本书主要涉及物联网物理层认证方法研究，针对通信信号调制方式识别，提出了基于熵和Holder系数的通信调制信号特征提取算法、基于云模型的通信调制信号二次特征提取算法、基于分形理论的通信调制信号特征提取算法；针对通信辐射源个体指纹识别，提出了基于瞬态信号的通信辐射源个体识别方法、基于积分双谱的通信辐射源个体识别方法、基于功率谱密度的通信辐射源个体识别方法、基于射频信号基因的物联网物理层多级智能认证方法、基于等势星球图的通信辐射源个体识别方法、基于深度复数卷积神经网络的通信辐射源个体识别方法、基于深度学习的大规模现实无线电信号识别研究。 本书可作为信息通信、网络安全、物联网等领域的高校教师、研究生和相关科研人员进行学习和科研的参考用书。

第1章　绪论
　　1.1　物联网物理层认证研究概述
　　国家电网有限公司于2019年全面推进“三型两网”（三型即平台型、枢纽型与共享型；两网即坚强智能电网与泛在电力物联网）建设，加快打造具有全球竞争力的世界一流能源互联网企业的战略部署，而建设泛在电力物联网是建设能源互联网的重要基石。泛在电力物联网是物联网在电力领域的垂直和深度应用，其内涵是实现物理电网的数字化转型，构建万物互联、全面感知、实时交互的数字电网，其特征与要素如图1.1所示。
　　信息安全是构建可靠、稳健的物联网的关键。近年来各国发生的攻击事件（如通过智能数据攻击导致电网发生切负荷、线路过载断线、连锁故障等）逐步将电网在信息安全方面存在的各种隐患暴露出来。除了要面对一般通信网络所面临的如信息泄露、信息篡改、重放攻击、拒绝服务等威胁外，电网还面临着终端设备节点容易被攻击者物理操纵，获取敏感数据信息的威胁。随着无线通信网络带来的信息安全问题不断涌现，如何准确地识别和认证物联对象，阻止用户身份假冒和设备克隆等问题的发生，是泛在电力物联网得以应用首要解决的问题。
　　传统的认证机制是在应用层实现的，利用密码算法生成第三方难以仿冒的数值结果，但这种机制存在着协议安全漏洞和密钥泄露等风险。泛在电力物联网感知层终端设备具有多样化、智能化、复杂化且数量庞大的特点，虽然传统的认证机制可以在一定程度上保障信息安全，但是并不适用于处理大规模网络及其带来的海量数据，难以满足泛在电力物联网的信息安全需求。知名安全厂商赛门铁克联合全球*大的芯片提供商德州仪器公司，以及密码服务提供商wolfSSL公司，将认证技术、加密技术以及嵌入式技术结合到一起，为物联网设备提供可靠的信息加密和身份认证服务，然而这种基于嵌入式技术的设备保护方法需要较高的成本。对于输变电物联网与配电物联网的终端设备身份认证，常用的有基于身份标识的条形码和射频识别（radio frequency identification，RFID）技术。其中，RFID技术本质上是利用电磁波所携带的有意调制信息经解调后进行设备身份认证，但其安全和隐私威胁涉及窃听、假冒和标签克隆等问题。因此，研究一种低错误率、高效率、低成本的感知层终端设备接入与控制的身份识别认证方法，是确保泛在电力物联网稳健运行的关键。
　　物联网物理层认证是保障无线通信安全的核心技术之一，其基本原理是联合收发信道与传输信号的空时特异性，对通信双方的物理特征进行验证，从而在物理层实现身份认证。相比于应用层的认证技术，它能够有效抵御模仿攻击，具有认证速度快、复杂度低、兼容性好、不需要考虑各种协议执行的优点，如图1.2所示。
　　传统的安全技术可以称为网络侧内生安全机制，目标主要集中在物理层以上，其形式体现出安全滞后于通信的特点，其安全效果呈现出渐进式增强的特点。而物联网物理层认证技术通过提取射频信号中的独*特征，构建与生物学中类似的设备指纹，是一种增强无线网络安全性的物理层方法，属于无线侧内生安全机制。
