一种认知无线电中对抗模仿主用户攻击的方法

摘要

一种认知无线电中对抗模仿主用户攻击的方法，属于无线通信技术领域，特别涉及认知无线电系统中信号的感知和处理，以及对信号源身份的识别。包括对频谱感知过程接收到的混合信号进行降噪处理、对混合信号中信源的数目进行估计、采用Capon波束形成器重构各个信号，将不同电台的信号分离、将各电台的信号进行聚焦分离瞬态信号和调制信号、利用小波变换对瞬态信号进行分析，提取特征参数、实现对信号源身份的识别等步骤。本发明提出的对抗模仿主用户攻击的方法实现了对信号源身份的有效识别，能够有效地对抗模仿主用户攻击，而且其适用范围较广，不改变现有主用户网络的工作模式，符合FCC对认知网络的使用要求。

主权项

1.一种认知无线电中对抗模仿主用户攻击的方法，假设一个认知无线电系统由M个主用户和N个认知用户组成，频谱感知过程接收的混合信号数目为随机数q，其特征在于，由以下几个步骤实现：步骤1：对频谱感知过程接收到的混合信号进行降噪处理只考虑信号中的白噪声，利用小波分析的软阈值方法对混合信号进行降噪，在小波的选取上根据原始混合信号波形选定小波，达到消噪效果；步骤2：对混合信号中信源的数目进行估计设天线有p个阵元，接收来自q个信源的信号s_i(t)(i＝1，2...，q)，信号各态历经平稳复高斯随机过程，N个快拍x(t)为：$x\left(t\right)=\underset{i=1}{\overset{q}{\Sigma }}A\left({\Phi }_i\right)s_i\left(t\right)+n\left(t\right)$其中s_i(t)为t时刻第i个信号，p×1复矢量A(Φ_i)是第i个信号到各个阵元的入射角度；p×1复矢量n(t)代表t时刻的加性白噪声，是各态历经平稳的复高斯随机过程，均值为零，协方差为σ²I(σ²未知，I为单位阵)，信号与噪声相互独立，要求从N样本中估计信号源的数目q，考虑X＝{x(1)，...，x(N)}是独立同分布的情况，其中每个值都是零均值复高斯随机矢量，各协方差矩阵：R^(k)＝Ψ^(k)+σ²I其中Ψ^(k)代表秩为k∈{0，1，...，p-1}的半正定矩阵，σ²代表未知的噪声功率；Ψ＝ASA^H，A^H表示A的服共轭，S代表信号的协方差矩阵，有；A为p×q的矩阵：，假设A是满秩的，S是非奇异的，则Ψ的秩为q，说明Ψ的p-q个最小特征值为零，R的特征值表示为λ₁≥λ₂≥…≥λ_p，其最小的p-q个特征值等于σ²，AIC准则为：$\mathrm{AIC}\left(k\right)=-2\log {\left[\frac{\underset{i=k+1}{\overset{p}{\Pi }}{l}_i^{1/(p-k)}}{\underset{i=k+1}{\overset{p}{\Sigma }}{l}_i/(p-k)}\right]}^{N(p-k)}+2k(2p-k)$MDL准则为：$\mathrm{MDL}\left(k\right)=-\log {\left[\frac{\underset{i=k+1}{\overset{p}{\Pi }}{l}_i^{1/(p-k)}}{\underset{i=k+1}{\overset{p}{\Sigma }}{l}_i/(p-k)}\right]}^{N(p-k)}+\frac{1}{2}k(2p-k)\log N$信源数目等于使得AIC或MDL准则最小的k值，k∈{0，1，...，p-1}；步骤3：采用Capon波束形成器重构各个信号，将不同电台的信号分离$y\left(n\right)=w^{H}x\left(n\right)=\underset{m=1}{\overset{M}{\Sigma }}{w}_m^{*}{x}_m\left(n\right)$其中w＝[w₁，...，w_M]^T为权向量，x(n)为各阵元接收信号向量，采用不同的权向量上式对不同方向电波有不同的响应，形成不同方向的空间波束；步骤4：将各电台的信号进行聚焦分离瞬态信号和调制信号利用小波变换找出瞬态信号和调制信号之间的奇异点从而将两者分离，因为Lipschitz指数可以用来描述信号的奇异性，用以度量信号在一点的正则性或在一个时间段的一致正则性——瞬态信号的Lipschitz指数0＜α＜1，调制信号是连续平滑的，其Lipschitz指数α≥1；于是通过计算出奇异点的Lipschitz指数来分离瞬态信号和调制信号；函数的泰勒展开形式：f(t)＝p_v(t)+ε_v(t) (|ε_v(t)|≤K|t-v|^α)，p_v是m次多项式，进行小波变换，具有n阶矩的小波Ψ(t)与小于或等于n-1阶的多项式正交，则：Wf(u，s)＝Wp_v(u，s)+Wε_v(u，s)＝Wε_v(u，s)通过|Wf(u，s)|来逼近Lipschitzα，log₂|Wf(u，s)|≤log₂ A+(α+1/2)log₂ s，其中A为大于零的常数，点v的Lipschitz正则性log₂|Wf(u，s)|作为log₂ s的函数沿着收敛于v的极大曲线的最大斜率减去1/2，求出信号的Lipschitz指数；步骤5：利用小波变换对瞬态信号进行分析，提取特征参数将分离得到的瞬态信号进行小波分析，得到小波系数，从中选取一定比例的小波系数作为特征向量，得出特征向量矩阵，连续小波变换CWT为：$X_{a,b}=\frac{1}{\sqrt{\left|a\right|}}\int x\left(t\right){\Psi }^{*}\left(\frac{t-b}{a}\right)\mathrm{dt}$其中Ψ(t)为母小波，a，b分别称为尺度因子和位移因子，离散小波变换DWT为：$X_{m,n}=\underset{k}{\Sigma }x\left(k\right){\Psi }_{m,n}\left(k\right)$其中Ψ_m，n(t)＝a₀^-1/2Ψ_m，n(a₀^-mt-nb₀)，通常选a₀＝2，b₀＝1；步骤6：实现对信号源进行身份识别认知无线电网络的结构分为集中式和分布式，在集中式网络构架中认知用户端设备CPE能够从管理基站BS获得主用户的信号特征，此时采用模板匹配法将步骤5提取信号特征参数与预存模板进行匹配来识别信号源的身份，在分布式网络构架中，认知用户之间是自组织的独立终端，没有向它们提供主用户信号特征的基站，此时采用分割聚类算法实现瞬态信号的盲识别，在提取特征参数之后进行类数目估计、确定初始化中心然后进行分类识别。