基于通信載荷聲紋特征的身份認證方法

陳 露 ,趙德鑫 ,王 俊 ,高 虹 ,陳迎亮

(1.國防科技創新研究院 前沿交叉技術研究中心,北京,100071;2.中國船舶集團有限公司 第705 研究所,陜西 西安,710077)

0 引言

受水下環境物理特性的限制,水聲通信是水下最主要的通信方式之一,水下通信常通過水聲通信網絡來交換信息[1]。隨著海洋環境日漸復雜,在組網通信時,面臨著多通道通信[2]以及外界干擾,甚至存在惡意干預等情況[3],嚴重影響集群信息共享的質量和協同作業的效率,因此,如何構建安全的水聲通信網絡是水下通信面臨的重要挑戰?；诖艘呀涢_展了多項研究: 羊秋玲等[4]將數據加密融入隱蔽通信技術中,構建了一種新的水聲通信網絡安全防御機制,以確保通信傳輸正確性;陳惠芳等[5]基于多項式的密鑰協商算法實現了移動匯聚節點和固定傳感節點的相互認證,保護了信息的安全;黃亮平[6]提出了面向基于簇的混合認證協議,通過組網認證、新節點加入認證和移動節點認證,構建多重認證,保證通信網絡的安全。這些研究針對水聲通信網絡的安全問題,主要關注于認證協議和數據加密,盡管能有效地提高網絡的安全性,但也加重了通信網絡的負擔,無法平衡水聲通信網絡的安全問題和效能問題。為此,文中聚焦通信載荷在硬件制造中產生的差異,基于聲紋特征對通信目標進行身份認證。

利用通信機在硬件制造中產生的差異進行身份認證有諸多優勢。首先,水聲通信機作為水下通信的主要設備具有廣泛適用性;其次,通信機在制造過程帶來的差異是不可控的,且這些差異始終存在于通信信號的傳遞過程中,因此這類差異對通信信號的影響具有不可復制的特點,通過這類特點標識不同個體搭載的通信機,可以有效識別不同目標個體的身份;此外,傳統身份認證方式通過編碼等形式對通信節點進行認證,增大了集群間網絡的負載。文中從通信設備的物理特性出發,利用聲紋進行認證,無需增加網絡負載,在保證通信網絡安全的同時,避免占用集群通信網絡的通道資源,實現高效、低能耗的身份認證。

聲紋特征作為區分、跟蹤通信設備的標識,在無線電通信、移動智能設備通信等其他領域已經得到一些成功應用。Nguyen 等[7]通過對發射的無線電信號進行特征分析,以此識別出不同的發射機;冀曉宇等[8]使用CPU 模塊輻射的磁感應信號,識別出不同設備個體;Das 等[9]提出移動智能設備內部嵌入的聲學板塊存在制造差異,利用聲信號中遺留的差異特征,結合機器學習算法,成功對不同設備個體進行識別;Bojinov 等[10]收集多個移動設備傳感器的聲學信號,利用幅度表征傳感器指紋,結果能可靠識別傳感器個體。上述研究中均考慮了在頻域范圍內,經設備對信號產生的畸變影響,基于通信載荷的換能原理認識到: 通信設備對信號的影響體現在頻域和相位域2 個方面,因此選擇融合上述2 個域的特征,全面表征設備對信號產生的影響。此外,與上述研究相比,水聲通信受水聲環境的噪聲干擾,僅提取信號中的幅度譜及其倒譜特征,難以展現出水聲信號的差異,考慮到水聲通信信號的能量分布,可以在通信頻段進行非線性頻率尺度轉換,以增強信號能量集中區域的表征,一定程度上有利于捕捉到信號的有用信息。綜上所述,嘗試在信號倒譜特征基礎上融合相位譜特征,試圖更好表征通信載荷的聲紋。

文中介紹了一個聲紋特征的身份認證系統,聚焦于通信載荷在硬件制造中產生的差異,論證了利用通信機的聲紋特征進行身份認證的可行性,并提出了一種基于該聲紋特征的認證方法,利用注意力機制融合了非線性倒譜和相位譜特征,最后開展了相關的湖試試驗。經試驗驗證,上述身份認證的方法不僅能識別不同型號的通信機,對相同型號的通信機也能有效區分,表明利用通信載荷的聲紋特征進行身份認證是可行的。

