技术领域
[0001] 本
发明涉及无线通信技术领域，尤其涉及一种单载波通信系统的物理层参量分离与个体识别方法。
背景技术
[0002] 由于具有可移动性等优点，单载波无线通信技术广泛应用于无线电设备的物理层数据传输。而要保证无线电设备间通信的信息安全，首先应进行通信方的身份认证，然后再进行通信数据的加密传输。
[0003] 身份认证一般基于密码与认证协议进行。通信发起方一般通过基于加解密的挑战-应答认证协议确认对方是否为合法通信方。然而，认证协议除了容易受到中间人攻击等
缺陷外，任何非法获取了认证协议使用密钥的攻击者都可能通过认证而不被发现。因此，基于密码机制与认证协议的通信方身份认证方法存在通信方容易被恶意攻击者假冒的不足之处。
[0004] 最近，出现了无线通信的物理层安全技术，即根据无线通信的物理层参量提供通信方认证等信息安全服务。无线信道与通信发射机的非线性是无线通信物理层的两个可用于信息安全的重要参量。
[0005] 无线信道具有随机性、空间唯一性与互易性，因此被广泛应用于无线通信的物理层安全。有文献报道根据无线信道的单位脉冲响应识别通信个体，实现无线通信的物理层认证。
[0006] 通信发射机的非线性主要由功率
放大器(PowerAmplifier,简称PA)与
数模转换器(DigitalAnalog Converter,简称DAC)等非线性器件产生。无线设备发射机的非线性被作为一种指纹应用于无线网络的物理层安全增强。
[0007] 现有文献报道，根据PA与DAC等非线性器件进行无线设备的个体识别，但未考虑无线多径信道的影响。还有人提出了一种消除多径信道影响的无线设备非线性估计方法，基于发射机非线性模型因子的估计进行无线设备的个体识别实验，取得了95％的正确识别率。
[0008] 单载波通信仍是一种重要的通信方式，被广泛应用于多种场合。相关研究历史表明，对单载波通信发射机的非线性与无线信道的单位脉冲响应进行估计与分离，根据该两分离参量识别发起通信个体，从而对抗通信个体假冒攻击是一个重要问题。
发明内容
[0009] 鉴于上述
现有技术的不足之处，本发明的目的在于提供一种单载波通信系统的物理层参量分离与个体识别方法，旨在解决现有技术中单载波通信物理层参量分离与个体识别的问题。
[0010] 为了达到上述目的，本发明采取了以下技术方案：
[0011] 一种单载波通信系统的物理层参量分离与个体识别方法，其中，所述方法包括：基于过
采样技术采集通信个体的发送
信号；构造训练序列非线性矩阵；基于所述发送信号及训练序列非线性矩阵，通过预设的估计
算法，获得发射机非线性模型系数与无线信道单位脉冲响应的克罗内克积的估计；所述预设的估计算法为满足或者近似满足
最小均方误差准则的估计算法；通过预设的算法，从所述克罗内克积的估计中分离所述发射机非线性模型系数的估计及无线信道单位脉冲响应的估计两个参数；将所述发射机非线性模型系数的估计及无线信道单位脉冲响应的估计组合形成“发射机与无线信道对”的特征矢量；基于所述特征矢量，通过基于样本的训练、分类或者识别，识别通信个体。
[0012] 所述的单载波通信系统的物理层参量分离与个体识别方法，其中，所述构造训练序列非线性矩阵的方法包括：根据通信
帧的先验训练序列与发射机的非线性模型，构造训练序列非线性矢量；根据所述训练序列非线性矢量、先验训练序列码元数目以及无线信道数目，构造训练序列非线性矩阵。
[0013] 所述的单载波通信系统的物理层参量分离与个体识别方法，其中，所述预设的算法包括：根据所述发射机非线性模型系统的个数，将对应的克罗内克积的估计进行分组；将每一组中的元素除以第一个元素，获得所述发射机非线性模型系数的估计；根据所述发射机非线性模型系数的估计以及所述通信帧的先验训练序列，获得对应的发射机发送序列估计；根据所述发射机发送序列估计和无线信道数目，构造发送序列卷积矩阵估计；基于所述发送序列卷积矩阵估计，获得所述无线信道单位脉冲响应的估计。
[0014] 所述的单载波通信系统的物理层参量分离与个体识别方法，其中，所述方法具体包括：基于所述发送序列卷积矩阵估计，通过满足或者近似满足最小均方误差准则的估计算法，获得所述无线信道单位脉冲响应的估计。
[0015] 所述的单载波通信系统的物理层参量分离与个体识别方法，其中，所述采集通信个体的发送信号的方法具体为：
[0016] 对接收的单载波
