謝星麗,謝躍雷,2

(1.桂林電子科技大學(xué) 信息與通信學(xué)院,廣西 桂林 541001;2.衛(wèi)星導(dǎo)航定位與位置服務(wù)國家地方聯(lián)合工程研究中心,廣西 桂林 541001)

0 引 言

無線信號識別是指通過挖掘電磁波攜帶的數(shù)據(jù)信息及發(fā)射機(jī)個體信息,提取出差異性特征,進(jìn)而識別出信號的類型及輻射源個體,主要包括調(diào)制識別[1]和輻射源個體識別[2]。無線信號識別技術(shù)在電子對抗、頻譜資源管理、認(rèn)知無線通信、無線網(wǎng)絡(luò)物理層安全認(rèn)證等領(lǐng)域有著廣泛的應(yīng)用前景。近年來,基于深度學(xué)習(xí)的端到端識別方法成為了無線信號識別的研究熱點(diǎn)之一。接收信號的數(shù)據(jù)表征形式是影響識別性能的一個關(guān)鍵因素,星座圖就是一種有效的數(shù)據(jù)表征形式。

星座圖包含了幅度和相位信息,能夠?qū)⒄{(diào)制信號的信息映射在二維平面上。文獻(xiàn)[3]提出了一種基于星座密度矩陣的調(diào)制分類算法,使用ResNet-50和 Inception ResNet V2兩個模型識別不同階數(shù)的ASK、PSK和QAM,其分類效果優(yōu)于其他的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)模型。文獻(xiàn)[4]中利用二值化深度神經(jīng)網(wǎng)絡(luò)對電磁信號的密度星座圖進(jìn)行識別,在保證識別準(zhǔn)確率的同時(shí)明顯降低了模型存儲開銷以及計(jì)算開銷。文獻(xiàn)[5]提出了一種“FIF-Net”深度卷積神經(jīng)網(wǎng)絡(luò)模型,在0 dB信噪比下對8種數(shù)字調(diào)制方式的星座圖進(jìn)行識別,達(dá)到了87%的識別精度。文獻(xiàn)[6]使用k-medoids算法對平坦衰落信道中PSK和QAM信號的星座圖進(jìn)行識別,實(shí)驗(yàn)結(jié)果表明,該算法的性能優(yōu)于一些現(xiàn)有的分類器,且計(jì)算復(fù)雜度更低。

發(fā)射機(jī)的固有頻偏及I/Q調(diào)制不平衡等硬件缺陷會導(dǎo)致星座圖符號產(chǎn)生變化,這些符號中包含了輻射源的個體差異信息。文獻(xiàn)[7]通過獲得輸入信號的差分星座軌跡圖,并基于PACGAN的輻射源個體識別算法對5種ZigBee設(shè)備進(jìn)行實(shí)驗(yàn),證明了此算法在小樣本條件下相較于其他方法具有更高的準(zhǔn)確性。文獻(xiàn)[8]提出了一種基于差分星座軌跡圖的特征提取方法,完成了無線設(shè)備身份的識別。文獻(xiàn)[9]基于聚類算法獲得信號差分星座軌跡圖的聚類中心,采用歐氏距離的相似度計(jì)算方法,對設(shè)備聚類中心進(jìn)行匹配,實(shí)現(xiàn)終端設(shè)備的身份認(rèn)證。文獻(xiàn)[10]提出了一種多區(qū)間差分星座軌跡圖的射頻指紋識別方法,解決了低信噪比下信號特征受噪聲影響的問題。

然而,上述所提及對無線信號的調(diào)制方式識別和輻射源個體識別的研究是基于單個模型,若需要同時(shí)識別多個任務(wù),則要單獨(dú)訓(xùn)練多個深度學(xué)習(xí)網(wǎng)絡(luò),會消耗更多時(shí)間和硬件資源。隨著軟件無線電技術(shù)的發(fā)展,同一發(fā)射設(shè)備可實(shí)現(xiàn)的調(diào)制方式也越來越多,如何在識別出無線信號的調(diào)制方式的同時(shí)識別出輻射源個體,變得十分必要。

