基于复数网络与模型压缩的航空器个体识别与认证技术

来自 搜狐网 的图片

基于复数网络与模型压缩的航空器个体识别与认证技术物联网（Internet of Things）自首次提出以来，引起了学术界和工业界的广泛关注。物联网旨在为“物”节点提供广覆盖和海量的连接服务，其收集的“物”数据可以为应用层的智能决策提供支持。然而，由于“物”的接入点以固定方式部署，物联网的网络拓扑结构缺乏灵活性，从而难以对移动性较高的“物”节点或者区域实现动态覆盖。此外，现有的物联网通信技术存在远程覆盖盲区，使得海量“物”节点无法在一些地理环境复杂的地方“联网”。

目录

• 背景介绍
• 技术要点
  • 2.1基本神经网络设计
  • 2.2稀疏结构选择（Triple-S算法）
• 参考文献

背景介绍

航空器具有高机动性、低成本和可灵活部署的特点，可通过机载物联网装置来解决上述“物”节点接入问题，帮助物联网扩展现有的网络覆盖范围，增强物联网拓扑结构的灵活性，并提供更加多样化的物联网服务。由于航空器在物联网中的应用将起到对用户数据和服务的承载和传递，比如位置、速度等敏感信息，基于航空器辅助的物联网面临着不可忽视的安全问题，存在着被恶意攻击的可能性，航空器的身份认证与数据的安全加密是十分必要的。

广播式自动相关监视（Automatic Dependent Surveillance Broadcast, ADS-B）[3]是现代卫星导航技术与计算机技术等发展出的最新成果，该系统把源自机载卫星导航、飞行管理等系统的多维信息（包括位置、速度、识别码、意图等）通过数据链自动广播发送，为监视者提供了一种高精度低成本的监视方式。这项技术已被广泛应用于民航空中交通环境的监视和管制，包括客机的飞行轨迹监视、飞行速度监视、导航和身份识别与认证等，该技术也正被尝试应用于航空器领域，用于航空器的身份认证与轨迹监测等[4]。但是，由于ADS-B广播的信息针对附近所有飞机，所传输的数据是未加密的，攻击者可以故意篡改或者伪造ADS-B信号的唯一标志符等信息，伪装成可信航空器，完成身份认证并接入到物联网，给物联网造成极大的混乱。因此，以ADS-B信号为支撑，在不依赖于唯一标志符等信息的前提下，专家学者们提出了利用射频指纹识别技术来实现航空器的身份认证[5]。

射频指纹识别技术包括提取射频指纹和构建识别模型，射频指纹指的是辐射源的固有硬件差异，提取射频指纹指的是从信号处理的角度出发，根据接收到的辐射信号来提取信号特征以表示射频指纹，构建识别模型指的是设计识别算法对所提取的射频指纹进行识别。利用射频指纹识别技术来实现航空器身份认证是指，在对未知航空器进行射频指纹提取和识别后，将该射频指纹类别与已知射频指纹类别库进行匹配，最终完成未知航空器的身份认证。

在提取射频指纹方面，根据用于提取射频指纹的辐射信号所处状态，可将射频指纹分为基于瞬态信号特征的射频指纹和基于稳态信号特征的射频指纹。基于瞬态信号特征的射频指纹指的是辐射源的发射机开启瞬间，信号发射频率从零上升到额定功率这一阶段的信号变化特征。这部分信号不会携带任何与数据有关的信息，仅和发射机硬件特性有关，具有数据独立。初期的射频指纹提取和识别技术的研究均围绕瞬态信号开展[7]，可提取的信号特征包括瞬态信号持续时间、频谱特征、小波域特征、分形维数以及信号包络等。与基于瞬态信号特征的射频指纹不同，基于稳态信号特征的射频指纹提取依据的是稳态信号的变化规律，具体包括基于频域特征的方法、基于调制特征的方法、基于非线性特征的方法、基于其他变换域的方法以及基于信号统计量的方法。基于瞬态信号特征的射频指纹提取往往需要采用高精度设备进行高速信号采集，信号的捕获和分离较为困难，实际使用的难度较高，而稳态信号更容易获取，特征也更加稳定。因此，近年来研究焦点主要集中在基于稳态信号特征的射频指纹特征提取，本项目所提取的射频指纹也是基于稳态信号特征的。

