摘要

射频指纹技术(RFF)是解决无线网络安全问题的有效途径。数据采集系统是RFF重要组成部分。在此背景下，本文提出了一种用于射频识别数据采集的模块化射频前端系统的实现。为适应不同频段和不同应用，系统模块化提供了灵活的实现选项。此外，该系统还可以通过任何数字仪器收集数据，并记录低频数据。因此，提出的射频前端系统将成为现有数据采集设备的低成本替代品。蓝牙在实现中的应用(BT)信号。一开始，用了很多BT检测设备(智能手机)BT信号的瞬态。从检测到的瞬态信号中提取明显的信号特征。然后支持向量机提取的特性(SVM)和神经网络(NN)对系统进行分类评估RFF可行性。结果表明，SVM分类器和NN分类器在BT设备上的分类精度分别为96.9%和96.5%。

射频指纹；蓝牙；数据采集；射频前端；支持向量机；神经网络

1 引言

如今，人们对无线网络的使用越来越感兴趣。然而，由于无线通信的广播特性，它很容易受到复杂威胁的攻击。因此，安全已成为防止此类攻击的主要焦点。在无线网络中集成安全机制是不可避免的，尤其是信息流的保护。在这种情况下，物理层保护可以用来实现保护目的。事实上，这些方法都是基于无线通信设备的物理识别。这也被称为射频指纹识别(RFF)[1]。典型的RFF在此过程中，首先分析了无线通信设备收到的信号。然后，根据其收发器的独特硬件特性进行设备识别。

为了研究RFF一些问题需要解决。其中一个与数据大小(每个设备的信号数量)有关，与设备分集有关。另一个是关于数据采集系统的。可见，RFF的性能明显受到采集信号的效率的影响。因此，接收器的相位应保持一致，以防止信号处理中可能出现的问题。在文献中，RFF两种接收器类型用于数据采集系统：(a)[2，3]高端接收器，(b)低端接收器[4，5]。虽然这些接收器在数据采集过程中是准确的，但也有一些缺点需要考虑。显然，这些接收器需要扩展内存，因为它们用于记录更高的信号采样率。这也增加了数据大小和计算成本。此外，值得注意的是，这些接收器非常昂贵。另一方面，在[2-5]中，输设备数量相对较少。为保证设备的多样性，应性。

本文针对高精度、昂贵的数据采集设备(接收器)用于射频识别的缺点，提出了模块化射频前端系统的实现。该系统的显著优点之一是提供适应不同频带的灵活实现选项。事实上，它允许从任何不同频率的源收集数据，以实现无线传输功能。该系统的另一个重要优点是它可以通过任何数字仪器收集数据。该系统对接收到的信号进行下变频。因此，它产生的采样率较低，不仅可以降低数据大小，还可以降低计算成本。考虑到这些优点，提出的射频前端系统将成为现有数据采集接收器的低成本替代品。本研究采用蓝牙(BT)模块化射频前端系统实现信号。这是因为智能手机很容易在数据采集中收集BT设备。因此，为了保证设备的分集，需要大量的设备BT设备中采集BT信号。两种不同的系统用于数据采集。在第一个系统中，使用提出的射频前端，然后创建数据集。在第二个系统中，用示波器作为高端接收器直接捕获信号。由于示波器的接收器可以以两种不同的速度采样信号，因此创建了两个数据集。然后，在每个数据集中应用基于能量包络[6]的改进瞬态检测技术BT信号，检测信号的瞬态。从检测到的瞬态中提取明显的特征。然后支持向量机(SVM)和神经网络(NN)提取两种鲁棒高效分类方法BT分类信号。这样提出的射频前端就可以使用了RFF通过评估分类精度来研究其影响。结果表明，本文提出的模块化射频前端可用于射频识别数据采集。

本文组织如下。第二部分介绍了模块化射频前端的设计。接下来，第三部分介绍了数据采集系统。第四节将介绍先进的信号处理功能。第五部分给出分类方法，并比较其性能。最后一节结束了。