借鑒多任務(wù)學(xué)習(xí)的思想,本文提出了一種多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),利用卷積層作為共享模塊,將802.11b/g無線信號的差分星座軌跡圖送入多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理,同時(shí)識別出了調(diào)制方式和輻射源個體。采用多任務(wù)學(xué)習(xí)的形式,提高了模型的訓(xùn)練速度、準(zhǔn)確率和魯棒性。

1 系統(tǒng)模型

在無線通信系統(tǒng)中,發(fā)射機(jī)先將二進(jìn)制信息進(jìn)行調(diào)制轉(zhuǎn)換成復(fù)基帶信號,復(fù)基帶信號經(jīng)過數(shù)模轉(zhuǎn)換器后,送入模擬電路部分進(jìn)行上變頻及射頻功率放大器,最后經(jīng)天線以電磁波的形式輻射出去。信號發(fā)射過程主要由調(diào)制模塊、數(shù)/模轉(zhuǎn)換器、上變頻器、功率放大器等電路實(shí)現(xiàn)。接收機(jī)接收過程則與信號發(fā)射過程相反。

假設(shè)發(fā)射機(jī)發(fā)射信號為

s(t)=x(t)e-j2πfct。

(1)

式中:fc為發(fā)射機(jī)載波頻率;x(t)為調(diào)制后的復(fù)基帶信號,表達(dá)式如下

x(t)=∑nkng(t-nTb) 。

(2)

式中:kn=an+jbn表示調(diào)制符號;g(t)表示成型濾波器;Tb為碼元周期。

在理想信道中,接收機(jī)的接收信號r(t)=s(t),若接收機(jī)載波頻率為fr,則接收機(jī)進(jìn)行下變頻后的基帶信號可表示為

y(t)=r(t)ej2πfrt=s(t)ej2πfrt。

(3)

由于發(fā)射機(jī)和接收機(jī)的載波頻率存在偏差,即fc≠fr,故令Δf=fr-fc,φ為相位誤差,則

y(t)=x(t)ej(2πΔft+φ)=

(4)

當(dāng)采用不同調(diào)制技術(shù)時(shí),式(1)中得到的發(fā)射信號s(t)不同,如802.11b信號的物理層采用直接序列擴(kuò)頻(Direct Sequence Spread Spectrum,DSSS)調(diào)制技術(shù),802.11g信號的物理層則采用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)技術(shù)。

輻射源的個體差異性信息也稱為“射頻指紋”,其主要是由于發(fā)射機(jī)中數(shù)/模轉(zhuǎn)換器的分辨率有限、濾波器的頻率響應(yīng)誤差、混頻器載波頻率誤差以及功率放大器的非線性所產(chǎn)生的。

假設(shè)輻射源個體類標(biāo)集合為C1={1,2,3,…,m},調(diào)制方式類標(biāo)集合為C2={1,2,3,…,n}。輻射源個體識別任務(wù)的目的是通過學(xué)習(xí)一個函數(shù)f1(x),該函數(shù)將輸入的信號映射到對應(yīng)的輻射源類別標(biāo)簽空間C1,并且能夠?qū)崿F(xiàn)正確分類。調(diào)制方式識別任務(wù)的目的則是通過學(xué)習(xí)函數(shù)f2(x),將輸入的信號映射到相應(yīng)的標(biāo)簽空間C2,對預(yù)測的信號有效識別出調(diào)制類型。

2 信號預(yù)處理

2.1 提取差分星座軌跡圖

原始星座圖是將I/Q信號直接對應(yīng)在復(fù)平面上。復(fù)平面中的星座圖包含了調(diào)制信號的幅度和相位信息,直觀表現(xiàn)出了信號具有的調(diào)制特征,采用無線信號圖像識別方法可以提取出基于星座軌跡圖的輻射源指紋特征和調(diào)制類型特征。

