论文总字数：30566字

摘 要

无线通信高度发达的大环境使得通信设备的安全性更多地被关注，相较于基于上层协议的传统安全体系的不兼容性与不稳定性，基于物理层的射频指纹身份认证方式显然是一种更加安全可靠的技术。

本文的研究就是对WiFi802.11n协议下的设备进行特征提取并识别的过程，主要方法如下：

首先通过分析OFDM PHY信息帧的特点，以其前导码定位，进而提取两帧信号，再基于载波频率偏移的特征提取了设备指纹，又以机器学习分类算法中的SVM支持向量机对提取的设备指纹进行分类和识别，同时搭建了以发送、接收、处理和识别信号模块为基础的简单系统，用USRP设备接收信号，在电脑端成功提取了三个AP设备发出信号中的设备指纹，并实现了简单的支持向量机程序，最终达到了96%的识别成功率。

整个过程验证了在物理层提取设备指纹的可行性，也展现出了设不同设备特征良好的差异性，SVM支持向量机的方法表现出了良好的分类效果，同时，结合不同种类的设备指纹提取方式也能够提升设备指纹识别率。

关键词：设备指纹 载波频率偏移 支持向量机

ABSTRACT

The highly developed environment of wireless communication makes the security of communication devices more concerned. Compared with the incompatibility and instability of the traditional security system based on the upper layer protocol, the physical layer based RFID fingerprint authentication method is obviously a more secure and reliable technology.

The research in this paper is the process of feature extraction and recongnition of devices under WiFi802.11n protocol. The main methods are as follows:

Firstly, by analyzing the characteristics of the OFDM PHY frame, the preamble is located, and then the two frames are extracted. Then the device fingerprint is extracted based on the characteristics of the CFO(Carrier Frequency Offset), and the SVM(Support Vector Machine) in the machine learning classification algorithm is extracted. The device fingerprint is classified and identified. Besides, a simple system based on sending, receiving, processing and identifying signal modules is built. The signals are received by the USRP device, and the fingerprints of the devices in the signals sent by the three AP devices are successfully extracted on the computer. A simple support vector machine program was implemented, which finally achieved a 96% recognition success rate.

The whole process verifies the feasibility of extracting the fingerprint of the device at the physical layer, and also shows the good difference of different device characteristics. The SVM support vector machine method shows a good classification effect.Combined with different kinds of device fingerprint extraction.,the method can also improve the device fingerprint recognition rate.

KEY WORDS: Device Fingerprint,Carrier Frequency Offset, Support Vector Machines

目 录

第一章 绪论 1

1.1 研究背景及意义 1

1.2 射频指纹识别技术的发展 2

1.2.1 瞬态指纹识别 2

1.2.2 稳态指纹识别 3

1.3 研究思路与内容组织架构 4

第二章 IEEE 802.11n设备指纹提取原理 6

2.1 射频指纹原理 6

2.1.1 射频指纹的产生 6

2.1.2 射频指纹的提取方法 6

2.1.3 射频指纹的特点 7

2.1.4 射频指纹提取与识别流程 8

2.2 IEEE 802.11n设备指纹提取原理 9

2.2.1 IEEE 802.11n协议 9

2.2.2 OFDM原理 9

2.2.3 IEEE 802.11n OFDM PHY帧的结构 10

2.2.4 IEEE 802.11n OFDM PHY帧的获取 11

2.2.5 IEEE 802.11n OFDM PHY帧的特征提取 13

2.3 本章总结 15

第三章 机器学习在射频指纹识别中的应用 16

3.1 机器学习的原理及分类 16

3.1.1 机器学习的原理 16

3.1.2 机器学习的分类 16

3.2 分类算法原理 17

3.3 SVM支持向量机 17

3.3.1 线性分类SVM 17

3.3.2 非线性SVM 19

3.3.3 软间隔SVM 20

3.4 本章总结 21

第四章 IEEE 802.11n设备指纹跟踪及识别系统 22

4.1 IEEE 802.11n设备指纹跟踪及识别系统的设计 22

4.2 IEEE 802.11n设备指纹跟踪及识别系统的软件设计 24

4.3 IEEE 802.11n设备指纹跟踪及识别系统的准备工作 26

4.3.1 数据采集环境搭建 26

4.3.2 探究接收距离对指纹提取稳定性的影响 27

4.3.3 探究信噪比对指纹提取稳定性的影响 33

4.4 IEEE 802.11n设备指纹跟踪及识别系统的运行情况 35

4.5 本章总结 37

第五章 总结与展望 38

参考文献 39

致 谢 41

第一章 绪论

1.1 研究背景及意义

从古至今，人与人之间的信息交流方式伴随着技术的进步在不断发生着变化。远古时期，人类需要当面交流来交换信息；随着人类文明的建立，烽火狼烟，飞鸽传书等交流方式应运而生；电报电话的诞生，进一步拉长了信息传递的距离，减小了传输的时间；现如今，无线网络联系着整个世界，信息已经不再是人类脑中的一个消息，而是存在于无处不在的无线信号之中。

发展无线通信，是追求更长距离，更高稳定性和更快速度的过程，随着5G的研究深入，逐步纳入商用，人类会在无线通信领域将会拥有更多的可能性。技术的不断更新同样也带来了无线通信设备的更新换代，以应对更高质量的通信需求，而这其中稳定性是容易被忽略的一点，即如何保证信息的完整性，正确性。本文即是在通信设备层面对如何保证安全性的一些研究。

剩余内容已隐藏，请支付后下载全文，论文总字数：30566字