摘要

WiFi是物联网的粘合剂，大多数无线设备使用WiFi接入物联网。监控和识别接入WiFi设备对于物联网的安全尤其重要，尤其是敏感区域。在这种背景下，我们提出了一种基于WiFi设备功率谱密度（PSD）和前导信号置换熵（PE）的WiFi设备分类框架。四个无线网卡正在测试以验证我们的方法。采用K-NN分类法。实验结果表明，在信噪比为-5db的情况下，两种方法的识别率均在90%以上。

物联网、特定辐射源识别、功率谱密度、排列熵等指标

一. 导言

在过去的几年里，随着无线设备的发展和普及，我们的生活发生了很大的变化。这些设备也在推动物联网的发展。WiFi作为物联网的粘合剂，在物联网时代发挥着不可替代的作用。大多数设备使用WiFi技术访问物联网[1]。根据ABI研究报告，2015年至2019年WiFi芯片的出货量接近180亿美元[2]。由于WiFi的开放性和普遍性。任何人都可以使用WiFi设备访问物联网。物联网的安全性受到质疑[3]。随着物联网的快速发展，信息安全风险将不断扩大，其影响将远远超出互联网。在未来几年，一种能够监控和识别WiFi设备，并使其远离敏感区域的技术将成为基础。因此，有必要对物联网中的WiFi设备进行识别和监控，阻断威胁设备对物联网的访问。例如，考虑到图1所示的智能家居场景，监视器的作用是监视和识别室内WiFi设备，并禁止非法设备访问物联网。

特定辐射源识别（SEI）是一种常见的无线设备识别方案。它只使用外部特征来测量称为射频指纹的无线信号[4][5]。WiFi设备通常在2.4G UHF或5G SHF ISM RF频段运行。IEEE 802.11协议标准定义了WiFi设备的物理层[6]。通常，WiFi设备会周期性地输入振幅并重复前导码，每个信息流的前端会附加一个前导信号[7]。所以我们可以用SEI技术提取对WiFi前导信号进行RF指纹识别，进而识别网络中的WiFi个体，增强物联网的安全性。

本文采用功率谱密度（PSD）和每变异熵（PE）算法对WiFi设备进行识别。我们还比较了两种算法的差异。我们建议提取WiFi信号的PSD和PE作为RF指纹来识别连接到物联网的WiFi设备。这些特性是由接入设备的硬件差异决定的，不能伪造。它可以有效防止未经授权的设备访问物联网。
本文的主要贡献如下：

基于WiFi信号的前导信号部分，提出利用SEI技术来识别接入物联网的WiFi设备。
采集四块无线网卡产生的WiFi信号，提取前导信号的PSD和PE作为射频指纹。
实验结果表明，在四种信噪比条件下，PSD和PE的识别率均能达到90%以上。
实验结果还表明，PSD具有较好的信噪比容限，当信噪比大于-10dB时，PSD的识别率可达90%以上。

论文的剩余部分组织如下：II概述了无线设备识别技术的现有文献。第三节简要介绍PSD和PE的工作原理。第四节，提出了一种信号采集模型，提取了信号的PSD和PE。第五节给出了识别效果，并比较了两种算法的区别。最后，结束语载于第六节。

二. 相关工作

不同类型的无线设备通常遵循不同的协议标准。图2显示了一个典型的WiFi通信信号，它可以分为三个主要部分：信道噪声部分、瞬态信号部分和稳态信号部分。信道噪声段主要由信道噪声和设备噪声组成，它是接收设备中不包含有效信号的部分。瞬变信号段是指由发射机发出的从额定功率到零的信号。它通常不包含任何数据信息，仅由设备的硬件特性决定。稳态信号部分是发射机和接收机之间正常通信的信号部分。对稳态信号进行分段处理，提取其信号特征，达到识别无线设备的目的。2008年，Kennedy等人首次提出将无线通信信号的前导信号转换为频谱作为射频指纹，并将射频指纹用于UMTS用户设备的识别[8]。在[9]中，Suski等人通过获取无线设备前导信号瞬时幅度和瞬时相位的方差轨迹，得到信号检测的起点，并将前导信号的功率谱密度作为射频指纹，利用频谱相关法对无线设备进行分类。在高信噪比下，识别率达到80%，但在低信噪比下的性能一般。