射频信号进行低噪放、载波恢复、符号同步与相关和采样，构成接收数字复信号。采样为
过采样，采样率为基带发送符号率的M倍，M大于等于8。
[0017] 所述的单载波通信系统的物理层参量分离与个体识别方法，其中，所述预设的估计算法为最小二乘、LMS或Kalman估计。
[0018] 所述发射机非线性模型为多项式模型。
[0019] 有益效果：本发明提供的一种单载波通信系统的物理层参量分离与个体识别方法，通过特定的估计和分离算法，对单载波通信发射机的非线性与无线信道的单位脉冲响应进行估计与分离，然后根据两个分离的参量对发起通信个体进行识别。上述结合两个分离参数进行识别的方法，对于通信个体的识别准确率高，能够有效的对抗通信个体的假冒攻击，具有良好的应用前景。
附图说明
[0020] 图1为本发明所述方法的对应系统的基带等效模型示意图。
[0021] 图2为本发明具体
实施例的物理层参量分离与个体识别方法的方法
流程图。
[0022] 图3为图1所示系统模型的个体识别流程的具体实例的流程图。
[0023] 图4为数值仿真实验的场景示意图。
具体实施方式
[0024] 本发明提供一种单载波通信系统的物理层参量分离与个体识别方法。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0025] 如图1所示，为本发明所述方法的对应系统的基带等效模型。所述系统包括待识别的通信个体(内含发射机)、无线信道和接收机。其中，假设所述通信个体的非线性主要由发射器的
功率放大器(PA)产生，发射机与接收机之间的无线信道在所述方法(或算法)执行时间内不变。
[0026] 如图1所示，d[n]为基带发送符号，ht[n]为升余弦滚降发送
滤波器的单位脉冲响应，dt[n]为基带发送信号，x[n]为经过PA功率放大后的基带发送信号，h[n]为无线信道的单位脉冲响应，v[n]为加性高斯白噪声(AWGN)，r[n]为基带接收信号，*表示卷积运算。
[0027] 基带接收信号r[n]应满足如下算式：
[0028] r[n]＝x[n]*h[n]+v[n] (1)
[0029] 假设PA的行为模型满足GMP(广义多项式)模型，则PA的输出与输入满足如下算式：
[0030]
[0031] 其中，p是非线性阶数，m是记忆深度，g是额外记忆
自由度，bp,m,0、qp,m,g与lp,m,g是相应系数。若设M＝0，G＝0，则x[n]与dt[n]满足如下算式：
[0032]
[0033] 在算式(2)中，p＝1,…,P为模型的非线性阶数，bp为多项式因子。算式(2)的矢量形式为：
[0034]
[0035] 其中，dp(n)＝[dt[n]|dt[n]0 dt[n]|dt[n]1...dt[n]|dt[n]P-1]T是由p枚举而成的dt[n]|dt[n]p-1构成的列矢量，bp＝[b1 b2...bP]T是由相应bp构成的列矢量。dt[n]＝d[n]*ht[n]。
[0036] 如图2所示，为本发明具体实施例的载波通信系统的物理层参量分离与个体识别方法。
[0037] S1、采集通信个体的发送信号。在本发明的具体实施例中，所述步骤S1具体为：对接收的单载波射频信号进行低噪放、载波恢复、符号同步与相关和过采样(采样率大于基带发送符号率的8倍)，构成接收数字复信号。
[0038] S2、构造训练序列非线性矩阵。
[0039] 具体的，所述构造训练序列非线性矩阵的方法包括：首先，根据通信帧的先验训练序列与发射机的非线性模型，构造训练序列非线性矢量。
[0040] 然后，根据所述训练序列非线性矢量、先验训练序列码元数目以及无线信道数目，构造训练序列非线性矩阵。
[0041] 以上述系统模型为例，所述训练序列非线性矩阵D可以由如下算式所表示：
[0042]
[0043] (Lx为先验训练序列码元数目，Lh为无线信道数目，dp(n)＝[dt[n]|dt[n]0 dt[n]|dt[n]1...dt[n]|dt[n]P-1]T为所述训练序列非线性矢量)。
[0044] S3、基于所述发送信号及训练序列非线性矩阵，通过预设的估计算法，获得发射机非线性模型系数与无线信道单位脉冲响应的克罗内克积的估计。所述预设的估计算法可以为任何满足或者近似满足最小均方误差准则的估计算法，例如最小二乘(LS)估计。