然而,使用原始星座圖作為特征時(shí),由于接收機(jī)和發(fā)射機(jī)之間存在著載頻偏差,導(dǎo)致實(shí)際接收點(diǎn)和理想接收點(diǎn)產(chǎn)生誤差。隨著采樣時(shí)間的變化,會造成星座圖整體旋轉(zhuǎn)。圖1所示的同心圓則為采用OFDM調(diào)制技術(shù)的802.11g無線信號對應(yīng)的原始星座圖。為了解決載頻偏差,消除實(shí)際接收符號偏移而導(dǎo)致的星座圖旋轉(zhuǎn)問題,本文采用差分處理的方法,按照一定的差分間隔對星座圖進(jìn)行處理得到差分星座軌跡圖(Differential Constellation Trace Figure,DCTF)。

圖1 路由器1產(chǎn)生的OFDM調(diào)制信號的原始星座圖

對式(4)進(jìn)行公式(5)所示的差分操作:

d(t)=y(t)·y*(t+n)=x(t)·x(t+n)e-j2πΔfn。

(5)

式中:d(t)為差分處理后的信號;y*為共軛值;n為差分間隔。

雖然式中也存在著旋轉(zhuǎn)因子e-j2πΔfn,但差分后的信號d(t)只與載頻偏差Δf、發(fā)射信號x(t)和差分間隔n有關(guān)。

完成處理后的同一路由器設(shè)備對應(yīng)的兩種不同調(diào)制方式的差分星座軌跡圖如圖2所示,不同設(shè)備相同調(diào)制方式的差分星座軌跡圖如圖3所示。

(a)路由器1產(chǎn)生的OFDM調(diào)制信號

(a)路由器1產(chǎn)生的OFDM調(diào)制信號

信號差分運(yùn)算的結(jié)果對應(yīng)在復(fù)平面的有限個位置處,符號分布的位置與信號所采用的調(diào)制方式有關(guān)。對于DSSS和OFDM調(diào)制信號,差分后的結(jié)果在復(fù)平面分布的位置不同,差分星座軌跡圖的形狀也不同。

同時(shí),設(shè)備在生產(chǎn)時(shí)存在的物理硬件差異,使得不同的設(shè)備差分處理后的差分聚集點(diǎn)角度明顯不同。

2.2 差分密度處理

差分處理后,對所得差分星座軌跡圖進(jìn)行密度處理,目的是為了加強(qiáng)突出差分星座軌跡圖圖像的特征。I路和Q路信號的特征落在像素值內(nèi),散點(diǎn)密度處理得到的軌跡圖如圖4所示。圖中差分點(diǎn)的分布情況表現(xiàn)為不同的顏色,顏色越深,差分點(diǎn)越密集。

(a)路由器1產(chǎn)生的DSSS調(diào)制信號

3 基于多任務(wù)學(xué)習(xí)的無線信號識別方案

3.1 多任務(wù)學(xué)習(xí)機(jī)制

多任務(wù)學(xué)習(xí)(Multi-task Learning,MTL)是遷移學(xué)習(xí)算法的一種,是指多個任務(wù)共同學(xué)習(xí)、聯(lián)合訓(xùn)練的過程[11],它能夠利用任務(wù)之間的相關(guān)性來改善每個任務(wù)的性能。多任務(wù)主要分為硬共享和軟共享兩種方式[12]。硬參數(shù)共享在所有任務(wù)的底層中共享參數(shù),在特定任務(wù)的頂層使用各自任務(wù)的獨(dú)有參數(shù)[13]。而軟共享則為每個任務(wù)設(shè)計(jì)相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu),在參數(shù)學(xué)習(xí)的過程中通過施加范數(shù)來進(jìn)行任務(wù)間的約束[14]。文獻(xiàn)[15]提出了一種FGNET-MASK多任務(wù)深度學(xué)習(xí)模型,以硬參數(shù)共享的形式對配戴口罩者同時(shí)進(jìn)行年齡、性別和表情的識別,結(jié)果表明多任務(wù)模型減少了工作量且能產(chǎn)生更好的識別精度。文獻(xiàn)[16]提出了交叉型結(jié)構(gòu)的JMRPE-Net的深度多任務(wù)神經(jīng)網(wǎng)絡(luò),其具有3個卷積層組成共享模塊和長短期記憶層分支,主要用于雷達(dá)信號的調(diào)制識別和參數(shù)估計(jì)任務(wù)。文獻(xiàn)[17]提出了一種基于多任務(wù)學(xué)習(xí)的多門專家混合位置傾向性得分預(yù)測模型,利用其他場景中的共享信息幫助相似場景任務(wù)的學(xué)習(xí),解決了多場景數(shù)據(jù)聯(lián)合訓(xùn)練時(shí)預(yù)測準(zhǔn)確性不佳的問題。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文參照如圖5所示的VGG16模型,以硬共享的方式構(gòu)建了一種多任務(wù)框架,沿用VGG16中的前三個卷積模塊作為MTL網(wǎng)絡(luò)的共享部分,修改全連接層的結(jié)構(gòu)和參數(shù)作為非共享部分,最終得到的MTL結(jié)構(gòu)參數(shù)如圖6所示。