　　物联网物理层认证技术为安全通信提供了广阔的平台。如今对物联网物理层认证技术的研究还处于初级阶段，丰富的物理层资源并没有得到充分利用，仍具有巨大的研究空间。射频指纹识别是基于设备物理层硬件的非密码认证方法，无须消耗额外的计算资源，也无须嵌入额外的硬件，是构建低成本、更简洁、更安全的识别认证系统的非常有潜力的技术，如图1.3所示。
　　使用射频指纹技术可以在信号层面为移动通信提供抵御已知和未知无线接入攻击的能力。目前，射频指纹识别技术已应用于军事、医疗、无线网络安全、质量管理等领域，如图1.4所示。
　　1.2　国内外研究及发展现状
　　近年来，通信辐射源个体识别是物联网物理层认证领域的重要研究内容。基于辐射源个体内部器件的离散特性和生产制造工艺中器件细微的不一致性，从原理上讲，每一台辐射源个体都会有可以唯一地反映其个体特性的微小特征，若可以从不同的辐射源个体发射信号中提取到能够反映该辐射源个体属性的“指纹”细微特征，就能够在所截获接收的目标信号中快速地将各个信号所对应的辐射源个体区分开，进而实现对通信辐射源个体信号细微特性的分析与识别，因此，通信辐射源个体识别就是从传输的信号中提取信号所携带的微小特征，实现对辐射源个体的分类。如今，随着对辐射源个体指纹识别与分类技术研究的逐步深入与探索，研究出来的成果与算法也越来越多，采用的信号识别算法也各有特色。如何科学并准确地提取、测量辐射源个体的特征参数是辐射源个体识别的关键。
　　国内外的学者针对辐射源个体特征提取算法这一问题做了大量的研究，提出了许多的新思路和新方法。国外对相关问题的研究是从20世纪末开始的，已经取得了一定的研究成果；国内对相关内容在近些年才逐渐产生兴趣，一直处于探索的阶段。此外，早期在国外，仅有电台的暂态信号特征研究得比较成熟，它通常是指开关机信号或突发暂态信号，利用特征提取算法对细微变化的特征进行分析，进而实现辐射源个体识别，近些年来，对稳态特征的研究也开始逐渐深入，取得了相当多的研究成果。而国内在辐射源个体识别方面还处在初步研究阶段，即一直处在概念上和理论上，对辐射源个体信号的局部特征进行分析与研究，理论上也取得了一定的成果。目前，辐射源个体识别中特征提取这一模块，大体上可以分为两大类，一类是通信辐射源个体调制信号的特征提取算法，另一类是通信辐射源个体的细微特征提取算法，这两方面都取得了比较可观的研究成果。
　　1.2.1　通信信号调制方式识别研究现状
　　在辐射源个体识别中，对于发射不同调制信号的辐射源个体，识别信号的调制方式进而对辐射源个体进行区分，相对于直接提取辐射源个体的细微特征对电台进行识别，更为简单容易。因此，识别信号的调制方式也是辐射源个体识别中的热点问题之一。随着通信系统的日益复杂多样，以及通信技术的不断发展，信号的调制方式也日益增多，如何选择合适的特征提取算法、提取信号的调制特征显得尤为重要。目前已有的调制识别算法已有很多，如基于高阶累积量的识别算法，基于熵特征复杂度的识别算法，基于循环谱、高阶谱特征的识别算法，以及基于星座图的识别算法等。如何以较小的计算复杂度、较短的计算时间，在低信噪比（signal-to-noise ratio，SNR）下达到较高的识别准确率是特征提取的关键。目前应用较为广泛的特征提取算法主要可以分为以下几类。
　　1.时域特征提取算法
