本文是一篇软件工程论文，本文以无线设备信号变换域的图像作为射频指纹提取对象，利用时频变换将信号转换成时频图，通过对时频图进行特征提取和识别实现对无线设备的识别。
第一章 绪论
1.1 研究背景及意义
随着无线传感器网络的广泛部署和物联网的蓬勃发展，越来越多的无线智能设备连接起来，构建起了一个广阔而密集的新型生态系统。这种快速的扩张导致人们越来越重视安全问题，特别是设备级的安全。在无线通信网络中，无线设备之间不存在实际的物理连接，移动站需要通过无线信道来传送各自的身份信息，方便各设备能够对通信对象的身份进行鉴别。在无线通信系统中，通常使用的安全机制是基于比特级的凭证[1]，即通过基于密码机制的安全协议来实现通信双方的安全认证。尽管网络安全协议经过多次地完善，但仍然不可避免的存在漏洞[2-3]。此外，若通信过程中密钥泄漏，将无法避免恶意用户带来的潜在威胁，例如对通信过程进行窃听、篡改消息内容、冒充他人身份进行通信等等。因此，如何通过安全有效的识别验证方法来确保设备之间的可靠通信是万物互联进一步发展的挑战之一。
近年来，基于射频指纹的安全机制受到了广泛地关注，设备的硬件内在特征形成了该设备特有的指纹，使用射频指纹进行身份的识别属于物理层的安全认证机制，通过软件来模仿和复制射频指纹的特征是相当困难的。因此，射频指纹被认为是解决和减轻未来网络的访问控制和设备认证挑战的潜在推动力。通过提取发射器发射的电磁波中所包含的射频指纹，能够实现无线设备的身份认证，射频指纹是每个设备独有的特征，这些独特的特征产生于电子元件在制造和使用过程中固有的随机性，特别是无线电传输链中模拟元件存在的误差[4]，这些误差就是产生射频指纹的基础。通过对这些误差的计算和分析，能够提取到无线通信设备在物理层独有的特征作为各自的身份凭证，进而确保通信的安全可靠。传统的射频指纹识别技术是基于特征工程的方法，需要先由本领域专家精心挑选信号的关键特征，然后采用适当的信号处理算法，对标记的特征进行提取，并采用一定的准则和机器学习的方法对标记的特征进行识别[5]。传统的射频指纹识别技术依赖于专家经验，且计算复杂度较高，特征选取与判定标准也不具有普遍意义。
.................................
1.2 国内外研究现状
1.2.1 变换域无线设备识别方法研究现状
无线设备在通信过程中传输的信号包含了每个设备独一无二的射频指纹，通过对射频指纹进行提取和分析，能够实现对设备的身份进行识别和认证[7]。现有的研究中，无线设备的射频指纹特征多从信号的基本参数信息[8]、变换域信息[9–11]和调制域信息[12]等方面提取。本研究主要从信号变换域中提取信号的射频指纹特征，目前变换域主要从时域、频域、高阶频域和时频域中选择。下面将对各变换域的无线设备识别方法的研究现状进行阐述。
1. 时域
在无线通信系统的接收端，通过射频前端进行信号放大和混频，将高频信号转换为低频信号后，再通过模数转换器(ADC)将信号数字化，可以得到I/Q数据，对I/Q数据进行分析研究，能够提取到无线设备信号在时域内的相关特征。在现实环境中，信号发射机的电子元器件通常是非理想的[13]，这些非理想会造成信号I/Q不平衡现象的出现。因为信号发射机的I/Q不平衡参数不会因为调制方案的改变而改变，Wong[14]等人使用原始I/Q信号数据作为卷积神经网络的输入，通过计算每个信号发射器的I/Q不平衡参数，提出了一种识别信号发射器的方法，并使用模拟的正交振幅调制和相移键控信号评估该方法的性能，实验证明该方法优于其他类似的基于特征的方法。Merchant等人为解决仿冒用户攻击对无线通信安全的影响，将无线设备的时域复带误差信号作为输入，结合深度学习算法来提取无线通信设备的物理层特征，并将其用于设备的识别和认证。使用该方法识别7个2.4GHz的商业ZigBee设备时，具有92.29%的识别准确率[15]。Soorya等人提出了一种使用复值卷积神经网络的协议无关的指纹识别技术，并对其在不同无线协议下的识别效果进行了研究和比较。研究表明，从复值形式的时间序列中可以提取有效的射频指纹特征，通过在训练数据中加入噪声，可以有助于神经网络学习到更稳健的指纹特征[16]。
..................................
第二章 相关理论技术
2.1 无线通信设备射频指纹技术理论
2.1.1 射频指纹的产生原理和基本特性
通过对无线设备的信号进行一系列的处理，能够提取到设备独一无二的射频指纹特征。图2-1是无线设备信号发射机的典型结构，射频指纹来源于发射机内部硬件电路的容差或者缺陷。
软件工程论文怎么写
在制造信号发射机的过程中，组成发射机的电子元器件的实际值和标准值总会存在一定的差异。通过更精密的制造手段和质量控制方法能够减少这种差异，但同时也会显著提高生产的成本，所以在实际生产环境中，无法避免这种制造容差的存在[35]。随着电子元器件使用时间的推移，设备的老化和环境的变化会引起元件的参数变化，从而产生漂移容差。这些制造和使用过程中产生的误差导致了不同生产批次甚至同一生产批次的设备参数之间存在着差异。通过对这些特定的发射机缺陷进行独特的表征，能够构建唯一的设备指纹作为无线设备的身份识别码。
..............................
