一种信号发射机识别方法

本发明属于信号处理及空中交通管理技术领域，具体涉及一种信号发射机个体身份识别方法。

随着航空业的迅速发展，空中交通管理和地空数据通信的压力显著增加，这对当前的空中交通管制系统提出了更高的要求，尤其是广播式自动相关监视(AutomaticDependent Surveillance-Broadcast，ADS- B)和飞机通信寻址与报告系统(AircraftCommunications Addressing and Reporting System，ACARS)。其中，ADS-B系统无需人工操作或者询问，可以自动地从相关机载设备获取参数向其他飞机或地面站广播飞机的位置、高度、速度、航向、识别号等信息；而ACARS是一种在航空器和地面远端站(RemoteGround Station，RGS)之间通过无线电或卫星传输消息(报文)的数据链系统，由人员或机载设备创建报文并通过ACARS机载设备将其送达地面的人员或系统，反之亦如此，ACARS报文可以以手工或自动方式发送，实现空地之间的实时数据传输和对飞机位置和状态的监视。

当ADS-B系统应用于空中交通管制时，可以在无法部署航管雷达的大陆地区为航空器提供优于雷达间隔标准的虚拟雷达管制服务，提高航路乃至终端区的飞行容量，而在雷达覆盖地区，即使不增加雷达设备也能以较低的成本增强雷达系统的监视能力。同时，ADS-B技术可用于加强空-空协同，通过提高飞行中航空器之间的相互监视能力与协同能力，增强空中防撞系统(Traffic Collision Avoidance System， TCAS)的性能。ADS-B能够以较低的成本实现航空器的场面活动监视，为航迹信息共享提供了现实可行性。

当ACARS应用于空地数据通信和对飞机的监视时，主要依靠基于甚高频(VeryHigh Frequency，VHF)的空地数据链实现传输。其优势在于，可以减少由于话音通信产生的语义误解，提高地空通信的准确性；数据链能够为飞行管理和维护部门提供实时的飞机状态信息，提高航空公司机务维修部门对飞机故障分析与诊断的能力，为航空公司节省运营成本。同时，由于ACARS提供的是数字信息，可以使资料数据更易于分享，ACARS的出现摆脱了以往地空之间只能进行语音通信的局限性。

尽管ADS-B系统和ACARS有着以上诸多优势，但两者同时也存在着一些安全隐患如身份伪造等。以ADS-B系统为例，由于ADS- B信号未经加密，任何人或组织仅需简单的信号发射机和特定的航班信息，就可以非法伪造ADS-B信号。由于ADS-B系统本身不具备对信息源的验证功能，如果信息有误或者是伪造信息，地面站设备(系统)无法有效辨别。

近些年，一些验证ADS-B应答信号真伪的手段已经被提出。例如使用ADS-B信号完成多点定位，得到飞行器的测算位置，并使用该位置进行假设检验，可以用来判定信号是否正确，但由于ADS-B信息处理时间较长，通信滞后，这种方法的定位精度不高。特定辐射源识别(SEI)技术是利用发射机专属的射频指纹识别信号发射机个体身份的一种方法，已经被证明适用于包含二次雷达、手机、路由器在内的多种射频信号发射机的个体身份识别。相似地，由于ACARS的报文中发送了包括飞机注册号、航班号、经纬度位置坐标、起降机场、燃油量在内的重要信息，在飞机状态监控中，地面用户需要对接收到的下行报文进行译码、存储和分析诊断，因此ACARS也可用于飞机身份信息的识别。然而，目前对利用SEI技术识别信号发射机个体身份的具体方式以及在实际情况下识别效果的研究还较为少见，特别缺少分析信号质量对结果的影响，对前期信号处理工作的具体算法与流程也没有具体说明。

因此，本发明主要以ADS-B为例，针对ADS-B现有技术的不足，提出一种ADS-B信号发射机个体身份识别方法，不仅能够更加准确的识别ADS-B信号发射机的真伪性，保障ADS-B体制下的信息安全，稳定性好；而且能够有效的降低信噪比敏感度，抗干扰性好。本发明不仅可以应用于当前迅速发展的民航空管系统，对于商业航空和通用航空中的民航商业运输飞机、通用航空飞机、无人机飞行器等航空器提供的服务，本发明同样可适用。