1 身份認證機制

1.1 水下通信組網

水下通信網絡可分為目標與地面控制平臺的通信,以及目標之間的通信。為保證通信安全,文中設計了一種基于聲紋特征的身份認證方法,可在水下通信網絡的中轉節點接入身份認證系統,如圖1 所示。

圖1 水聲通信網絡身份認證系統結構Fig.1 Architecture of underwater acoustic communication network authentication system

當目標在向上或目標相互間通信時,通信節點首先對信號進行身份認證,以防止未知信號的干擾和攻擊,接著對通過認證的信號進行身份標識。在后續通信過程中,每一通信信號將攜帶自身的身份標識進行通信交流。通過該身份認證系統,對每一個目標發送的通信信號進行標識,便于后續控制平臺和目標間對通信信息的分析和利用,實現高效且低能耗的網絡通信。

1.2 通信載荷聲紋

水聲通信機是水下目標進行聲學通信的最主要設備,其通信系統構成如圖2 所示。信源經過通信機內部的算法處理后,由發射換能器發出。在內部處理信號過程中,傳感器或濾波算法對信源產生一定的衰減和混淆,同時通信機內部換能器的性能也會對信源產生影響,如表1 所示。信源在通信機內部的每一階段都可能引入混淆偽影,導致后續信號中將留下關于通信機的特征,因此,最終的接收信號將具有基于通信設備物理特性的差異。

通信機內部換能器結構如圖3 所示,具體來說,通信機內部換能器的發聲原理[11]是: 換能材料(如圖3 中壓電陶瓷環及其彎曲圓盤)受交變電場或者磁場激勵,產生伸縮應變。不同類型換能器對不同頻率信號有不同的響應特性,同一信號經不同頻響后,可能存在一定的區別。同一型號的不同換能器個體在制作過程中的磨損,也將影響換能器對激勵產生的伸縮效果,即影響換能器的響應靈敏度,從而在信號中引入可變性。

即使采用同種軟件、同種算法進行調制,不同的通信機也會因為制作過程中產生的微小變化導致其發射的信號存在差異,由于這些變化不可避免且不可控,致使信號存在的差異具有難以復制的特點。此外,這些差異能始終存在于通信信號中,一起在信道中傳遞,故可以通過識別通信機發射的通信信號來標識不同的通信機,從而識別不同目標個體的身份。

2 識別方法模型

文中提出一種基于自主水下航行器(autonomous undersea vehicle,AUV)通信載荷聲紋特征的識別方法。該識別方法的流程如圖4 所示,以AUV通信信號作為輸入樣本,以通信機設備個體的標簽作為識別類別,該方法最終得到的分類結果是對測試樣本進行預測的標簽。在訓練階段,對樣本進行預處理、倒譜特征提取和相位譜特征提取后,輸入到注意力機制網絡中進行特征融合,并將融合特征與標簽一起輸入到AlexNet 神經網絡中進行訓練,得到分類識別模型t;在測試階段,輸入未知標簽的樣本信號,經數據預處理、特征提取和融合后,輸入到模型t中,得到預測的設備標簽作為分類結果;最后用模型預測準確率作為效果評價方式,具體為

圖4 基于AUV 聲紋特征的識別方法流程圖Fig.4 Flow chart of the recognition method based on AUV voiceprint features

式中:Aacc為準確率;Ccorr為正確識別的樣本數;Eerr為錯誤判別的樣本數。

2.1 預處理

經數據準備后,將樣本信號輸入預處理部分,對其先后進行峰值歸一化和端點檢測。為防止信號中高振幅被忽略,需進行峰值歸一化,即

式中:x1(n)為原始樣本信號;x3(n)為峰值歸一化后的樣本信號。

通過對樣本信號的采樣點進行幅度累加后求均值,用信號原幅度值減去幅度均值以去除樣本信號的非零均值,并用信號原幅度值與最大幅度值相除得到0～1 之間的幅值范圍,將幅值波動設置為同一水平。接著,通過設置最小靜音長度0.01 s和靜音閾值-35 dB 實現端點檢測,去除幅值為0 的沉默片斷,以減少水聲環境噪聲對系統識別的影響。

2.2 特征提取

2.2.1 非線性濾波尺度

考慮到水聲環境下噪聲作用,為更好地表征信號的精細結構,捕捉到硬件制造中產生的差異對信號帶來的細微影響,通過非線性濾波尺度[12],將獲取的特征進行尺度轉換和映射。非線性濾波尺度思想:為了增強信號能量主要集中區域的表征,對能量集中區域進行密集分布濾波,對其他區域進行稀疏分布濾波。其具體的過程是: 先使用Fratio 比率如式(4)所示,對信號整個頻帶進行分析;再利用每一頻率段的F-ratio 比率進行濾波器分布密度設計,即