2模块化射频前端的设计

如前一节所述，为了简单起见，在数据采集中使用BT信号。BT设备的工作频段为2.4 ~ 2.4835 GHz，带宽为80个频道 MHz。因此，根据奈奎斯的特定理，采样频率约为5 GHz模数转换器(ADC)来捕获BT但这可能会增加信号。BT由于需要更高的数据存储，信号处理的复杂性。为了克服这个问题，应该使用下变频器来降低采样率。本研究通过在[7]中设计的模块化射频前端系统实现。它可以将信号向下转换为基带。

典型的系统由ISM2400频段单位增益天线，带滤波器(BPF)、宽带低噪声放大器(LNA)、压控振荡器(VCO)和低通滤波器(LPF)如图1所示。该系统首先使用带通滤波器(BPF)对BT过滤信号，去除相邻信道中不必要的信号。LNA之前使用BPF通常不常见。LNA天线可以直接连接。但是因为BT因此，信号具有较高的信噪比BPF。因此，宽带LNA用于放大接收信号()。然后使用压控振荡器(VCO)混合信号频率()。因此，在混频器的输出处，有表示为的频率量：

其中m和n是表示RF和VCO谐波信号的整数，也称为正激信号。值得注意的是，当m和n当数量增加时，这些激励信号的振幅往往会减小。将混频器作为下变频器操作，使用低通滤波器输出混频器的最低频率(LPF)滤波器。因此，可以消除混频器输出的高频分量和杂散，只保留中频(IF)成分()。

基于计算机的设计环境(AWR)中对提出的射频前端设计进行了仿真。首先，用 Matlab 对 TektroTDS7404示波器捕获BT处理信号，加载到AWR作为载波频率= 24Mhz 输入信号。为了使BT变频在信号下，VCO信号固定在2500Mhz。因此，输入信号被下转换为= 49 Mhz。比较了两种信号的频谱，以研究输入和输出信号的特性，如图2所示。输入和输出信号的频率在此过程中移动到0赫兹。如图所示，在1兆赫宽信道中很容易观察到类似的信号特征。因此，很明显，bt 提出的射频前端不影响信号的特性。

如图3所示的射频前端设计。值得注意的是，便携式电源已经集成，以实现紧凑的形式。为此，根据LNA 和VCO需要设计电压调节器等模块化元件。模拟每个稳压器的输出LPFs在电压纹波的不利影响下，用于消除转换过程。此外，所有稳压器非开关电源适配器提供12v 直流电压。

3 数据采集

为了进行BT采集信号，采用系统A和系统B两种不同的系统。如图4所示，在系统A中连接射频前端Tektronix TDS7404示波器。被认为是BT智能手机的设备放置在20厘米高的支架上。示波器与支架之间的距离为30cm。另一方面，在系统B中，BT信号由示波器直接记录，无需使用RF前端。智能手机程中，智能手机最初被切换到飞行模式。然后，只有BT它被打开了，所以它只能发射BT信号。因此，消除了智能手机产生的不良信号。这样，记录信号，创建两个系统的数据集。

对于系统A, VCO信号的频率固定在 = 2500 MHz。因此，混频器的输出有两个频率分量，其频率范围为15Mhz≤≤100Mhz。因此，最小采样频率应为200Mhz。但示波器采样频率为250 MHz(略高于Nyquist速率)。因此，数据集A包含250 MHz采样速率录制BT信号。

对于系统B，决定创建两个不同的数据集B1和B2.作为示波器的接收器，可以以两种替代速率采样信号:10 GHz和20 GHz。因此，创建数据集B1包括以10 GHz速率采样的BT创建数据集的信号B2包括以20 GHz采样速度的信号。

我们使用了五个智能手机品牌(即华为，iPhone、LG、八种不同型号的三星和索尼)。此外，我们还收集了两个不同的智能手机系列来观察系统的性能。因此，创建了代表16部智能手机的数据库。应该注意的是，这些设备构成了[6]中使用的大多数设备。每款智能手机捕获150部BT信号。因此，共记录了7200个BT信号。

4 瞬态检测和特征提取

检测瞬态信号是RFF过程中的一个关键环节。BT该设备的射频发射机在瞬态区域非常不稳定。因此，大多数设备的信号特征可以从该区域提取。因此，瞬态信号的检测是RFF中BT设备的识别和识别奠定了基础。文献中提出的各种技术可用于检测射频发射机的瞬态区域。在这项研究中，我们使用了最近开发的一种鲁棒但简单的算法[6]。它通过信号能量包络检测瞬态信号。简单地说，它是基于局部能量包络大值的使用。作者对其进行了实验验证。BT信号的采样记录如图5所示。