[0045] 以上述系统模型为例，可以设先验通信帧训练序列经发送滤波器后的离散信号个数为Lx，无线信道的数目为Lh，则接收离散信号长度为Lr＝Lx+Lh-1。算式(1)的矩阵表示为：
[0046]
[0047] 若设r＝[r[Lh],r[Lh+1],...,r[Lx-1]]T为接收信号矢量，h＝[h[0],h[1],...,h[Lh-1]]T为无线信道单位脉冲响应矢量，v＝[v[Lh],v[Lh+1],...,v[Lx-1]]T为噪声矢量，则(4)可写为：
[0048]
[0049] 其中， 为行矢量，Lh≤m≤Lx-1。
[0050] 将算式(3)代入上述行矢量表达式中，则有：
[0051]
[0052] 其中， 为Lh×Lh的单位阵，将算式(7)代入算式(5)中，则有：
[0053]
[0054] 其中， 表示克罗内克积(Kronecker积)运算，D为所述训练序列非线性矩阵(如上所述，D可以通过先验训练序列和单位脉冲响应所确定)。
[0055] 根据算式(8)， 的最小二乘(LS)估计为：
[0056]
[0057] r为接收数字复信号构成的矢量， 为所述克罗内克积的估计。
[0058] S4、通过预设的算法，从所述克罗内克积的估计中分离所述发射机非线性模型系数的估计及无线信道单位脉冲响应的估计两个参数。
[0059] 在本发明的具体实施例中，该分离方法具体为：
[0060] 首先，根据所述发射机非线性模型系统的个数，将对应的克罗内克积的估计进行分组。然后，将每一组中的元素除以第一个元素，获得所述发射机非线性模型系数的估计。
[0061] 然后，根据所述发射机非线性模型系数的估计以及所述通信帧的先验训练序列，获得对应的发射机发送序列估计并根据所述发射机发送序列估计和无线信道数目，构造发送序列卷积矩阵估计。
[0062] 最后，基于所述发送序列卷积矩阵估计，获得所述无线信道单位脉冲响应的估计。
[0063] 相应的理论推导为：由于Kronecker积运算的性质，把 依次分组，并把每组元素除以第一个元素，可消去无线信道的单位脉冲响应h，从而得到PA模型系数的估计。亦即，把 分成Lh组，每组P个元素； 为所得非线性模型系数估计。
[0064] 根据算式(2)，经PA后的发送信号估计为：
[0065]
[0066] 根据算式(5)，无线信道单位脉冲响应矢量的LS估计为：
[0067]
[0068] 其中， 为经过PA后的发送信号估计 根据式(5)与(6)构建的发送信号矩阵。
[0069] 相对应地，在本实施例中， 为相应的发射机基带发送信号估计， 为发送序列卷积矩阵估计， 为无线信道单位脉冲响应的估计，采用
LS估计作为近似满足最小均方误差(MMSE)准则的估计算法。
[0070] S5、将所述发射机非线性模型系数的估计及无线信道单位脉冲响应的估计组合形成发射机的特征矢量。
[0071] S6、基于所述特征矢量，进行训练、分类或者识别。
[0072] 相对应的，在本发明的具体实施例中，可以将PA的非线性模型系数估计与无线信道脉冲响应估计组合成特征矢量 由于通信个体的PA非线性模型系数与所处场景无线信道的单位脉冲响应具有
硬件与空间
位置的唯一性，可根据f进行特定通信个体的特征样本采集、训练、识别或分类，从而实现通信个体的身份识别。上述方法采用两种参数结合进行判断，准确率高。
[0073] 如图3所示，为上述系统模型的个体识别流程的具体实例。其包括：
[0074] Step1：采集信号，通过一次LS估计，获得Kronecker积的估计。
[0075] Step2：从所述Kronecker积的估计中消去无线信道单位脉冲响应，获得PA的非线性模型系数估计。
[0076] Step3：根据所述非线性模型系数估计，获得经过PA的实际发送信号估计。
[0077] Srep4：根据所述实际发送信号估计，进行二次LS估计，获得无线信道单位脉冲响应的估计。
[0078] Step5：根据上述两个参量，构造特征矢量，进行样本采集、训练、识别或者分类等。
[0079] 实施例1：上述系统模型及识别方法的数值仿真实验。
[0080] 该数值仿真实验首先基于一个通信个体与相应的无线信道，进行发射机PA非线性模型系数与无线信道单位脉冲响应的分离实验。然后采用基本的k-NN分类器，基于分离参数组合而成的特征矢量，进行两个通信个体与相应无线信道的分类实验。