圖5 VGG16模型參數(shù)

圖6 MTL網(wǎng)絡(luò)模型參數(shù)

卷積(convolution)操作是為了提取特征。本文均采用大小為3×3的二維卷積核,卷積核在卷積操作中自動提取出圖片的特征。

最大池化(max pooling)的作用是為了減少冗余特征信息,減少參數(shù)數(shù)量和計(jì)算量,在一定程度上防止過擬合。

全連接層的目的是將卷積層部分提取出來的特征進(jìn)行映射。通過Flatten層展開成一維向量,連接到全連接層softmax函數(shù)用于分類識別任務(wù),其定義式為

(6)

式中:xi為第i個節(jié)點(diǎn)的輸出值;N為分類類別數(shù)。softmax作為最后全連接層的激活函數(shù),將輸出結(jié)果映射為(0,1)區(qū)間的概率分布。

3.3 訓(xùn)練步驟

多任務(wù)學(xué)習(xí)主要采用交替訓(xùn)練和聯(lián)合訓(xùn)練兩種方式。交替訓(xùn)練是指訓(xùn)練數(shù)據(jù)集各自獨(dú)立,網(wǎng)絡(luò)分別交替收斂每個任務(wù)的損失函數(shù)。聯(lián)合訓(xùn)練指所有任務(wù)使用同一個數(shù)據(jù)集,但這個數(shù)據(jù)集帶有不同的標(biāo)簽,網(wǎng)絡(luò)總損失為每個任務(wù)對應(yīng)的損失函數(shù)加權(quán)和。

本文所提出的多任務(wù)802.11b/g識別網(wǎng)絡(luò),其數(shù)據(jù)集采用同一個DCTF樣本集制作多標(biāo)簽數(shù)據(jù),同時(shí)包含輻射源類別標(biāo)簽和調(diào)制類別標(biāo)簽,并選用聯(lián)合訓(xùn)練的方式進(jìn)行訓(xùn)練。多任務(wù)網(wǎng)絡(luò)的訓(xùn)練過程如圖7所示。

圖7 多任務(wù)無線信號網(wǎng)絡(luò)訓(xùn)練過程

具體步驟如下:

Step1 數(shù)據(jù)集統(tǒng)一進(jìn)行預(yù)處理,得到包含輻射源識別任務(wù)和調(diào)制方式識別任務(wù)的屬性標(biāo)簽。

Step2 輸入的數(shù)據(jù)集首先通過三個卷積模塊構(gòu)成的共享層挖掘不同任務(wù)的潛在聯(lián)系和淺層的特征,從而實(shí)現(xiàn)特征共享。

Step3 各個任務(wù)通過非共享部分的全連接層映射卷積層提取的特征,其中兩個全連接層分支的結(jié)構(gòu)和參數(shù)不同,保留了各自任務(wù)獨(dú)有的特點(diǎn)。

Step4 最后通過Softmax分類器分別輸出所對應(yīng)任務(wù)的類別號。網(wǎng)絡(luò)的總損失為輻射源交叉熵?fù)p失和調(diào)制方式交叉熵?fù)p失之和。整個訓(xùn)練過程均使用ReLU函數(shù)作為網(wǎng)絡(luò)的激活函數(shù)。

本文所使用的交叉熵?fù)p失函數(shù)表達(dá)式為

(7)