2.2 图像特征提取算法
图像特征描述了图像的信息，能够作为识别图像的关键性数据。图像特征根据属性可以分为两类：高级语义特征[36]和底层特征。高级语义特征是通过深度学习模型等方法从图像中提取出来的反映图像内在含义和语义的高度抽象和语义性的特征。底层特征是图像基本的特征，描述了图像最直观明显的特征，本研究主要提取无线设备信号变换域图像底层特征中的形状特征和纹理特征，下面将对这两种特征提取的技术分别进行阐述。
2.2.1 形状特征
图像的形状是指物体在图像中的外形或轮廓，包括几何形状和形状特征等。具体来说，形状可以包括物体的大小、长宽比、面积、周长、曲率等几何属性，以及物体的轮廓、边缘、角度、拐角等形状特征。形状特征主要描述了一个物体在图像中的外部边界轮廓以及它所处的图像内部区域，它不易受到光照和噪声的影响，具有良好的稳定性。基于轮廓的方法和基于区域的方法是常用的两类提取形状特征的方法。
基于轮廓的方法主要是对图像的轮廓特征进行提取，轮廓是表示物体基本外形的曲线，由一系列相邻的点组成。通过对图像的轮廓特征进行提取，能捕捉到形状的细节信息，且具有良好的目标形状辨别能力，但是该类方法忽略了图像的内容信息，不能全面的描述图像。
基于区域的方法对形状的整体进行刻画，会导致部分细节信息的缺失，不适用于大型数据集以及目标图像种类较多的情况。基于区域的方法可以从不同的角度提取出各种形状特征，例如区域面积、周长、伸展度、偏心率、惯性矩等等，这些特征可以更全面地描述物体的形状信息。常用的方法包括：几何参数法和形状不变矩法。
................................
第三章 基于图像特征的射频指纹识别方法研究 ······················· 23
3.1 引言······························ 23
3.2 时频图绘制方法 ····························· 24
第四章 基于残差网络的无线通信设备识别方法研究 ························· 41
4.1 引言··························· 41
4.2 时频图预处理 ·························· 42
第五章 无线设备信号分析系统设计与实现 ·························· 61
5.1 引言························· 61
5.2 无线设备信号分析系统需求分析 ···················· 61
第五章 无线设备信号分析系统设计与实现
5.2 无线设备信号分析系统需求分析
5.2.1 无线设备信号分析系统用户分析
无线设备信号分析系统的用户按照类别可以分为两类：系统级用户和业务级用户，如表5-1所示。
软件工程论文参考
系统级用户包括开发人员、系统管理员、数据管理员和算法管理员，开发人员主要负责系统的开发，日常维护和算法模块的接入；系统管理员主要负责添加用户角色和用户权限管理；数据管理员主要负责信号数据的处理和入库存储；算法管理员根据信号分析员的具体需求对算法模型进行训练测试以及部署调试。业务级用户信号分析员根据自身需求查看相应信号分析结果，并挑选出需要重点关注的信号进行查询和分析。
..............................
第六章 总结与展望
6.1 全文总结
无线设备的硬件内在特征形成了每个设备特有的射频指纹，基于射频指纹的设备识别方法能够在物理层完成对设备身份的识别和认证，适用于功率和计算能力有限的设备。本文以无线设备信号变换域的图像为切入点，结合机器学习与深度学习算法，研究如何在一个固定大小的图像中捕捉信号特征，实现无线设备的识别。本文的主要工作总结如下。
1. 针对无线通信设备部分射频指纹特征在时域中不明显的问题，本文提出了基于时频图人工特征的射频指纹识别算法。首先，本文使用短时傅里叶变换、小波变换、Wigner-Ville分布和Choi-Williams分布四种常用的时频变换算法生成了对应的时频图像进行对比分析，发现使用Choi-Williams分布转换得到的时频图，具有良好的时频聚集性，且图像轮廓清晰，受噪声和交叉项的影响较小。然后，针对使用Choi-Williams分布转换得到的信号时频图，分别使用Zernike矩和均匀局部二值模式进行形状特征和纹理特征的提取，并根据时频图的特点提出增强的均匀局部二值模式算法。最后，将本文提取到的射频指纹特征结合机器学习算法实现射频指纹识别。实验结果表明，将时频图的Zernike矩特征与增强的均匀局部二值模式算法提取到的特征进行结合，并用于无线设备识别时，在信噪比较高的情况下，能达到100%的识别准确率，验证了将时频图的图像特征用于射频指纹提取的可行性。另外，将本文提出的算法与其他传统射频指纹识别方法进行对比时，本文所提出的方法具有明显的提高识别准确率的效果。
2. 针对人工特征用于无线通信设备识别适用范围有限的问题，本文以Choi-Williams分布转换得到的时频图为输入，在ResNet18的基础上进行改进，提出了适用于无线设备信号时频图识别的CSAM-ResNet模型。为了充分挖掘时频图中包含的射频指纹信息，将ResNet18残差块中的标准卷积替换成空洞卷积，扩大网络模型的感受野，以提取时频图中更多的细节信息。另外，根据时频图包含时间和频率两个维度特征信息的特点，在ResNet18中添加混合注意力机制，优化网络权重，提取时频图中包含的关键特征信息。实验结果表明，使用固定大小的时频图作为深度学习模型的输入时，与基于信号样本序列输入的射频指纹识别方法相比，能有效减少模型的输入数据量，且不会增加模型的复杂度。
参考文献（略）