在构建识别模型方面，机器学习是研究识别模型的主流方法，可分为基于经典机器学习的识别模型和基于深度学习的识别模型。在基于经典机器学习的辐射源识别中，特征提取和识别模型构建是割裂的，经典机器学习识别模型仅能对所提取的射频指纹进行识别，无法进行二次处理，所提取的射频指纹是否得当对识别效果的影响是巨大的，因此基于经典机器学习的辐射源识别通常仅针对有限的、特定的几种辐射信号和环境，存在泛化能力差的问题。而在基于深度学习的识别模型[9]（如卷积神经网络、深度残差网络）中，深度神经网络不仅可以作为识别模型对输入的射频指纹进行识别，而且可以作为射频指纹提取器，对输入数据再次进行更深层次的射频指纹提取，具备更强的鲁棒性和泛化能力。因此，本项目将基于深度学习构建识别模型。

考虑到ADS-B信号为复数信号，因此本项目将构建基于复数深度神经网络的识别模型，与将复数信号的I路和Q路数据分开处理的实数深度神经网络相比，复数深度神经网络可以将复数信号的I路和Q路联系起来，挖掘出由I路和Q路之间的耦合性而带来的特征，提高识别准确率。但是，复数深度神经网络带来了计算量激增、训练速度变慢的问题，难以部署并应用于实际物联网环境中的航空器身份认证。为此，在复数网络训练阶段，本项目将采用稀疏网络结构选择算法对复数网络进行端到端的网络结构修剪，在保证识别准确率的前提下，提高训练速度并降低识别模型体积。

综上，本项目以ADS-B数据为支撑，基于复数网络与模型压缩的航空器个体识别与认证模型，复数网络有效避免了分割复数ADS-B信号的I路和Q路数据，保留了二者耦合所带来的信息，稀疏结构选择实现了模型轻量化和加速了训练过程。

技术要点

本项目所提出的基于复数神经网络和稀疏结构选择的航空器身份认证方法所涉及的关键技术包括基本神经网络设计、基于稀疏结构选择的神经元剪枝和知识蒸馏。

首先，本项目通过设计了一种复数卷积神经网络作为基本神经网络，然后通过稀疏结构选择算法，来去除复数卷积神经网络的冗余性，最后将原始复数卷积神经网络作为教师模型，压缩后的网络作为学生模型，利用知识蒸馏算法弥补了稀疏结构算法所带来的识别性能损失。

2.1基本神经网络设计

本项目设计的基本神经网络是由9个卷积层、1个展平层和2个全连接层组成的复数神经网络，其结构如表1所示。在保证识别性能的前提下，为了减少网络参数量和计算复杂度，本项目采用了小卷积核，卷积核的大小为3；为了弥补小卷积核所存在特征提取能力不足的缺陷，本项目增加了神经网络的深度；为了解决网络深度增加而带来的特征维度增加的问题，本项目在每个卷积层后面都设置了池化层。

2.2稀疏结构选择（Triple-S算法）

采取复数卷积神经网络在极大地提高性能的同时，也带来了模型尺寸与计算复杂度庞大的问题，不利于模型的训练与实际部署，因此需要进行网络压缩，本项目采用了稀疏结构选择实现该目的，文献[12]表明该技术在保证识别性能的基础上降低了计算的复杂度，并且在识别性能和收敛速率方面也优于现存的基于深度学习的方法。

稀疏结构选择可以在复数卷积神经网络的训练过程中对复数卷积神经网络剪枝，这是一种端到端的网络修剪过程，如算法1所示，该过程主要分为四步：

第一步，为每个可用层插入三元掩模层，层中的每个掩码都有对应的复数卷积神经网络神经元。

第二步，设置参数学习率; 训练周期; λ; μ;并进行初始化。

第三步，进行前向传播与反向传播训练，对所有的掩模进行正则化约束。

第四步，删除冗余神经元（掩模为零的神经元），进行压缩。

三元掩膜层设计、带稀疏正则化的损失函数、以及前向传播和反向传播是该算法的关键。