式中:Fratios為第s頻帶上的F-ratio 比率;ui為第s頻帶上的平均向量;u為所有頻帶的平均向量。將得到的濾波器密度分布應用于提取到的幅度和相位特征,對其進行尺度轉換。

2.2.2 倒譜和相位譜特征

基于不同換能器對通信信號產生的影響,分析了數據在時域、頻域和相位域的差異。其中來自不同通信機發射的通信信號,在時頻上表現為波形畸變和在信號段的能量衰減;在同一頻率下,從譜圖中的細節處可以看出不同通信信號的能量值在能量和相位上也存在差異。因此在預處理和傅里葉變換后,文中首先提取了能量倒譜和相位譜特征,具體過程如圖5 所示。

圖5 特征提取流程圖Fig.5 Flow chart of feature extraction

通過計算頻譜實部與虛部平方和的標準差,可得到幅度譜系數,計算能量后應用非線性濾波尺度進行轉換,最后通過對數變換和離散余弦變化得到非線性倒譜特征,具體為

式中:an表示頻譜的實部;bn表示頻譜的虛部。

通過式(6) 計算得到信號的相位譜,并在相位譜特征基礎上應用非線性濾波尺度得到非線性相位特征,其提取過程如圖5 所示。幅度譜計算公式為

2.2.3 提取過程

為了增強數據處理能力,將預處理后的樣本信號歸一化到固定音頻長度1 s,并對不足長度的音頻用插值補零法進行補齊?；谕ㄐ判盘柕姆瞧椒€性,把信號分割為固定長度0.025 s 的幀,并將漢明窗[13]應用于每幀,最終得到平穩的短時量。

對于上述得到的每一幀短時量,需重復以下步驟提取特征: 首先對每幀計算離散傅里葉變換,通過公式計算得到幅度譜、相位譜和能量譜;然后應用非線性三角濾波器組,得到非線性相位特征和非線性能量譜特征;經對數運算和離散余弦變換,可將激勵信號和信道響應的卷積信號轉換為加性信號,并映射在倒譜域中得到非線性倒譜特征。

2.3 特征融合及分類

為了抑制多特征在表征信號時的冗余,將上述2 個特征輸入融合迭代注意力機制(iterative attentional feature fusion,IAFF)的AlexNet 卷積神經網絡[14]進行特征融合和分類。

IAFF[15]在注意力機制(attentional feature fusion,AFF)上新增了初始注意力模塊,并引入多尺度通道注意力模塊(multi-scale channel attention module,MSCAM)關注基于局部的本地特征域和基于全局的上下文特征域。目前IAFF 廣泛應用于不同領域的特征融合問題。Sun 等[16]在IAFF 基礎上設計網絡,對空中物體進行檢測,實現了較好的特征融合能力,顯著提高了卷積網絡的精度;Wang 等[17]利用IAFF 整合不同模態特征,并在CrossFuse 數據集上提練出優于其他方法的特征融合能力。

針對數據分布不一致問題,將傳統卷積層中的局部響應歸一化改換為批量歸一化(batch normalization,BN),以減小數據偏移。網絡層結構如圖6所示,將倒譜和相位譜特征作為網絡輸入,經IAFF 模塊進行特征融合后(見圖7),輸入5 個卷積層、1 個池化層和3 個全連接層進行訓練,最終生成預測標簽。

圖6 神經網絡結構圖Fig.6 Structure of neural network

圖7 特征融合Fig.7 Feature fusion

3 試驗驗證

在蘇州湖域內開展了實地采集試驗,由采集端實時采集目標水聲通信機發射的通信信號。試驗過程中,將水聲通信機按設備編號為01、02、03、04 和05。01 水聲通信機作為發送信號端,連接發送端電腦串口,05 水聲通信機作為接收信號端,連接接收端電腦串口,在湖中指定點將兩者放至水下指定深處。通過連接水聽器、功率放大器以及錄音筆或示波器構成采集線路,在指定點將水聽器放至水下指定深處。完成線路連接和布放工作后,打開電源進行通電。通過控制發送端電腦發送信號指令,成功建立發射端與接收端的通信鏈路,此時水聽器收集兩者通信過程中發出的信號和環境數據。試驗通過替換02、03 和04 通信機作為發送端,收集不同通信機個體發射的信號,以此提取不同通信機個體的聲紋特征。