本发明提供一种ADS-B信号发射机个体身份识别方法，使用高增益天线、信号采集卡和信号处理机等设备准确接收和解码ADS-B 信号，将希尔伯特-黄变换(HHT)与基于瞬态区间特征提取方法相结合生成特征向量，为每台发射机生成专属的射频指纹信息，进而利用神经网络等算法对不同发射机进行区分，以实现对ADS-B信号发射机的真伪鉴别，进而保障ADS-B体制下的信息安全。

主要设备：高增益天线、信号采集卡、专用低噪声放大器和信号处理机。主要执行过程包括：采用高增益ADS-B天线和信号采集卡实现ADS-B信号的准确接收；使用专用低噪声放大器和信号处理机实现Mode S应答信号的识别和解码；将解码后的信号进行能量轨迹提取、能量轨迹归一化、瞬态切割与特征提取，生成特征向量，为每台发射机生成专属的射频指纹信息；使用上述指纹信息完成神经网络的训练，用于鉴别ADS-B信号发射机的真伪。

一种ADS-B信号发射机个体身份识别方法，具体流程如下：

S1：进行信号的采集和解码。采用高增益ADS-B天线和信号采集卡准确接收ADS-B信号，以获得高信噪比的ADS-B信号；使用专用低噪声放大器和信号处理机识别采集到的数据中Mode S应答信号并解码。其中，Mode S是涉及到民用的一种应答机模式，它可以进行数据链的传输，TCAS也需要Mode S应答机的支持。

S2：进行数据的分类处理。将解码后来自同一发射机的应答信号中的数据储存在一起，并用飞机对应的国际民用航空组织(International Civil AviationOrganization，ICAO)地址码标记。

S3：对接收到的数据进行波形处理。数据波形处理步骤如下：第一步，提取能量轨迹，对信号进行希尔伯特一黄变换获得希尔伯特谱，沿时间轴提取信号谱在所有频率上的最大值，可得到初步处理后信号的能量轨迹，再将能量轨迹经过窗长为50的滑动平均滤波得到最终的能量轨迹；

第二步，根据每个脉冲的到达时间对能量轨迹进行边缘检测和区间分割，以得到信号的始端以及各个脉冲的切割位置，实现对信号的预处理。选择其中所有长度为0.5μs的脉冲，对每一个脉冲求差分，经过滑动平均滤波器后可得到平滑的曲线，如此可去除无关因素对特征提取的影响，提高特征提取的质量及最终分类正确率；

第三步，准确提取瞬态区间，对脉冲能量轨迹进行归一化。由于信号能量轨迹的瞬态部分包含比稳态部分更多的信息，因此为了更好地进一步提取特征，需要准确地提取瞬态，即信号能量轨迹的快速上升和下降的部分。通过瞬态区间检测，可得到所有脉冲能量轨迹瞬态上升段和下降段的开始位置和结束位置，使用两个瞬态段中间的稳态段，即可对当前脉冲的能量轨迹进行归一化；

第四步，将归一化后能量轨迹基于瞬态区间进一步提取特征，生成最终的特征向量，为每台发射机生成专属的射频指纹信息，进而可利用神经网络等算法对不同的发射机进行标记区分。同一台发射机发出信号的指纹信息应该尽可能相似，而不同发射机的指纹信息应该具有更大的区别，由于不同发射机信号能量轨迹的区别主要体现在瞬态部分，因此可以认为瞬态部分提供了足够的信息用于提取特征。

S4：训练神经网络进行ADS-B信号发射机的真伪鉴别。使用上述射频指纹信息训练能够对ADS-B信号发射机进行标记分类的神经网络，使其面对未知来源的ADS-B信号时，只需提取该信号所属发射机的射频指纹信息并代入该神经网络，即可鉴别此ADS-B信号所属发射机的真伪。