輻射源識別任務(wù)的交叉熵?fù)p失函數(shù)記為Lossf,調(diào)制方式識別任務(wù)的交叉熵?fù)p失函數(shù)記為Lossx,則多任務(wù)無線信號識別框架的總損失函數(shù)為

Losstotal=α1Lossf+α2Lossx。

(8)

式中:α1,α2表示每個任務(wù)所對應(yīng)的權(quán)重系數(shù),用來平衡每個任務(wù)之間的關(guān)系。通過對每項(xiàng)任務(wù)的損失權(quán)重系數(shù)進(jìn)行調(diào)節(jié),使網(wǎng)絡(luò)的性能達(dá)到最優(yōu)。在該系統(tǒng)中,由于兩個任務(wù)所占比重同等重要,故權(quán)重系數(shù)比設(shè)置為1∶1。

基于多任務(wù)的無線信號識別模型由于其共享機(jī)制的優(yōu)點(diǎn)使得模型縮短了訓(xùn)練的時(shí)間,降低了模型過擬合的風(fēng)險(xiǎn),在一定程度上提升了性能。

4 實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)來源

實(shí)驗(yàn)中采用USRP2954設(shè)備接收WiFi路由器發(fā)出的信號,由USRP2954中的通信子板對模擬信號進(jìn)行濾波和下變頻后將信號處理至中頻段,由ADC元件轉(zhuǎn)換為數(shù)字域信號,最后由PC端接收基帶信號。

具體地,USRP2954設(shè)備過采樣接收6個HUAWEI WS5106路由器發(fā)射的信號。路由器設(shè)備預(yù)先設(shè)定的IEEE802.11b協(xié)議標(biāo)準(zhǔn)和IEEE802.11g協(xié)議標(biāo)準(zhǔn)的無線信號,分別對應(yīng)DSSS和OFDM調(diào)制方式,通過交叉組合可得到12組樣本數(shù)據(jù),采集過程如圖8所示。為了保證所采數(shù)據(jù)的準(zhǔn)確性,將路由器設(shè)定工作在2.4 GHz頻段的信道1,信道1的中心頻率為2.412 GHz,接收端過采樣頻率為20 MHz。

圖8 無線信號數(shù)據(jù)采集

數(shù)據(jù)采集階段所采集到的802.11b/g無線信號為物理層I/Q信號。由于I/Q數(shù)據(jù)點(diǎn)是隨時(shí)間進(jìn)行采樣,因此接收到的數(shù)據(jù)會出現(xiàn)間斷不連續(xù)的情況。對于間斷的數(shù)據(jù),將其視為無效數(shù)據(jù)。本文采用滑動窗口的方法進(jìn)行數(shù)據(jù)篩選,根據(jù)波形圖選取一段有效數(shù)據(jù)的幅值作為閾值進(jìn)行判斷,若選取的N個采樣點(diǎn)內(nèi)的I/Q信號幅值均大于閾值,則篩選為有效數(shù)據(jù)。

4.2 數(shù)據(jù)集制作

數(shù)據(jù)集中包含了7 000個樣本,每個樣本為2 000個有效采樣點(diǎn)繪制的差分星座軌跡圖。生成的DCTF數(shù)據(jù)集按照7∶3的比例劃分為訓(xùn)練集和測試集。訓(xùn)練集用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),測試集用于評價(jià)模型的識別精度。調(diào)制方式識別和輻射源識別均作為圖像分類識別問題,根據(jù)調(diào)制方式類型和輻射源個體制作出相應(yīng)的類別標(biāo)簽。解決多分類問題時(shí),通常要對標(biāo)簽進(jìn)行二值化。因此,對輻射源識別任務(wù)的標(biāo)簽進(jìn)行二值化處理得到[1 0 0…0]的形式。

4.3 環(huán)境配置

本文使用python3.7,CPU型號為Intel(R) Core(TM)i5-9500,環(huán)境為keras 2.2.3+tensorflow 2.1.0,利用keras搭建模型框架,tensorflow作為后端。

4.4 實(shí)驗(yàn)結(jié)果

在深度學(xué)習(xí)中,常見的評價(jià)指標(biāo)有準(zhǔn)確率、召回率、錯誤率等。本為采用準(zhǔn)確率指標(biāo)來對實(shí)驗(yàn)結(jié)果進(jìn)行分析。