　　信号的时域特征提取算法是特征提取算法中的突出代表，由Nandi等[1]提出，在调制识别领域中占有主导地位，其中，基于瞬时幅度、瞬时频率以及瞬时相位等9大特征参数的特征提取算法，已经被各国学者广泛的应用并引用。有很多学者在这个算法的基础上，引入了一些新的或是改进的信号特征参数，以及一些新的分类器算法。这些算法计算相对简单，且识别的信号类型较多，即使在信噪比为10dB时，仍可以达到90%的识别准确率[2]。早期的通信调制识别算法大多根据信号的时域波形特征来对信号进行区分，但是，涉及的参数较多，往往需要计算信号的多个特征参数，并且受信噪比的影响较大。通信信号的调制信息从信号的波形中可以很明显地表现出来，其中，3个重要的特征参数（信号的幅度、频率和相位）是研究的主要对象。文献[3]利用5个较为简单的瞬时特征参数对调制信号进行识别，不仅计算简单，而且利用小波滤波器对特征参数进行了去噪处理，提高了算法的识别效果，在对信号识别准确率要求不高的情况下，是一种比较适合应用的识别算法。文献[4]根据信号样本的幅度、频率和相位特征，利用小波变换，在高斯信道环境下，对不同的调制信号进行了识别，但是，该算法只适合于较高信噪比下的高斯噪声环境，具有一定的局限性。文献[5]提出了基于信号的一阶统计矩的特征参数识别算法，该算法运算量小、稳定性强，即使在信噪比为的环境下，仍可以达到97%的识别准确率，但是该算法能够识别的信号调制类型较少，对待识别的信号类型具有一定的选择性。文献[6]利用Hilbert变换和解析函数对6种信号的瞬时幅度进行了分析，通过提取基于瞬时幅度的特征参数，对不同的信号进行了识别，但是，该算法在低信噪比下识别准确率较低。文献[7]提出了基于方差分形维数和Mandelbrot奇异分形维谱的调制信号特征提取算法，该算法可以实现较低信噪比下的准确识别，但是计算复杂度相对较高。文献[8]将信号的包络特征和分形维数特征进行了有效的结合，同时利用奇异值分解算法对噪声进行了更好的抑制，达到了较好的识别效果，然而该算法是以计算时间的加长为代价的，在实际工程应用中，对于不要求实时性处理的工程项目具有更好的应用价值。综上所述，虽然基于时域的特征参数提取算法计算相对简单、容易实现，但是，时域中提取的特征参数容易受到噪声的影响，因此，该特征只能用于信噪比较高的条件，这样其应用范围也受到了一定的限制。
　　2.频域特征提取算法
　　通信调制信号的基本调制原理是：用待传输的信号对特定的周期信号的特征参数进行调制，所以，通信调制信号基本都具有周期稳定性。文献[9]提出了基于谱相关特征分析的识别算法，采用了谱相关特征的6个特征参数，对不同调制信号的周期特性进行特征提取，实现对信号的分类。这些特征参数的优点在于，由于信号调制类型的不同，它们的差异较大，具有很好的稳定性，相对于在时间域上所提取的特征参数，抗噪性能更强，但是，计算量相对较大，不利于实时计算。在频域内对不同的调制信号进行频谱分析，进而对信号进行识别，相对于时域下的信号识别，具有更好的抗噪性能，应用较为广泛，特征提取算法更是多种多样。文献[10]利用调制信号的谱分布特性，直接提取信号的三种谱特征（功率谱、平方谱以及四次方谱），实现了在没有先验知识的环境下对卫星信道中的通信信号识别的目的。该算法具有较强的抗噪性能，但是其运算量相对较大，不利于对信号进行实时识别。文献[11]提出了一种基于功率谱及低次方谱的信号特征提取算法，识别效果相对于时域的统计量具有更强的抗噪性能，但是，对信号的非线性变换破坏了估计量的有效性，*终使特征参数的性能降低。文献[12]提出了基于高阶累积量特征参数的调制信号特征提取算法，该算法对于白噪声具有很好的抑制作用，但是不同的调制信号的高阶累积量参数可能相同，因此，无法实现对更多的调制信号进行识别的目的。基于高阶累积量的特征提取算法，对信号星座图的尺度、平移以及相位旋转具有不变性，在信号的调制识别中具有较好的应用，但是，因为正交相移键控（quadrature phase shift keying，QPSK）信号和十六进制正交幅度调制（hexadecimal quadrature amplitude modulation，16QAM）信号具有相似的高阶统计特征，虽然有时候提取到的特征值在数值上有所差异，但是，如果信号的数据长度有限，噪声环境不平稳，将难以对信号进行区分。