图1为本发明的主要过程图。

图2为本发明的数据获取方式流程图。

图3为本发明的信号处理流程图。

以下将结合附图对本发明作进一步的描述。

如图1所示，一种ADS-B信号发射机个体身份识别方法，主要设备为高增益天线，信号采集卡，专用低噪声放大器和信号处理机，主要执行过程如图1所示，包括：采用所述高增益ADS-B天线和信号采集卡进行ADS-B信号的接收；使用专用低噪声放大器和信号处理机准确识别和提取数据中Mode S应答信号并解码；将解码后来自同一发射机的应答信号中的数据储存在一起，并用飞机对应的ICAO 地址码标记；将标记后的数据进行能量轨迹提取、能量轨迹归一化、瞬态切割和特征提取，生成特征向量，为每台发射机生成专属的射频指纹信息；使用上述指纹信息完成神经网络的训练，用于ADS-B信号发射机个体身份的识别。

S1：如图2所示，信号的采集和解码，采用高增益天线和信号采集卡准确接收ADS-B信号，以获得高信噪比的ADS-B信号；使用专用低噪声放大器和信号处理机识别采集到的数据中Mode S应答信号并解码。

S2：数据的分类处理，将解码后来自同一发射机的应答信号中的数据储存在一起，并用飞机对应的ICAO地址码标记。

S3：如图3所示，信号处理方法，将得到的ADS-B信号作进一步的处理，处理过程可分为能量轨迹提取、能量轨迹归一化，瞬态切割和特征提取4部分，具体实施步骤为：

S301提取能量轨迹。采用希尔伯特-黄变换得到信号的能量轨迹。首先求得希尔伯特谱，然后沿时间轴提取信号谱在所有频率上的最大值，可得到初步处理后信号的能量轨迹为：

再将得到的能量轨迹经过窗长为50的滑动平均滤波，即可得到信号最终的能量轨迹；

S302能量轨迹归一化。在归一化之前，先根据每个脉冲的到达时间对能量轨迹进行边缘检测和区间分割，实现对信号的预处理，以得到信号的始端及各个脉冲的切割位置，再选择其中所有长度为0.5μ s的脉冲，对每一个脉冲求差分，并经过滑动平均滤波器后得到平滑的曲线；

S303瞬态提取。为了准确的提取瞬态区间，对能量轨迹进行归一化，首先需要检测瞬态区间。具体的瞬态区间检测方式为：对于每一个脉冲的能量轨迹，首先对脉冲epul(t)取微分，然后再通过窗长为50 的滑动平均滤波器，得到信号脉冲包络的一阶差分d(t)。瞬态上升段和下降段的起始点trb和tfb和终止点tre和tfe定义为：

这里取阈值dth＝0.2。分别到所有脉冲能量轨迹的瞬态上升段、下降段的起始和终止点后，使用两个瞬态段中间的稳态段，即tre和tfb之间的部分，对脉冲的能量轨迹进行归一化，归一化后的能量轨迹定义为：

其中，能量轨迹的瞬态上升(下降)段为在上升(下降)段的起始点和终止点之间的部分(包含边界)；

S304特征提取。瞬态区间被分离出来后，将归一化后的能量轨迹基于瞬态区间提取特征，生成最终的特征向量，为每台发射机生成专属的射频指纹信息，进而利用神经网络对不同的发射机进行区分，特征提取过程请参考图3。对于每台发射机的每个脉冲，基于能量轨迹在瞬态区间提取的特征为：能量轨迹面积、瞬态持续时间、能量轨迹最大斜率、能量轨迹偏度、能量轨迹峰度、能量轨迹方差，最后对每个特征进行归一化处理。

S4：训练神经网络进行ADS-B信号发射机的真伪鉴别，使用上述的射频指纹信息训练能够对ADS-B信号发射机进行分类的神经网络，实现对未知来源的ADS-B信号发射机个体身份的识别。当面对未知来源的ADS-B信号时，只需提取该信号所属发射机的射频指纹信息并代入训练好的神经网络，即可鉴别此ADS-B信号所属发射机的真伪。