準(zhǔn)確率(accuracy)表示預(yù)測正確的正負(fù)例樣本在總樣本中所占比例準(zhǔn)確率:

(9)

式中:TP表示正例樣本預(yù)測為正;TN表示負(fù)例樣本預(yù)測為負(fù);FP表示負(fù)類樣本預(yù)測為正;FN表示正例樣本預(yù)測為負(fù)。

在實(shí)驗(yàn)過程中,將制作好的DCTF多標(biāo)簽數(shù)據(jù)集作為輸入,用訓(xùn)練集進(jìn)行模型訓(xùn)練。Epochs為100輪,bitch size大小設(shè)置為12,學(xué)習(xí)率為0.000 1,采用Adam優(yōu)化器。反復(fù)調(diào)參訓(xùn)練后得到最佳的模型,使用劃分好的測試集進(jìn)行測試。在實(shí)驗(yàn)中,為了對多任務(wù)模型的屬性進(jìn)行對比,本文還設(shè)置了網(wǎng)絡(luò)結(jié)構(gòu)、超參數(shù)相同的兩個輻射源識別和調(diào)制方式識別的單任務(wù)模型進(jìn)行比對。

在理想無噪聲的情況下,實(shí)驗(yàn)測試集結(jié)果如圖9所示。

圖9 無噪聲時(shí)網(wǎng)絡(luò)測試集識別精度比較

實(shí)驗(yàn)測試集的單任務(wù)和多任務(wù)的混淆矩陣如圖10～13所示。

圖10 單任務(wù)輻射源識別

圖11 多任務(wù)輻射源識別

圖13 多任務(wù)調(diào)制方式識別

從上述的混淆矩陣可以得出,在MTL網(wǎng)絡(luò)中,輻射源個體識別和調(diào)制方式識別的準(zhǔn)確率在單任務(wù)的基礎(chǔ)上分別平均提高了1.17%和3%。

為了驗(yàn)證多任務(wù)模型在不同噪聲環(huán)境下的測試性能,通過對采集的數(shù)據(jù)加入白噪聲,得出如圖14所示的測試精度。

圖14 不同信噪比下模型的測試結(jié)果

當(dāng)信噪比高于20 dB時(shí),多任務(wù)輻射源識別和調(diào)制方式識別任務(wù)的準(zhǔn)確率均在92%以上。而隨著信噪比的下降,DCTF的特征會由于噪聲而變得模糊,導(dǎo)致識別率下降。但對比單任務(wù)的實(shí)驗(yàn)結(jié)果可以看出,即使在低信噪比下,MTL模型識別性能仍然比單任務(wù)好。

此外,對比單任務(wù)模型和多任務(wù)模型在相同超參數(shù)下訓(xùn)練所用時(shí)長和模型所占內(nèi)存,得到表1所示的結(jié)果。

表1 單任務(wù)和多任務(wù)模型訓(xùn)練時(shí)長和所占內(nèi)存

從表中可以看出,在相同的超參數(shù)設(shè)置下,訓(xùn)練多任務(wù)模型的網(wǎng)絡(luò)參數(shù)總量以及所消耗的時(shí)間均比兩個單任務(wù)模型總和少,且訓(xùn)練完成的多任務(wù)模型所占用的內(nèi)存也比兩個單任務(wù)模型所占內(nèi)存小。

5 結(jié)束語

本文提出了一種基于多任務(wù)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)802.11b/g無線信號的識別。通過對802.11b/g無線信號的星座圖進(jìn)行差分處理獲取差分星座軌跡圖作為輸入特征,并將輻射源個體和調(diào)制方式分類同時(shí)作為網(wǎng)絡(luò)的目標(biāo)函數(shù),聯(lián)合訓(xùn)練上述兩個任務(wù)。通過實(shí)驗(yàn)證明了該網(wǎng)絡(luò)在單任務(wù)的基礎(chǔ)上能夠有效提升識別精度和泛化性能,但在低信噪比情況下,識別率有所降低。因此,接下來可以針對如何在低信噪比下提高模型的識別精度展開進(jìn)一步的研究。