一种新的时分多址信号射频特征及其在特定辐射源识别中的应用

潘一苇; 彭华; 李天昀; 王文雅

doi:10.11999/JEIT190163

引用本文: 潘一苇, 彭华, 李天昀, 王文雅. 一种新的时分多址信号射频特征及其在特定辐射源识别中的应用[J]. 电子与信息学报, doi: 10.11999/JEIT190163 shu

Citation: Yiwei PAN, Hua PENG, Tianyun LI, Wenya WANG. A Novel Radiometric Signature of Time-Division Multiple Access Signals and Its Application to Specific Emitter Identification[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190163 shu

一种新的时分多址信号射频特征及其在特定辐射源识别中的应用

战略支援部队信息工程大学信息系统工程学院郑州 450001

作者简介: 潘一苇: 男，1990年生，博士生，研究方向为通信信号处理、特定辐射源识别;
彭华: 男，1973年生，教授，研究方向为通信信号处理、软件无线电;
李天昀: 男，1979年生，副教授，研究方向为通信信号处理、软件无线电;
王文雅: 女，1991年生，硕士生，研究方向为通信信号处理、可见光通信

通讯作者: 潘一苇,novakd@163.com

基金项目: 国家自然科学基金(61401511, U1736107)

摘要: 时分多址(TDMA)信号特定辐射源识别(SEI)的性能主要受限于突发数据的长度。为此，该文提出一种新的射频特征，从载波相位上揭示了相邻时隙的用户是否相同，为相同用户的数据累积提供了依据。该文首先分析了特征的产生机理，并给出了提取方法；根据特征的统计特性，推导了自适应的判决门限，实现了相邻时隙用户身份的检测；在此基础上，设计了新的SEI处理流程，通过数据累积打破了每个时隙单独识别的传统思维。实验结果表明：该特征对噪声具备良好的鲁棒性，能够实现相邻时隙用户身份的准确检测；与传统做法相比，新的处理流程能够有效改善TDMA信号SEI的性能。

关键词:

English

A Novel Radiometric Signature of Time-Division Multiple Access Signals and Its Application to Specific Emitter Identification

Institute of Information System Engineering, Information Engineering University, Zhengzhou 450001, China

Corresponding author: Yiwei PAN,novakd@163.com

Received Date: 2019-03-20
Accepted Date: 2019-06-05
Available Online: 2019-01-01
Fund Project: The National Natural Science Foundation of China (61401511, U1736107)

Abstract: For Time-Division Multiple Access (TDMA) signals, the performance of Specific Emitter Identification (SEI) is primarily limited by burst duration. To remedy this shortcoming, a novel radiometric signature is presented, which reveals whether the users of the adjacent time slots are the same from a perspective of carrier phase, thereby providing the basis for data accumulation of the same user. First, the feature mechanism is introduced, as well as the extraction method. Thereafter, user identity detection of the adjacent slots is implemented with an adaptive threshold, which is derived from the distribution of the signature. Finally, a new SEI processing procedure is designed with data accumulation, which breaks the routine of identifying only one slot at a time. Simulation results demonstrate that the proposed signature is resilient against the noise, and can accurately detect the user identity of the adjacent slots. Compared with the traditional processing procedure, the proposed one can effectively improve the SEI performance of TDMA signals.

Key words:

Specific Emitter Identification (SEI)
/ Time-Division Multiple Access (TDMA) signals
/ Radiometric signature
/ Continuity of carrier phase