[0081] 如图4所示，为仿真实验场景示意图。Transmitter-1与Transmitter-2分别表示两个不同的通信个体，Channel-1、Channel-2分别为Transmitter-1、Transmitter-2与接收机之间的无线信道。Transmitter-1与Channel-1构成一个“发射机与无线信道对”，用Transmitter-1/Channel-1表示；Transmitter-2与Channel-2构成另一个“发射机与无线信道对”,用Transmitter-2/Channel-2表示。
[0082] 两个通信个体的发射机PA非线性模型系数如下所示：
[0083] Transmitter-1 Transmitter-2
b3 -0.0910+0.1580i -0.0735-0.0114i
b5 0.2503+0.0286i -0.0986+0.0590i
b7 0.0155+0.0025i -0.0547-0.0055i
[0084] 无线信道为Rayleigh多径衰落信道，单位脉冲响应如下所示：
[0085] Channel-1 Channel-2
h0 -0.3130+0.2082i -0.3059+0.2034i
h1 -0.4798-0.3303i -0.4689-0.3227i
h2 0.0128+0.1218i 0.0125+0.1190i
[0086] 为衡量参数分离性能，定义通信个体发射机PA非线性模型系数bp与无线信道单位脉冲响应h的归一化估计误差(NE)为：
[0087]
[0088] 其中，NE越小，则参数分离越准确。实验中，通信帧的先验训练序列随机产生，调
制模式为BPSK、QPSK或16PSK；通信帧长为1024、2048与4096。两通信个体发射机的基带发送滤波器均为升余弦奈奎斯特滤波器。
[0089] 分离实验部分：
[0090] 当待分离参数的通信个体为Transmitter-1、无线信道为Channel-1时，假设通信帧训练序列的调制模式为QPSK；每个通信帧含1024个基带符号，基带符号
星座随机产生；共产生100个随机通信帧样本。
[0091] 对不同SNR、不同通信帧长与不同调制模式时的参量分离进行了仿真实验，采用LS算法进行估计。总体上，两参量的分离性能随着SNR的增加与通信帧的加长而更优。
[0092] 当调制模式为BPSK，通信帧长为512、1024与2048时， 与 的NE与SNR关系如下：
[0093]
[0094] 当
信噪比(SNR)为20dB时，100个帧得到的分离参数如下所示：
[0095]
[0096] 将分离的Transmitter-1与Channel-1参数与上述相应真实值对比可知，当SNR为20dB时，两参数得到了较好的分离。
[0097] 分类实验部分：
[0098] 把分离参数组合成特征矢量 进行Transmitter-1/Channel-1与Transmitter-2/Channel-2的分类实验。其中，Transmitter-1/Channel-1的特征矢量用f1表示，而Transmitter-2/Channel-2的特征矢量用f2表示。
[0099] 在不同SNR、不同通信帧长与不同调制模式下进行了基于f1与f2的分类实验。其中，每次分类实现的的训练样本个数为10，测试样本个数为10；k分别取为1至3。
[0100] 当调制模式为BPSK，通信帧长分别为512、1024与2048时，把f1与f2的
实部与
虚部分别作为特征矢量，基于k-NN分类器统计得到的Transmitter-1/Channel-1与Transmitter-2/Channel-2的错误分类率随SNR的变化规律如下所示。其中，通信帧数为1。
[0101]
[0102] 调制模式为BPSK、不同k与不同通信帧长时的错误分类率(实部)
[0103]
[0104] 调制模式为BPSK、不同k与不同通信帧长时的错误分类率(虚部)
[0105] 由上述表格可知，Transmitter-1/Channel-1与Transmitter-2/Channel-2的正确分类率随SNR的增加而增加，随通信帧长的加长而更优。
[0106] 可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及本发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的
权利要求的保护范围。
