摘 要

随着物联网设备的快速发展，一些与人体密切相关的物联网设备的安全漏洞已经引起了严重的隐私和安全问题。为了有效解决这些安全问题，我们需要提出有效的物联网设备认证识别方案。

深度学习是机器学习的一个重要领域，其目的在于建立一种模拟人脑进行分析和学习的神经网络，近年来成为众多研究领域广泛运用的研究工具。本文提出了一种基于深度学习方法的人体射频设备识别方案，利用深度学习技术搭建深层神经网络来对物联网射频设备信号进行分析与识别。本设计分别从时域和频域提取了能有效且可靠地表征无线信号特征的特征值作为特征向量，并输入到一种对抗式神经网络模型，来识别接收到的无线信号是否来自于合法用户。我们设置了多个不同的身体运动场景，在这些场景下分别收集来自身上设备和非身上设备所发送的无线信号,对这些原始信号进行预处理后将获得的特征向量输入到搭建好的神经网络中进行训练以及测试。最后的实验结果表明，本文提出的模型能够实现分类精度为90.4%的设备识别。

关键词：神经网络；对抗式网络；无线信号

Abstract

As the rapid proliferation of on-body Internet of Thing (IoT) devices, the security vulnerability of these devices has raised up serious privacy and safety issues closely associated with users. In order to effectively solve these security problems, we need to propose an effective iot device authentication and identification scheme.

Deep learning is an important field of Machine Learning, which aims at establishing a neural network which can simulate the analysis and study abilities of human brain. In recent years ,it has become a widely used tool in the work of hundreds of research fields. This paper proposes a deep-learning-based method for human RF devices identification , a deep neural network is built to analyze and identify the IoT RF signals. In this design, we extract the characteristic values in both time domain and frequency domain respectively , and we combine them as a feature vector which is used as the input of an adversary neural network model, to identify whether the received radio signal is from the user's body. We set up several different body movement scenarios, in each of which the transmitting signals, which are from the on-body device and the off-body-device respectively, are collected. After the signal-preprocessing for the raw data, the characteristic vector obtained is used as the input of the adversary neural network for training and testing. The experimental results show that the proposed model can realize a classification accuracy of 90.4%.

Key Words：neural network; adversarial network; wireless signal

目 录

摘 要 I

Abstract II

第1章 绪论 ….1

1.1研究背景及意义………………………………………………………………………..1

1.2研究内容及预期目标…………………………………………………………………..2

第2章 系统原理 ….4

2.1两种通信链路传播特性………………………………………………………………..4

2.2深度学习原理…………………………………………………………………………..5

2.2.1深度学习基本概念………………………………………………………………5

2.2.2卷积神经网络（CNN）……………………………………………………….10

2.3对抗式神经网络………………………………………………………………………13

第3章 系统设计 16

3.1信号预处理……………………………………………………………………………16

3.1.1信号分段………………………………………………………………………..17

3.1.2时域信号特征提取……………………………………………………………..18

3.1.3频域信号特征提取……………………………………………………………..19

3.2传播链路识别…………………………………………………………………………21

第4章 实验验证与评估 23

4.1实验实施………………………………………………………………………………23

4.1.1数据收集………………………………………………………………………..23

4.1.2系统评估方法…………………………………………………………………..24

4.2实验结果………………………………………………………………………………24

4.3结果分析………………………………………………………………………………26

第5章 总结与展望 27

参考文献 28

致 谢 30

附录A 31

附录B 38

第1章 绪论

1.1研究背景及意义

物联网（IoT）是一个物物信息相通的网络，它的最终目标是实现一个以人为中心的并且可以感知周围环境中所有人、物、场所的一个巨大网络。物联网实际上就是互联网的延伸，只是终端设备不再是PC或服务器，而是各种硬件设备，如可穿戴设备、环境监控设备、虚拟现实设备等等。因此，物联网的概念及应用很广泛，在这个信息化时代里几乎无处不在。

近年来，以人为中心的物联网设备广泛地应用于智能医疗和健身服务中，给我们的生活带来了极大的便利，但这些技术也存在着严重的安全隐患。因为这些设备大多采用简单的小型化硬件设计，使可穿戴设备通过超低功耗通信进行交互，但同时使得通信链路更容易受到恶意攻击，由于物联网中的可穿戴设备一般都附着在用户身体上，用于持续地收集用户生命体征信息，因此，IoT设备的正确识别与用户的隐私与安全问题密切相关。在某些情况下非法攻击者会窃听或模仿设备正常通信的无线信号，向接受设备发送错误的信息从而对医疗服务等造成严重影响。这就要求我们提出合理有效的安全保障方案，正确识别无线信号发送端是合法用户还是非法攻击者，从而更好地为人体提供安全可靠的智能服务。