1. [1]
  DANEV B, ZANETTI D, and CAPKUN S. On physical-layer identification of wireless devices[J]. ACM Computing Surveys, 2012, 45(1): Article No.6. doi: 10.1145/2379776.2379782
2. [2]
  SPEZIO A E. Electronic warfare systems[J]. IEEE Transactions on Microwave Theory and Techniques, 2002, 50(3): 633–644. doi: 10.1109/22.989948
3. [3]
  MERCHANT K, REVAY S, STANTCHEV G, et al. Deep learning for RF device fingerprinting in cognitive communication networks[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 160–167. doi: 10.1109/JSTSP.2018.2796446
4. [4]
  DING Lida, WANG Shilian, WANG Fanggang, et al. Specific emitter identification via convolutional neural networks[J]. IEEE Communications Letters, 2018, 22(12): 2591–2594. doi: 10.1109/LCOMM.2018.2871465
5. [5]
  KIM K, SPOONER C M, AKBAR I, et al. Specific emitter identification for cognitive radio with application to IEEE 802.11[C]. Proceedings of IEEE Global Telecommunications, New Orleans, USA, 2008: 1–5.
6. [6]
  HAN Jie, ZHANG Tao, REN Dongfang, et al. Communication emitter identification based on distribution of bispectrum amplitude and phase[J]. IET Science, Measurement & Technology, 2017, 11(8): 1104–1112. doi: 10.1049/iet-smt.2017.0024
7. [7]
  BERTONCINI C, RUDD K, NOUSAIN B, et al. Wavelet fingerprinting of radio-frequency identification (RFID) tags[J]. IEEE Transactions on Industrial Electronics, 2012, 59(12): 4843–4850. doi: 10.1109/TIE.2011.2179276
8. [8]
  ZHANG Jingwen, WANG Fanggang, DOBRE O A, et al. Specific emitter identification via Hilbert-Huang transform in single-hop and relaying scenarios[J]. IEEE Transactions on Information Forensics and Security, 2016, 11(6): 1192–1205. doi: 10.1109/TIFS.2016.2520908
9. [9]
  任东方, 张涛, 韩洁, 等. 基于ITD与纹理分析的特定辐射源识别方法[J]. 通信学报, 2017, 38(12): 160–168. doi: 10.11959/j.issn.1000-436x.2017299
  REN Dongfang, ZHANG Tao, HAN Jie, et al. Specific emitter identification based on ITD and texture analysis[J]. Journal on Communications, 2017, 38(12): 160–168. doi: 10.11959/j.issn.1000-436x.2017299
10. [10]
  SATIJA U, TRIVEDI N, BISWAL G, et al. Specific emitter identification based on variational mode decomposition and spectral features in single hop and relaying scenarios[J]. IEEE Transactions on Information Forensics and Security, 2019, 14(3): 581–591. doi: 10.1109/TIFS.2018.2855665
11. [11]
  BRIK V, BANERJEE S, GRUTESER M, et al. Wireless device identification with radiometric signatures[C]. Proceedings of the 14th ACM International Conference on Mobile Computing and Networking, New York, USA, 2008: 116–127.
12. [12]
  PENG Linning, HU Aiqun, ZHANG Junqing, et al. Design of a hybrid RF fingerprint extraction and device classification scheme[J]. IEEE Internet of Things Journal, 2019, 6(1): 349–360. doi: 10.1109/JIOT.2018.2838071
13. [13]
  LIU Mingwei and DOHERTY J F. Specific emitter identification using nonlinear device estimation[C]. Proceedings of IEEE Sarnoff Symposium, Princeton, USA, 2008: 1–5.
14. [14]
  POLAK A C and GOECKEL D L. Wireless device identification based on RF oscillator imperfections[J]. IEEE Transactions on Information Forensics and Security, 2015, 10(12): 2492–2501. doi: 10.1109/TIFS.2015.2464778
15. [15]
  ZHANG Yi. Wireless transmitter IQ balance and sideband suppression[EB/OL]. http://www.analog.com/media/en/technical-documentation/applicationnotes/AN-1100.pdf, 2018. (请核对网址与文献信息是否一致)
16. [16]
  潘一苇, 彭华, 李天昀, 等. 针对特定辐射源识别的高精度符号同步方法[J]. 通信学报, 2018, 39(8): 106–112. doi: 10.11959/j.issn.1000-436x.2018132
  PAN Yiwei, PENG Hua, LI Tianyun, et al. High-precision symbol timing algorithm for specific emitter identification[J]. Journal on Communications, 2018, 39(8): 106–112. doi: 10.11959/j.issn.1000-436x.2018132
17. [17]
  DE OLIVEIRA M C and BITMEAD R R. High-fidelity modulation parameter estimation of non-cooperative transmitters: Carrier frequency[J]. Digital Signal Processing, 2011, 21(5): 632–637. doi: 10.1016/j.dsp.2011.03.002
18. [18]
  CHANG C C and LIN C J. LIBSVM: A library for support vector machines[EB/OL]. http://www.csie.ntu.edu.tw/~cjlin/libsvm, 2018.
1. [1]
  潘一苇, 杨司韩, 彭华, 李天昀, 王文雅. 基于矢量图的特定辐射源识别方法. 电子与信息学报,
2. [2]
  黄颖坤, 金炜东, 葛鹏, 李冰. 基于多尺度信息熵的雷达辐射源信号识别. 电子与信息学报,
3. [3]
  吕晓德, 张汉良, 刘忠胜, 孙正豪, 刘平羽. 基于LTE信号的外辐射源雷达同频基站干扰抑制方法研究. 电子与信息学报,
4. [4]
  郭一鸣, 彭华. 成对载波多址复用混合信号非合作接收单通道盲分离性能界. 电子与信息学报,
5. [5]
  张玉, 李天琪, 张进, 唐波. 基于集成固有时间尺度分解的IFF辐射源个体识别算法. 电子与信息学报,
6. [6]
  刘政怡, 段群涛, 石松, 赵鹏. 基于多模态特征融合监督的RGB-D图像显著性检测. 电子与信息学报,
7. [7]
  渠晓东, 孙阳, 陈冲, 石俊龙, 许鑫, 李巨涛, 朱万华, 方广有. 超短基线电磁脉冲阵在电磁辐射源测向中的应用. 电子与信息学报,
8. [8]
  李浩, 卢海梁, 余锐, 吕容川, 李一楠, 王佳坤, 苗俊刚. 一种L波段相控阵微波辐射计射频干扰检测算法. 电子与信息学报,
9. [9]
  何怡刚, 佘培亮, 佐磊, 张超群. 超高频射频识别近场系统互耦效应中频率偏移研究. 电子与信息学报,
10. [10]
  孙慧贤, 刘建成, 崔佩璋, 全厚德, 唐友喜. 基于多通道最小均方算法的多发单收同车电台射频干扰对消. 电子与信息学报,
11. [11]
  李世宝, 王升志, 刘建航, 黄庭培, 张鑫. 基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建. 电子与信息学报,
12. [12]
  费高雷, 张亚萌, 胡志宇, 周磊, 胡光岷. 基于网络结构特征的IP所属区域识别. 电子与信息学报,
13. [13]
  陈路昭, 朱万华, 吴佩霖, 费春娇, 方广有. 地磁背景环境中基于分形特征的磁异常信号检测算法. 电子与信息学报,
14. [14]
  张天骐, 刘董华, 袁帅, 王胜. 组合二进制偏移载波信号的伪码周期及组合码序列盲估计. 电子与信息学报,
15. [15]
  黄容兰, 刘云, 李啟尚, 唐文. 基于非正交多址接入中继通信系统的功率优化. 电子与信息学报,
16. [16]
  罗会兰, 卢飞, 严源. 跨层融合与多模型投票的动作识别. 电子与信息学报,
17. [17]
  黄盛. 两用户非正交多址接入的最优时延均衡和功率控制方法. 电子与信息学报,
18. [18]
  唐伦, 马润琳, 杨恒, 陈前斌. 基于非正交多址接入的网络切片联合用户关联和功率分配算法. 电子与信息学报,
19. [19]
  申滨, 吴和彪, 崔太平, 陈前斌. 基于最优索引广义正交匹配追踪的非正交多址系统多用户检测. 电子与信息学报,
20. [20]
  汪荣贵, 韩梦雅, 杨娟, 薛丽霞, 胡敏. 多级注意力特征网络的小样本学习. 电子与信息学报,

