基於複數網絡與模型壓縮的航空器個體識別與認證技術

來自 搜狐網 的圖片

基於複數網絡與模型壓縮的航空器個體識別與認證技術物聯網（Internet of Things）自首次提出以來，引起了學術界和工業界的廣泛關注。物聯網旨在為「物」節點提供廣覆蓋和海量的連接服務，其收集的「物」數據可以為應用層的智能決策提供支持。然而，由於「物」的接入點以固定方式部署，物聯網的網絡拓撲結構缺乏靈活性，從而難以對移動性較高的「物」節點或者區域實現動態覆蓋。此外，現有的物聯網通信技術存在遠程覆蓋盲區，使得海量「物」節點無法在一些地理環境複雜的地方「聯網」。

目錄

背景介紹

航空器具有高機動性、低成本和可靈活部署的特點，可通過機載物聯網裝置來解決上述「物」節點接入問題，幫助物聯網擴展現有的網絡覆蓋範圍，增強物聯網拓撲結構的靈活性，並提供更加多樣化的物聯網服務。由於航空器在物聯網中的應用將起到對用戶數據和服務的承載和傳遞，比如位置、速度等敏感信息，基於航空器輔助的物聯網面臨着不可忽視的安全問題，存在着被惡意攻擊的可能性，航空器的身份認證與數據的安全加密是十分必要的。

廣播式自動相關監視（Automatic Dependent Surveillance Broadcast, ADS-B）[3]是現代衛星導航技術與計算機技術等發展出的最新成果，該系統把源自機載衛星導航、飛行管理等系統的多維信息（包括位置、速度、識別碼、意圖等）通過數據鏈自動廣播發送，為監視者提供了一種高精度低成本的監視方式。這項技術已被廣泛應用於民航空中交通環境的監視和管制，包括客機的飛行軌跡監視、飛行速度監視、導航和身份識別與認證等，該技術也正被嘗試應用於航空器領域，用於航空器的身份認證與軌跡監測等[4]。但是，由於ADS-B廣播的信息針對附近所有飛機，所傳輸的數據是未加密的，攻擊者可以故意篡改或者偽造ADS-B信號的唯一標誌符等信息，偽裝成可信航空器，完成身份認證並接入到物聯網，給物聯網造成極大的混亂。因此，以ADS-B信號為支撐，在不依賴於唯一標誌符等信息的前提下，專家學者們提出了利用射頻指紋識別技術來實現航空器的身份認證[5]。

射頻指紋識別技術包括提取射頻指紋和構建識別模型，射頻指紋指的是輻射源的固有硬件差異，提取射頻指紋指的是從信號處理的角度出發，根據接收到的輻射信號來提取信號特徵以表示射頻指紋，構建識別模型指的是設計識別算法對所提取的射頻指紋進行識別。利用射頻指紋識別技術來實現航空器身份認證是指，在對未知航空器進行射頻指紋提取和識別後，將該射頻指紋類別與已知射頻指紋類別庫進行匹配，最終完成未知航空器的身份認證。

在提取射頻指紋方面，根據用於提取射頻指紋的輻射信號所處狀態，可將射頻指紋分為基於瞬態信號特徵的射頻指紋和基於穩態信號特徵的射頻指紋。基於瞬態信號特徵的射頻指紋指的是輻射源的發射機開啟瞬間，信號發射頻率從零上升到額定功率這一階段的信號變化特徵。這部分信號不會攜帶任何與數據有關的信息，僅和發射機硬件特性有關，具有數據獨立。初期的射頻指紋提取和識別技術的研究均圍繞瞬態信號開展[7]，可提取的信號特徵包括瞬態信號持續時間、頻譜特徵、小波域特徵、分形維數以及信號包絡等。與基於瞬態信號特徵的射頻指紋不同，基於穩態信號特徵的射頻指紋提取依據的是穩態信號的變化規律，具體包括基於頻域特徵的方法、基於調製特徵的方法、基於非線性特徵的方法、基於其他變換域的方法以及基於信號統計量的方法。基於瞬態信號特徵的射頻指紋提取往往需要採用高精度設備進行高速信號採集，信號的捕獲和分離較為困難，實際使用的難度較高，而穩態信號更容易獲取，特徵也更加穩定。因此，近年來研究焦點主要集中在基於穩態信號特徵的射頻指紋特徵提取，本項目所提取的射頻指紋也是基於穩態信號特徵的。