 

 一旦瞬态信号被检测到，下一步就是提取信号的显著特征。这里利用瞬时信号特征[9,10]来提取显著特征。为此，对于时域的实值离散信号，解析信可以写成：

其中是记录信号的希尔伯特变换。式(2)中可以用同相分量和正交分量表示为：

则，信号特征瞬时幅值、瞬时相位和瞬时频率可计算为：

然而，这些特性在计算成本和内存需求方面可能存在缺陷。对于给定的任意信号x(i)，可以利用高阶统计特征，如方差、偏度和峰度来缓解这些问题：

其中是信号的平均值。为了消除可能对后续处理产生不利影响的数据收集偏差，按照[9]的详细描述，对每个特征进行了标准化和居中处理。因此，计算每个瞬时信号特征的高阶统计量。除了这些特征外，暂态信号的持续时间也被认为是一个特征。因此，从一个暂态信号中提取了10个信号特征。然后从每个数据集的所有瞬态数据中提取这些特征。因此，每个数据集中的智能手机模型的特征集也被创建。

5 设备分类与性能分析

在本节中，使用每个数据集为BT设备模型创建的特征集，测试两种鲁棒分类器：支持向量机(SVM)和神经网络(NN)[11]的分类性能。主要目的是检验较低的抽样率对分类正确率的影响。因此，评估了提出的模块化射频前端应用于RFF数据采集的可行性。

对于数据集中的每个BT设备，特征集分为训练集和测试集。每个训练集由150个瞬态信号中的120个(80%)组成，对应的测试集由剩余的30个(20%)瞬态信号组成。对于每一组，根据记录编号选择瞬态信号。从而保证了训练集和测试集具有不同的信号瞬态。

在训练阶段，首先利用提取的特征对SVM进行训练。众所周知，SVM在高维向量空间中构造超平面。这个超平面用于将一个类与另一个类分开。在文献中，支持向量机有不同的变体。在本研究中，由于数据是线性不可分的，所以采用非线性支持向量机。需要注意的是，在构建非线性SVM分类器时，核函数有助于将数据集映射到高维向量空间。然而，有几种类型的核函数，如径向基，sigmoid和多项式。因此，为了获得最佳的分类精度，我们对支持向量机中使用的这些函数进行了比较分析。接着，为了提高分类精度，采用了二次多项式核函数支持向量机。

另一方面，为了训练NN分类器，我们开发了如图6所示的多层NN结构。在该结构中，根据所生成的10个信号特征，选择10个神经元作为输入层神经元。此外，输出层由16个神经元组成，因为每个数据集有16个类(BT设备)。采用试错法选择隐层数和每个隐层中的神经元数。在此过程中，我们在一开始使用了2个隐藏层，其中包含4个神经元。不断增加神经元数目和隐藏层数，直到训练结果令人满意。最后，通过3个隐层，每层64个神经元，获得了最佳的训练效果。选取所有神经元的激活函数为tansig函数[12]。需要注意的是，网络训练的代数选择为2500。

 

在获得训练好的分类器网络后，测试集用于测量分类精度。使用混淆矩阵是评价分类器性能的一种方法。图7、图8和图9分别为数据集A、B1和B2的SVM分类器的混淆矩阵。每个数据集有16个设备，代表市场上的5个知名品牌。在混淆矩阵中，绿色单元表示设备正确分类的瞬态数量(和百分比)，红色单元表示错误分类的瞬态数量(和百分比)。再次注意，测试集由每个设备的30个瞬态组成(150个记录的瞬态中剩余的120个在训练集中使用)。仿真和实验参数集如表1所示。

当检查混淆矩阵时，从图7可以看出，设备的瞬态错误分类最高，数据集A的#12(12.1%)和#6(9.1%)。另一方面，数据集B1(6.3%)和B2(6.3%)的瞬态误分类率略低于数据集A(12.1%)。然而，在任何数据集中都没有设备的错误分类。