因此，许多学者将高阶累积量的识别算法与其他的算法相结合，既利用了高阶累积量能对白噪声进行抑制的优点，又实现了对更多调制信号进行识别的目的。文献[13]将高阶累积量和星座图进行结合，作为信号调制识别的特征参数，实现了低高斯噪声环境下对更多信号进行识别的目的。文献[14]和[15]利用循环谱特征对不同的调制信号进行了特征提取，实现了较低信噪比下对信号识别的目的，但是，只有对谱特征具有循环特性的信号才可以实现特征提取，且计算时间相对较长。文献[16]提出了基于广义二阶循环统计量的特征提取算法，针对Alpha稳定分布噪声环境，对不同的调制信号进行识别，该算法解决了传统的二阶循环统计量在Alpha稳定分布噪声中谱特征退化的问题，实现了Alpha稳定分布噪声环境下的信号识别。文献[17]采用信号平方谱和四次方谱的强度与位置作为识别信号的特征参数，具有较强的鲁棒性，对于调制样式多变的信号环境具有很好的识别效果，但是，其计算复杂度相对于其他谱特征提取算法较为复杂。
　　3.时频域特征提取算法
　　基于时频分析的特征提取算法适用于对

目录
前言
第1章　绪论　1
1.1　物联网物理层认证研究概述　1
1.2　国内外研究及发展现状　3
1.2.1　通信信号调制方式识别研究现状　4
1.2.2　通信辐射源个体指纹识别研究现状　7
参考文献　11
第2章　基于熵和Holder系数的通信调制信号特征提取算法　14
2.1　基于熵值分析法的特征提取算法　15
2.1.1　熵特征基本定义　16
2.1.2　熵特征提取算法实现步骤　17
2.1.3　仿真实验与分析　18
2.2　基于Holder系数的特征提取算法　22
2.2.1　Holder系数基本定义　23
2.2.2　Holder系数特征提取算法实现步骤　24
2.2.3　仿真实验与分析　26
2.3　分类器设计算法　30
2.3.1　灰色关联理论基本算法　31
2.3.2　改进灰色关联算法　35
2.3.3　神经网络分类器　37
2.3.4　仿真实验与分析　42
参考文献　46
第3章　基于云模型的通信调制信号二次特征提取算法　47
3.1　云模型基本理论　48
3.2　改进熵云特征的二次特征提取算法　50
3.2.1　算法实现基本步骤　51
3.2.2　仿真结果与分析　52
3.3　改进Holder系数云特征的二次特征提取算法　55
3.3.1　算法实现基本步骤　55
3.3.2　仿真结果与分析　57
参考文献　61
第4章　基于分形理论的通信调制信号特征提取算法　62
4.1　通信信号分形特征数学验证　63
4.1.1　二进制幅移键控自相似性证明　63
4.1.2　二进制频移键控自相似性证明　64
4.1.3　二进制相移键控自相似性证明　65
4.1.4　偏移正交相移键控自相似性证明　66
4.1.5　正交振幅调制信号自相似性证明　69
4.1.6　Hurst指数分形特征验证　70
4.2　传统一维分形维数特征提取算法　71
4.2.1　分形盒维数　72
4.2.2　Higuchi分形维数　73
4.2.3　Petrosian分形维数　74
4.2.4　Katz分形维数　75
4.2.5　Sevcik分形维数　75
4.2.6　仿真结果与分析　76
4.3　改进分形盒维数特征提取算法　78
4.3.1　算法实现基本步骤　79
4.3.2　仿真结果与分析　79
4.4　多重分形维数的特征提取算法　82
4.4.1　多重分形维数基本定义　82
4.4.2　系统识别模型　83
4.4.3　算法实现基本步骤　84
4.4.4　仿真结果与分析　87
参考文献　92
第5章　基于瞬态信号的通信辐射源个体识别方法　94
