基于器件级仿真的用户设备射频指纹识别技术研究*

基于器件级仿真的用户设备射频指纹识别技术研究*一文创作于：2023-04-12 11:51:55，全文字数：13416。

基于器件级仿真的用户设备射频指纹识别技术研究*

��真程度。图5 为三次多项式功放模型AM-AM 曲线。

图4 功放AM/AM和AM/PM模型

图5 三次多项式功放模型AM/AM曲线

发射机的其他RF 参数如表2 所示，此时TM1.1 QPSK 测试信号对应的均方根（RMS,Root Mean Square）EVM 和ACPR分别为0.912%、ACPR1=-45.77 dBc、ACPR2=-73.27 dBc。功率回退值等于14 dB，功放工作在线性工作区。随着可变增益放大器（VGA,Variable Gain Amplifiers）增益增大，功放的功率回退值减小，功放的非线性表现明显。

表2 发射机默认参数配置

2 仿真平台合理性分析

针对100 个5G UE 发射机进行SRS 物理信号基带I/Q 数据生成，其中参数分布假设和范围如下：IQ 相位不平衡参数（均匀分布）范围-9°～9°、IQ 增益不平衡参数（均匀分布）范围-1.1～1.1 dB、IP3 参数（卡方分布）范围35～47 dB、P1dB 参数（卡方分布）范围25～35 dB、载波频率偏移（CFO,Carrier Frequency Offset）参数范围-220°～220°，此时对应的最大RMS EVM=14.483%，最大ACPR1=-35.25 dBc、ACPR2=-57.22 dBc，满足协议要求，对应的星座图和EVM 如图6 所示。

图6 发射机最大容差时TM1.1测试信号星座图和EVM

图7 为100 UE 参数分布情况，其中IQ 不平衡满足均匀分布，PA 非线性满足卡方分布（本文对卡方分布进行了相应的镜像翻转，使大部分设备表现为弱非线性，这与实际终端设备中所采用数字预失真（DPD,Digital Pre-Distortion）等功放预失真技术效果类似）。

图7 100个UE参数分布可视化

3 仿真实验

针对UE 具体的射频指纹识别（RFFI,Radio Frequency Fingerprint Identification）流程如图8 所示。基站接收到终端5G 信号，之后经过数据集划分等预处理，得到训练集和测试集输入到深度学习模型中进行训练，提取深度指纹特征，并输入到分类器中实现终端设备分类。

图8 射频指纹识别流程

3.1 基本网络架构

卷积神经网络的局部相关性和平移等变性两种归纳偏置，在RFF 识别中同样适用，因为RFF 识别本质是从发射机波形中提取设备的无意调制特征，而接收机接收的通信信号一般满足非平稳、非高斯、非线性等特点，通过卷积的两种归纳偏置，可以方便地捕捉信号中的非平稳无意调制特征[10-13]。此外，对于卷积神经网络而言，网络深度加深的同时，网络的计算量也在飞速增长。为了兼顾网络的深度以及计算的耗费时间，本文设计表3 所示的网络架构以及参数：

表3 CNN 网络结构

3.2 仿真参数设置

由于仿真生成数据集是复数信号，无法直接输入神经网络，为此进行数据预处理操作。对仿真的复数信号进行重采样，得到采样点数870 点，最后将信号分别取出实部和虚部，保存到不同的通道数，得到（5 000,len,2）三维数组，len 表示输入信号的采样点数，5 000 表示总样本数，10 类设备每类500 个样本。并按照9: 1 的比例划分好训练集和测试集，将训练数据集和测试数据集输入到构建的卷积网络进行训练测试，损失函数采用交叉熵损失函数，beachsize 设置为64，优化器采用Adam。设置初始学习率为0.005，最大训练轮数为140 轮。为了避免出现陷入局部最小值或者过拟合的现象，网络训练过程中还引入了学习率动态调整机制和早停机制。计算平台参数：Intel（R）Core i7-12700KF CPU@3.60 GHz；RAM：32.00 GB，GPU：NVIDIA GeForce RTX 3080。

3.3 不同输入表征对RFF识别影响

本文首先探讨不同输入信号输入表征形式对RFF 识别率的影响，分别将以信号的IQ 形式、幅度相位形式[14]、FFT形式[15]输入到CNN 网络中进行识别，得到10 类和100 类UE 设备15 dB 下的识别准确率，具体结果如表4 所示。

表4 信号不同输入形式对RFF识别影响

其中IQ 形式识别准确率最高，证明信号的IQ 形式最能代表信号的原始特征信息，同时也能高效提取IQ 信号中采样点之间的关联特征，提高识别率，在后续实验中采用信号的IQ 输入形式。

3.4 不同模块组合对RFF识别影响

本部分探究不同网络模型提取的不同特征对射频指纹识别的影响，将CNN 网络的识别率定为基线，之后CNN 网络上加入不同的模块，包括LSTM、Transformer、ResNet、ComplexCNN、Inception 以及各种注意力模块，图9 记录了测试集上准确率：

图9 不同模块下在不同信噪比下的识别准确率

结果表明，在加入不同模块后，识别准确率相较于CNN基线模型均有不同程度的提升，这是因为加入不同模块后，网络模型能够提取到更全面的特征信息，从而进行更好的识别分类。0～10 dB 时，除Inception 外，均有1%～2%的提升，说明加了不同模块后，提取的特征对噪声的鲁棒性提高，能有效提高识别准确率；而在10 dB 以上，不同模块在仿真数据上均能达到较好的识别率。表5 为不同模块15 dB 下不同场景识别率。

表5 不同模块15 dB下不同场景识别率

4 结束语

本文对NR UE 发射机的缺陷和信道效应进行了系统的建模，并对其对RFFI 的影响进行了广泛的测试和仿真。具体来说，稳定的硬件损伤包括相位噪声、IQ 不平衡和PA 非线性，而时变的缺陷包括载波频率偏移和放大器噪声。仿真结果表明，相位噪声、IQ 不平衡和PA 非线性适用于RFFI，这些都可以用来实现最佳的分类精度。当传输相同内容的SRS 信号时，卷积神经网络可以在信噪比为15 dB 的情况下对10 个具有随机分布的发射器损伤的UE 进行分类，其准确率达到98%。

《基于器件级仿真的用户设备射频指纹识别技术研究*》在线阅读地址：基于器件级仿真的用户设备射频指纹识别技术研究*