另一方面，表2显示了SVM和NN分类器的总体分类精度。很明显，这两个分类器为每个数据集提供了非常相似的分类率。正如预期的那样，B1和B2数据集获得了更好的分类精度，这在图7、图8和图9中SVM分类器的混淆矩阵中可见。对于数据集B1, SVM和NN的分类准确率分别为97.9%和97.3%。对于数据集B2，分类器的分类准确率约为99%。而对于数据集A, SVM分类器和NN分类器的准确率分别下降到96.9%和96.5%。因此，数据集B2和A之间的分类精度没有显著差异(约3%)。这说明较低的采样率对分类精度的影响并不显著。因此，很明显，所提出的模块化射频前端适用于RFF。

 6 结论

本文介绍了一种用于射频识别数据采集的模块化射频前端系统的实现。在该系统的帮助下，接收到的信号可以以较低的采样率进行记录。这提供了减少数据大小和计算成本。因此，对数据存储的内存要求也降低了。为了评价较低的采样率对RFF的影响，首次建立了由大量设备采集的BT信号组成的信号数据库。接着，利用支持向量机和神经网络分类器从信号瞬态中提取特征。分类结果表明，较低的采样率对RFF的性能影响不大。因此，可以得出将所提出的模块化射频前端应用于RFF的数据采集是可行的。

 与现有的射频数据采集设备相比，本文提出的模块化射频前端具有诸多优点。其中之一是系统的模块化，使其能够在不同的频带使用。另一个是它通过任何数字化仪收集数据的能力。虽然它可能是一种低成本的替代方案，但总成本仍然取决于设计中使用的模块化组件的成本。作为未来的工作，我们打算扩展信号数据库以应用深度学习分类方法。

参考文献

1.  Danev, B., Luecken, H., Capkun, S., & Defrawy, K. (2010). Attacks on physical-layer identification. In Proceedings of international conference on wireless network security (pp.89–98). Hoboken, NJ, USA.
2. Reising, D. R., Temple, M. A., & Jackson, J. A. (2018). Authorized and rogue device discrimination using dimensionally reduced RF-DNA fingerprints. IEEE Transactions on Information Forensics and Security, 74, 296–307.
3. Merchant, K., Revay, S., Stantchev, G., et al. (2018). Deep learning for RF device fingerprinting in cognitive communication networks. IEEE Journal of Selected Topics in Signal Processing, 12(1), 160–167.
4. Ramsey, B. W., Stubbs, T. D., Mullins, B. E., et  al. (2015). Wireless infrastructure protection using low-cost radio frequency fingerprinting receivers. The International Journal of Critical Infrastructure Protection, 8(1), 27–39.
5. Rehman, S. U., Sowerby, K. W., & Coghill, C. (2014). Radio-frequency fingerprinting for mitigating primary user emulation attack in low-end cognitive radios. IET Communications, 8(8), 1274–1284.
6. Ali, A. M., Uzundurukan, E., & Kara, A. (2019). Assessment of features and classifiers for bluetooth RF fingerprinting. IEEE Access, 7, 50524–50535.
7. Uzundurukan, E., Ali, A. M., & Kara, A. (2017). Design of low-cost modular RF front end for RF fingerprinting of bluetooth signals. In Proceedings of international conference on signal processing and communications applications (pp. 1–4). Antalya, Turkey.
8. Gandhi, D., & Lyons, C. (2003). Mixer spur analysis with concurrently swept LO, RF and IF: tools and techniques. Microwave Journal, 46(5), 212–220.
9. Klein, R. W., Temple, M. A., & Mendenhall, M. J. (2009). Application of wavelet-based RF fingerprinting  to  enhance  wireless  network  security.  Journal  of  Communications  and Networks,  11(6), 544–555.
10. Yuan, Y., Huang, Z., Wu, H., & Wang, X. (2014). Specific emitter identification based on Hilbert-Huang  transform-based  time-frequecy-energy  distribution  features.  IET Communications,  8(13), 2404–2412.
11. Haykin, S. (2008). Neural networks and learning machines. NJ: Prentice Hall.
12. Dorofki, M., Elshafie, A. H., & Jaafar, O., et  al. (2012). Comparison of artificial neural network transfer functions abilities to simulate extreme runoff data. In Proceedings of international conference on environment, energy and biotechnology (Vol. 33, pp. 39–44).