目前许多以人为中心的物联网设备的认证识别都需要用到一些专用的传感器，例如加速计和陀螺仪，有的识别方案是需要用户做出指定的动作来区分合法与非法传输信号。为了有更好的用户体验和更广泛的接受度，我们需要避免众多专用传感器以及特定身体动作的使用，寻找一种更为有效且易于实际应用的解决方案。

近些年来人工智能（AI）领域蓬勃发展，已具有众多实际应用以及众多研究课题，也诞生了许多智能软件自动处理常规劳动、识别语音或图像、进行医学诊断、支持基础科学研究等等。机器学习（Machine Learning）是其中一门重要学科，它专门研究如何让计算机能够模拟人类的学习行为，像人一样能够获取新的知识和技能，并不断地提高和完善自身性能，而深度学习（Deep Learning）是机器学习研究中的一个新领域，深度学习的概念来自于人工神经网络，其目的在于建立一种模拟人脑进行分析和学习的神经网络，它模仿人脑的机制来理解各种图像、声音或文本数据。

深度学习模型也被称为深层神经网络，一般采用多层次结构。深度学习模型通过从多个层次提取特征，可以解出变异的因子，利于泛化和传递。具体来说，一个典型的有监督的深度学习模型，主要由两个功能模块构成——特征提取模块和识别模块。特征提取模块以训练样本作为输入，进行一组非线性处理，如sigmoid、tanh和ReLu激活函数，然后输出样本的潜在特征表示。随后，识别模块将学习到的特征表示作为输入，通过全连层预测样本属于各个类别的概率，最后通过一个softmax层输出一个向量来反映样本属于各个类别的概率值。两个功能块都是在大量的带有标记（label）的训练数据上进行学习。

基于深度学习模型在学习复杂的内在特征方面的突出能力，本设计中我们提出了一种基于深度学习的物联网射频设备认证系统。

1.2研究内容及预期目标

本设计中我们设想利用深度神经网络来提取潜在物理层信号特征，结合一种对抗式神经网络模型来进行物联网设备的安全识别。我们考虑了在不同的运动状态下的用户安全认证，设置了静立、行走、挥动手臂等多个运动场景，在每个场景下都设置了两种来源的无线信号——来自于身体上的设备发送的信号和体外设备的信号，为便于表述，我们将这两种不同无线信号的传播分别称为on-body传播模式、off-body传播模式，也就是说我们的任务就是对接收的无线信号进行分类，区分它们是on-body还是off-body传播模式，进而辨别出信号是否来自于用户身上的可穿戴设备。

本设计提出的IoT设备认证系统的框架大致分为两个功能块：信号预处理模块、信号分类模块，如图1.1示。该认证系统可作为智能手机上的中间件实现，用于控制可穿戴设备到上层应用程序的数据流。该框架的关键技术在于有效地提取出各个不同的运动场景下两种不同传播模式的特性，而这个特性是不随运动场景的变化而变化的，也就是说我们要“挖掘”出两种传播模式（on/off-body）在不同运动场景下都存在的传播特性，从而使得系统可以不受运动场景的约束来识别信号传播模式类别，这个“挖掘”潜在的本质特征的任务就由一个对抗式神经网络模型完成。

图1.1 设备认证系统框架图

1. 信号预处理模块：从原始接收的RSS（Received signal strength，接收信号强度）中提取出能代表信号传播模式的特征值，将其作为深度神经网络的输入，用于对连接设备进行身份验证。
2. 信号分类模块：神经网络根据学习到的特征来估计接收信号的传播模式的概率分布，然后通过比较两个概率值来判断接收信号的来源。

数据传输开始后，接收信号首先传递给信号预处理模块。信号的瞬时RSS受多种因素的影响，比如发送设备和接收设备之间的距离、多径效应、多普勒频移等，这些因素能够反映on-body和off-body信号传播的不同特征。在获得RSS之后，利用信号预处理模块将其做一系列处理后提取出有效的特征值，然后用作对抗神经网络的输入，待对抗式神经网络在训练集上完成训练后利用其中的分类器对测试集进行分类判别。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：