數據變為了N×1的形式，然后再采用(3,1)的小卷積核提取信號時間特征，卷積層間采用批歸一化和最大池化，且最后一個卷積層后采用自適應平均池化將特征數量壓縮為與通道數相同，最后再采用1層全連接進行分類。

3.3 對比的CNN結構

為了驗證IQCNet網絡結構在射頻指紋識別中處理IQ信號的優勢，本文與DRID[12]、DLRF[13]和ORACLE[14]等CNN網絡結構進行比較。

DRID由8個卷積層和3個全連接層構成，卷積層交替使用(5,1)與(7,1)的卷積核，每層通道數為128，每兩個卷積層間增加一個核尺寸為(2,1)、步長為(2,1)的最大池化層，3個全連接層神經元個數分別為256、128和21，激活函數采用ReLU。為提高網絡的泛化能力，全連接層間使用隨機丟棄率為50%的Dropout層，分類函數使用邏輯回歸（Sigmoid）。

ORACLE由2個卷積層和3個全連接層構成，2個卷積層分別使用(7,1)與(7,2)的卷積核，每層通道數為50，層間無最大池化，3個全連接層神經元個數分別為128、16和21，激活函數采用ReLU函數，全連接層間使用隨機丟棄率為50%的Dropout層，分類函數使用Sigmoid。

DLRF由3個卷積層和3個全連接層構成，3個卷積層分別使用(19,1)、(15,1)和(11,1)的大卷積核，3個卷積層的通道數分別為128、32和16，卷積層間采用核尺寸為(2,1)、步長為(2,1)的最大池化層，3個全連接層神經元個數分別為128、16和21，激活函數采用指數線性單元（ELU）函數，全連接層間使用隨機丟棄率為50%的Dropout層，分類函數使用Sigmoid。

實驗中采用的IQCNet網絡，由H個卷積層與1個全連接層構成，其中第1個卷積層用于提取IQ信號間特征，后幾個卷積層提取時間特征，層間加入批歸一化（BN）加快收斂速度，采用ReLU激活函數，采用Sigmoid作為分類函數。

不同參數的IQCNet網絡可用IQCNet(H,C)表示，其中H表示卷積層的層數，C表示每層卷積層的通道數。本文采用具有8個卷積層且每層有32個通道的IQCNet網絡與其它方法進行對比。

采用Pytorch的torchstat庫可計算卷積網絡結構的參數數量、計算量以及內存使用量，表1列出了IQCNet與DRID、DLRF、ORACLE參數數量、計算量以及存儲量等數據。

表1 CNN網絡模型參數及計算量比較

在參數數量方面，DRID、DLRF和ORACLE的參數量（Params）分別為IQCNet的111、14和333倍，在參數數量方面IQCNet有非常明顯的優勢。

在計算量方面，DRID、DLRF和ORACLE的浮點計算量（Flops）分別為IQCNet的82、11和8倍，IQCNet在計算量方面也具有非常明顯的優勢。

在存儲量方面，DRID、DLRF和ORACLE的內存讀寫使用量（MemR＋W）分別大約為IQCNet的13、2和28倍，IQCNet在存儲量方面同樣優勢明顯。

網絡參數數量、浮點計算量和內存讀寫量對比可知，IQCNet更加輕量化，更適合于星載計算機部署。

3.4 實驗結果分析

圖6展示了發射功率是否變化時3種包類型的識別準確率。由結果可知：

圖6 發射機發送信息內容與功率變化對射頻指紋識別的影響

1）發送包數據內容會影響卷積神經網絡的識別率。當發射機發送固定包時識別準確率更高，隨機包和噪聲包識別準確率會有明顯下降。所以提取固定數據內容（例如前導頭）的信息更有利于識別發射機個體。對于測控信號，存在固定的信號段用于信號同步，可提取此段信號用于身份識別。

2）發射功率變化會明顯降低識別準確率。所有方法的識別準確率都因功率變化而明顯降低。相對于對固定包的影響，功率變化對隨機包和噪聲包的識別率影響更加明顯。在變功率模式下，IQCNet對固定包的識別率也能達到94%，對隨機包的識別準確率達到86%，說明即使發射功率大范圍變化（20 d B），也能提取到穩定的指紋特征用于識別發射機身份。

3）IQCNet的識別準確率最高。在不同發送包內容和功率變化的6種實驗中，IQCNet、DRID、DLRF和ORACLE的平均識別率分別為91.68%、82.61%、72.08%和61.71%，IQCNet網絡的識別率明顯優于其它3種參考網絡。

4 結束語

為增強衛星系統的測控安全，本文提出了一種基于射頻指紋的測控地面站身份識別方法，并采用適于天基平臺部署的輕量化卷積神經網絡對模擬衛星測控鏈路的變功率信號的進行驗證。實驗結果表明，對變功率固定包的識別率能達到94%，對變功率隨機包的識別準確率可達到86%，證明通過射頻指紋識別方法可有效保障衛星系統的測控安全。■