基于瞬態(tài)響應(yīng)的無(wú)線發(fā)射機(jī)指紋識(shí)別研究.pdf

1、隨著無(wú)線通信技術(shù)的快速發(fā)展,任何無(wú)線通信網(wǎng)絡(luò)都不可避免的存在許多安全問(wèn)題。尤其在認(rèn)知無(wú)線電網(wǎng)絡(luò)中,動(dòng)態(tài)的接入方式導(dǎo)致許多新的安全隱患,如模仿主用戶(Primary User Emulation,PUE)攻擊。目前,對(duì)PUE攻擊的檢測(cè)多采用驗(yàn)證合法主用戶發(fā)射機(jī)的位置,但對(duì)于分布式認(rèn)知網(wǎng)絡(luò),該方法就不能實(shí)現(xiàn)有效的檢測(cè)。無(wú)線發(fā)射機(jī)的瞬態(tài)響應(yīng)具有普遍性、唯一性和短期不變性的特點(diǎn),可以作為識(shí)別發(fā)射機(jī)的特征。因此,本文將瞬態(tài)指紋識(shí)別技術(shù)引入到認(rèn)知無(wú)

2、線電網(wǎng)絡(luò)中來(lái)實(shí)現(xiàn)對(duì)合法主用戶發(fā)射機(jī)的識(shí)別,從而抵御PUE攻擊。
　　 基于802.11b的Wi-Fi網(wǎng)絡(luò)中,信號(hào)的突發(fā)發(fā)送使得在每幀數(shù)據(jù)的幀頭可以捕獲到瞬態(tài)響應(yīng),但隨著元器件一致性和電路集成度的提高,無(wú)線網(wǎng)卡瞬態(tài)響應(yīng)的差異度也越來(lái)越細(xì)微。本文建立了一個(gè)新的無(wú)線網(wǎng)卡瞬態(tài)響應(yīng)指紋提取模型,分別從起點(diǎn)檢測(cè)、特征提取和分類(lèi)識(shí)別三個(gè)方面進(jìn)行深入的研究。
　　 首先,采用短時(shí)能量和相位檢測(cè)算法進(jìn)行瞬態(tài)響應(yīng)信號(hào)的起點(diǎn)檢測(cè),并就兩種算法

3、在不同信噪比下的檢測(cè)性能進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明,在較低的信噪比下相位檢測(cè)算法比短時(shí)能量具有更準(zhǔn)確的檢測(cè)結(jié)果。在特征提取方面,由于無(wú)線網(wǎng)卡瞬態(tài)響應(yīng)信號(hào)的相似性很高,常用的小波多尺度分析方法提取的特征區(qū)分度較差,因此,本文提出了一種基于譜圖時(shí)頻分析的能量包絡(luò)提取算法,并采用多項(xiàng)式函數(shù)來(lái)擬合瞬態(tài)響應(yīng)包絡(luò),提取多項(xiàng)式系數(shù)作為新的瞬態(tài)指紋特征。相比希爾伯特變換提取的包絡(luò)受噪聲影響大,毛刺多,采用本文算法提取的包絡(luò)曲線則更為平滑,特征參數(shù)的區(qū)

4、分度也得到進(jìn)一步提高。最后,本文設(shè)計(jì)了SVM多分類(lèi)器和BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器,分別輸入小波特征參數(shù)和多項(xiàng)式特征參數(shù)對(duì)無(wú)線網(wǎng)卡進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器能獲得比其它兩種分類(lèi)器(SVM多分類(lèi)器和最近鄰分類(lèi)器)更好的識(shí)別結(jié)果。
　　 本文通過(guò)構(gòu)建一個(gè)無(wú)線網(wǎng)卡信號(hào)采集系統(tǒng),捕獲大量的實(shí)測(cè)數(shù)據(jù)用于分析測(cè)試。結(jié)果表明,多項(xiàng)式提取的特征較小波特征具有更好的分類(lèi)效果,不同品牌網(wǎng)卡的平均識(shí)別率可以達(dá)到93.7％,同品牌同型號(hào)的網(wǎng)卡