2011年，Shi等人提取了信号数据段中的误差矢量幅值、载波中心频率偏差、OFDM导频相位偏差、符号总偏差、I/Q偏移和前导码相关作为RF指纹。同时，首次运用信息论方法研究了“射频指纹特征”的有效性[10]。

2015年，Knox等人将解调后的无线通信信号的相位信息提取为射频指纹，并测试了其在不同温度和信道条件下的分类性能。经测试，平均识别率为81.9%。在固定通道中，12小时内的变化总是小于8%[11]。文[12]提出了发射机的非线性建模方法。采用相空间重构方法，选取重构相空间的两类特征作为射频指纹。他们使用主成分分析（PCA）和支持向量机（SVM）来识别四个无线网卡。在实际测量中，当信噪比大于10db时，平均识别率达到94%。

3. 方法综述

简要介绍了功率谱密度（PSD）和置换熵（PE）两种算法。

A.功率谱密度

PSD算法是一种在频域分析随机信号的方法。它的目的是从有噪声干扰的有限观测数据中提取信号或信号参数，即单位频率的信号功率。周期图法、自相关法和改进法是基于相关和傅立叶变换的经典功率谱估计算法。本文采用改进的周期图法韦尔奇平均周期法估计信号的功率谱密度。

Welch方法是周期图方法的改进，它解决了周期图方法得到的功率谱估计不一致的问题，减少了方差。我们假设xi（n）（i=0，1，···，L− 1） 是随机过程x（n）的L个无关实现，M是每个xi（n）的长度，可以得到xi（n）的周期图：

信号的功率谱密度可通过平均获得的独立周期图获得：

经典地，随机信号的多个实现通常很难获得。我们可以把一个长度为N的随机信号分成K段，每个段的长度为M。我们为获得的每个子信号获得周期图，并平均所有周期图以获得功率谱密度估计：

B. 排列熵

PE是Christoph-Bandt和Bernd-ponpe提出的一种动态变异检测算法。它能方便准确地定位系统突变时刻，并将信号中的微小变化放大。此外，它还具有计算简单、灵敏度高、抗噪声性能强等优点[13][14]。

假设x（t）{t=1，2，…，t}是长度为t的时间序列，我们指定了一个嵌入维数m。将事件序列映射到m维空间Xt={x（t），x（t+1），…，x（t+m）−1） }（t=1,2，…，t）−m+1）。如果我们对Xt进行递增排序，得到x（t+j1）−1) ≤ x（t+j2）−1) ≤ … ≤ x（t+jm）− 1). 其中，当两个值相等时，按ji的下标排序。然后Xt被映射到Ym={j1，j2，…，jm}。这是一个m！安排。换句话说，每个m维子序列Xt被映射到其中一个m！安排。我们可以使用符号序列Ym={j1，j2，…，jm}来表示连续的m维子空间。我们取概率分布Pj（j=1,2，…，K）或所有映射符号序列，其中K≤ M然后，我们计算Pj的香农熵，得到时间序列Xt的排列熵：

当Pj=1/m！，这意味着每个符号都存在，并且其概率是相等的。此时，时间序列的复杂度最高，得到的置换熵最高，即ln（m！）。一般来说，为了方便起见，我们将PE标准化：

其中0≤ 高度（m）≤. 归一化渗透熵（NPE）的值表示时间序列的随机性，值越大，时间序列的随机性越大。可以看出，PE放大了信号中的微小变化[15]。

4. 识别框架

在本节中，我们将介绍一个信号采集系统。首先采集同一型号、同一批次的四块WLAN卡的信号。分别采用PSD和PE算法进行特征提取。最后，利用三维图形和箱线图验证了这些特征的有效性。