5.1　基于Hilbert变换与多重分形维数特征提取的射频指纹识别方法　94
5.1.1　算法实现基本步骤　94
5.1.2　实验结果与分析　96
5.2　基于Hilbert变换与Holder系数特征提取的射频指纹识别方法　99
5.2.1　算法实现基本步骤　99
5.2.2　实验结果与分析　100
5.3　基于Hilbert变换与熵特征提取的射频指纹识别方法　101
5.3.1　算法实现基本步骤　102
5.3.2　实验结果与分析　103
参考文献　108
第6章　基于积分双谱的通信辐射源个体识别方法　109
6.1　积分双谱基本理论　109
6.2　基于积分双谱特征提取的射频指纹识别方法　111
6.3　应用与分析　112
6.3.1　基于积分双谱特征与灰色关联分类器的通信辐射源个体识别　112
6.3.2　基于积分双谱与支持向量机分类器的通信辐射源个体识别　116
参考文献　119
第7章　基于功率谱密度的通信辐射源个体识别方法　120
7.1　现有方法的问题描述　120
7.2　功率谱密度基本理论　121
7.3　基于功率谱密度特征提取的射频指纹识别方法　125
7.3.1　算法实现基本步骤　125
7.3.2　应用与分析　127
7.4　基于差分功率谱密度特征提取的射频指纹识别方法　131
7.4.1　算法实现基本步骤　131
7.4.2　应用与分析　132
参考文献　139
第8章　基于射频信号基因的物联网物理层多级智能认证方法　140
8.1　射频信号基因认知　141
8.2　基于射频信号基因特性的物联网物理层认证方法研究目标　143
8.2.1　基于射频信号基因认知分析的多级数学建模　144
8.2.2　基于射频信号精细画像的多级特征提取　145
8.2.3　基于知识和数据联合驱动的多粒度智能分类器设计　145
8.3　基于射频信号基因特性的物联网物理层认证方法亟待解决的关键问题　147
8.4　基于射频信号基因特性的物联网物理层认证方法技术路线　148
8.4.1　基于射频信号基因认知的电磁波散射特性数学建模　149
8.4.2　多层次、多维度、多信度的射频基因精细画像的建立　153
8.4.3　多粒度智能分类器的物理层认证系统的构建　156
参考文献　158
第9章　基于等势星球图的通信辐射源个体识别方法　159
9.1　基于传统调制信号统计图域的射频指纹识别方法　160
9.2　基于等势星球图的射频指纹识别方法　161
9.2.1　算法实现基本步骤　161
9.2.2　实验结果与分析　164
9.3　基于差分等势星球图的射频指纹识别方法　170
9.3.1　算法实现基本步骤　170
9.3.2　实验结果与分析　174
参考文献　180
第10章　基于深度复数卷积神经网络的通信辐射源个体识别方法　181
10.1　基于复数卷积神经网络的通信辐射源个体识别　181
10.2　基于差分深度复数卷积神经网络的通信辐射源个体识别方法　182
10.2.1　算法实现基本步骤　183
10.2.2　实验结果与分析　184
10.3　基于深度复数残差网络的通信辐射源个体识别方法　190
10.3.1　算法实现基本步骤　190
10.3.2　实验结果与分析　191
参考文献　196
第11章　基于深度学习的大规模现实无线电信号识别研究　197
11.1　现有方法的问题描述　197
11.2　基于深度卷积神经网络的大规模无线电信号识别模型　202
11.2.1　算法实现基本步骤　204
11.2.2　实验结果与分析　205
11.3　基于深度复数卷积神经网络的大规模无线电信号识别模型　211
11.3.1　算法实现基本步骤　211
11.3.2　实验结果与分析　212
参考文献　215