图 1 TDMA突发数据结构

下载: 全尺寸图片幻灯片

图 2 直接变频发射机的典型结构

下载: 全尺寸图片幻灯片

图 3 传统的TDMA信号SEI处理流程

下载: 全尺寸图片幻灯片

图 4 根据一段实际信号计算得到的升序向量

下载: 全尺寸图片幻灯片

图 5 新的TDMA信号SEI处理流程

下载: 全尺寸图片幻灯片

图 6 不同判决门限下的检测正确率

下载: 全尺寸图片幻灯片

图 7 不同信噪比下的漏检概率和虚检概率

下载: 全尺寸图片幻灯片

图 8 不同信噪比下有/无数据累积的识别正确率

下载: 全尺寸图片幻灯片

图 9 不同观测时长对算法性能的影响

下载: 全尺寸图片幻灯片

表 1 不同信噪比下的检测性能

信噪比${{{E_S}} / {{N_0}}}$(dB)	判决门限$\gamma $	检测概率${P_{\rm{d}}}$(%)	检测正确率${P_{\rm{c}}}$(%)
10	0.0582	99.6723	97.2490
12	0.0467	99.6969	97.6732
14	0.0386	99.7077	98.0256
16	0.0336	99.7108	98.2951
18	0.0304	99.7369	98.4334
20	0.0285	99.7431	98.5184
22	0.0273	99.8092	98.6035
24	0.0266	99.8215	98.6404