A.信号采集

为了获取WLAN卡的信号，我们搭建了如图3所示的信号采集系统。该系统包括一台电脑、无线网卡、一部手机和一台示波器。采用带WALN卡的计算机作为发射机，手机作为接收机接入辐射无线网络。然后，在发射器和接收器之间执行实时无线通信。同时利用数字示波器以20Gsps的采样率采集实时通信信号。采集的信号通过电缆传输到计算机进行存储。然后利用MATLAB等软件对数据进行预处理。

B. 特征提取

首先，我们将四个WLAN卡标记为W01−W04，每个类别的WLAN卡包含120个样本。在预处理过程中，我们在每个样本中截取一段前导信号。处理后的每个采样信号包含30万个采样点。由于在获取信号时天线被放置在离WLAN卡0.5m的位置，因此接收到的信号具有约30db的SNR。我们认为接收到的信号噪声可以忽略不计。在对信号进行预处理时，加入不同功率的AWGN，得到不同信噪比的信号。然后，分别提取信号的PSD和PE。

a） PSD：为了减少数据集的大小，并保留区分WiFi个人所需的信息。采用PCA算法对数据进行降维。然后建立三维地图，观察特征的有效性。从图4中我们可以看出，在0分贝、5分贝和10分贝时，每个个体都与其他个体有很好的区别。即使是-5dB，个体之间也有很好的区别。
b） PE：为了显示不同个体之间PE特征的差异，我们使用箱线图来可视化特征。箱线图使用五种统计数据：最小观察值、下四分位数、中位数、上四分位数和最大观察值来描述数据。它可以直观地帮助我们了解数据是否具有对称性、离散度分配的一部分。特别是比较几个样品。在计算每个采样信号的PE时，我们选择嵌入维数m=3，然后对得到的PE进行归一化，得到NPEV。

从图5可以看出，在四种不同的信噪比下，可以很好地区分WLAN卡个体。

5. 实验结果

A.分类结果

在特征提取之后，选择K-NN分类器进行分类。在分类过程中，设定k=7，在每个个体中，我们选取84个样本作为训练集，36个样本作为测试集。

a） PSD：

图6显示了不同信噪比下的分类精度。从图中可以看出，PSD算法在四种信噪比条件下都表现良好。0dB、5dB和10dB的识别率均能达到94%以上。即使信噪比为-5db，分类精度也达到91%左右。

b） PE：

图7显示了PE算法的分类结果。从图中可以看出，识别率保持在90%以上，而信噪比从-5 dB变为10 dB。

结果表明，PSD和PE算法能很好地识别WLAN卡，即使在低信噪比下，识别率也能达到90%以上。两种算法之间没有显著差异。因此，我们需要更多的实验来探索这两种算法的性能差异。

B. 算法比较

为了比较两种算法的区别，我们测试了两种算法在不同信噪比下的识别性能。同样，我们设定k=7，进行100次蒙特卡罗实验。然后得到平均识别率。图8显示了两种算法在不同信噪比下的识别率。

从图8可以看出，PSD和PE算法都是不同信噪比下WLAN卡分类的良好候选特征。不同的是PSD算法在低信噪比下性能更好，PE算法收敛速度更快。我们认为PSD和PE达到了最好的分类精度。但是，从实现和复杂性的角度来看，PSD比PE更具吸引力。由于WiFi设备在实际工作中环境噪声波动较大，检测算法需要对信噪比有较大的容忍度。

6. 结论

本文利用SEI识别接入物联网的WiFi设备。从前导信号中提取PSD和PE作为射频指纹。并通过信号采集系统，采集了四个无线网卡的通信信号。采用K-NN分类器进行分类。实验结果表明，当信噪比大于0dB时，两种算法的识别率均能达到90%以上，PSD算法在低信噪比下表现良好，PE算法收敛速度较快。对于未来的工作，我们将确定更多类型的无线设备，而不仅仅限于使用WiFi的无线设备。

7. 致谢

这项工作得到中国国家自然科学基金（61771154）和*大学基础研究基金（HEUCF20120130）的资助。
本文是由哈尔滨工程大学国际交流计划资助的创新型人才培养。

同时，所有作者声明，关于这篇文章的发表不存在利益冲突。我们非常感谢审稿人进行了非常有益的讨论。