在構建識別模型方面，機器學習是研究識別模型的主流方法，可分為基於經典機器學習的識別模型和基於深度學習的識別模型。在基於經典機器學習的輻射源識別中，特徵提取和識別模型構建是割裂的，經典機器學習識別模型僅能對所提取的射頻指紋進行識別，無法進行二次處理，所提取的射頻指紋是否得當對識別效果的影響是巨大的，因此基於經典機器學習的輻射源識別通常僅針對有限的、特定的幾種輻射信號和環境，存在泛化能力差的問題。而在基於深度學習的識別模型[9]（如卷積神經網絡、深度殘差網絡）中，深度神經網絡不僅可以作為識別模型對輸入的射頻指紋進行識別，而且可以作為射頻指紋提取器，對輸入數據再次進行更深層次的射頻指紋提取，具備更強的魯棒性和泛化能力。因此，本項目將基於深度學習構建識別模型。

考慮到ADS-B信號為複數信號，因此本項目將構建基於複數深度神經網絡的識別模型，與將複數信號的I路和Q路數據分開處理的實數深度神經網絡相比，複數深度神經網絡可以將複數信號的I路和Q路聯繫起來，挖掘出由I路和Q路之間的耦合性而帶來的特徵，提高識別準確率。但是，複數深度神經網絡帶來了計算量激增、訓練速度變慢的問題，難以部署並應用於實際物聯網環境中的航空器身份認證。為此，在複數網絡訓練階段，本項目將採用稀疏網絡結構選擇算法對複數網絡進行端到端的網絡結構修剪，在保證識別準確率的前提下，提高訓練速度並降低識別模型體積。

綜上，本項目以ADS-B數據為支撐，基於複數網絡與模型壓縮的航空器個體識別與認證模型，複數網絡有效避免了分割複數ADS-B信號的I路和Q路數據，保留了二者耦合所帶來的信息，稀疏結構選擇實現了模型輕量化和加速了訓練過程。

技術要點

本項目所提出的基於複數神經網絡和稀疏結構選擇的航空器身份認證方法所涉及的關鍵技術包括基本神經網絡設計、基於稀疏結構選擇的神經元剪枝和知識蒸餾。

首先，本項目通過設計了一種複數卷積神經網絡作為基本神經網絡，然後通過稀疏結構選擇算法，來去除複數卷積神經網絡的冗餘性，最後將原始複數卷積神經網絡作為教師模型，壓縮後的網絡作為學生模型，利用知識蒸餾算法彌補了稀疏結構算法所帶來的識別性能損失。

2.1基本神經網絡設計

本項目設計的基本神經網絡是由9個卷積層、1個展平層和2個全連接層組成的複數神經網絡，其結構如表1所示。在保證識別性能的前提下，為了減少網絡參數量和計算複雜度，本項目採用了小卷積核，卷積核的大小為3；為了彌補小卷積核所存在特徵提取能力不足的缺陷，本項目增加了神經網絡的深度；為了解決網絡深度增加而帶來的特徵維度增加的問題，本項目在每個卷積層後面都設置了池化層。

2.2稀疏結構選擇（Triple-S算法）

採取複數卷積神經網絡在極大地提高性能的同時，也帶來了模型尺寸與計算複雜度龐大的問題，不利於模型的訓練與實際部署，因此需要進行網絡壓縮，本項目採用了稀疏結構選擇實現該目的，文獻[12]表明該技術在保證識別性能的基礎上降低了計算的複雜度，並且在識別性能和收斂速率方面也優於現存的基於深度學習的方法。

稀疏結構選擇可以在複數卷積神經網絡的訓練過程中對複數卷積神經網絡剪枝，這是一種端到端的網絡修剪過程，如算法1所示，該過程主要分為四步：

第一步，為每個可用層插入三元掩模層，層中的每個掩碼都有對應的複數卷積神經網絡神經元。

第二步，設置參數學習率; 訓練周期; λ; μ;並進行初始化。

第三步，進行前向傳播與反向傳播訓練，對所有的掩模進行正則化約束。

第四步，刪除冗餘神經元（掩模為零的神經元），進行壓縮。

三元掩膜層設計、帶稀疏正則化的損失函數、以及前向傳播和反向傳播是該算法的關鍵。