試驗布局如圖8 所示。其中,發射端通信機與接收端通信機相距L1=13.37 m,與水聽器相距L2=5 m;發射端通信機、水聽器以及接收端通信機均放置在水下深度D1=D2=D3=0.5 m 處。

圖8 實驗布局圖Fig.8 Experimental layout

試驗使用2 種不同型號的水聲通信機,每種型號包含2 臺水聲通信機,共4 臺設備。過程中每臺設備發送多種18～28 kHz 頻段的信號,使用水聽器和錄音棒采集信號。最終采集結果如表2 所示。

表2 信號采集表Table 2 Signal acquisition

將實驗采集的通信信號按設備進行標記。根據不同的信號內容進行數據集劃分(見表3)。利用劃分好的數據集對上述識別方法進行驗證,提取樣本信號的非線性倒譜和相位譜特征,通過神經網絡對訓練集樣本所提取的特征進行特征融合和分類模型訓練,最后對測試集樣本特征進行預測,得到識別準確率為98.15%,混淆矩陣見圖9。

表3 數據集劃分Table 3 Division of data set

圖9 混淆矩陣Fig.9 Confusion matrix

同一型號的2 臺通信機之間在聲紋特征上具有一定程度上的相似,導致識別結果在相同型號間存在些許的錯誤判斷,但總體來看,不同型號的通信機以及同一型號不同個體的通信機均具有可區分的聲紋特征,且該特征的差異與通信內容無關。因此,可以初步推斷,利用水聲通信機的聲紋信息可以有效對AUV 進行身份認證。

此外,文中提取了無線通信等其他領域利用通信設備指紋進行安全認證的常用特征和線性濾波的倒譜特征,輸入到AlexNet 神經網絡中進行預測識別。表4 展示了不同特征及其組合用于識別的結果對比。結果表明,文中提出的非線性倒譜和相位譜的融合特征對身份認證方法的分類識別有一定的改善。

表4 不同特征下識別結果對比Table 4 Comparison of recognition results under different features

試驗采集了不同深度、不同距離和發送端在不同運動狀態下,01、02(同一型號的2 臺通信機)的5～9 種通信信號。將采集到的隨機環境信號標注后,作為驗證集輸入識別系統中,得到的識別結果如表5 所示。其中5～6 種信號在先驗信息下,識別成功率均能達到80%以上;在通信信號內容不同情況下,模型識別效果受深度變化的影響最小,不同通信距離和運動狀態下識別率均超過75%。識別結果表明,所訓練的模型具有較優的魯棒性,在不同信號內容、深度、通信距離和運動狀態下,訓練模型均可有效識別出發射端的通信機個體。這也表明文中所提利用通信載荷的聲紋特征對水下通信網絡進行目標身份認證的識別方法具有較好的可靠性。

表5 不同條件變量下識別結果對比Table 5 Comparison of recognition results under different condition variables

試驗結果顯示,AUV 聲紋特征具有明顯的可分性,對身份識別有積極的效果;此外,文中所提出的識別方法具有較好的可靠性,其識別性能并不局限于特定的條件和環境。綜上所述,利用AUV聲紋特征進行身份認證是可行的。

4 結束語

文中在現有身份認證方法基礎上,引入了聲紋認證技術。從通信設備的物理特性出發,提出了一種基于通信載荷聲紋特征的身份認證方法,最后通過湖上試驗,采集了2 種不同型號的水聲通信機發出的多種信號。通過所提方法,利用非線性倒譜和相位譜的融合特征,不僅識別了不同型號的通信機,還有效識別了相同型號的不同通信機個體,驗證了利用通信載荷的聲紋特征進行水下目標的身份認證具有可行性和可靠性。該方法為解決水下通信網絡的身份認證問題提供了新的思路,在維持高效且低能耗的通信網絡運行的基礎上,對實現水聲通信網絡的安全有一定參考價值,對保證通信網絡信息共享的質量和協同作業的效率有積極的現實意義。

文中的試驗僅涉及2 種不同的水聲通信機,且每種通信機的數量較少。其次,在模型的評估方面,采取的不同條件變量都為單一變量,無法適應復雜的海洋環境。因此,未來將繼續深入研究,針對多對象、多變量場景進行驗證,同時在特征選擇、融合和分類算法上進一步優化,以便更好地表征通信載荷的聲紋信息。