基于通信載荷聲紋特征的身份認(rèn)證方法

陳 露 ,趙德鑫 ,王 俊 ,高 虹 ,陳迎亮

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

0 引言

受水下環(huán)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(wǎng)絡(luò)來交換信息[1]。隨著海洋環(huán)境日漸復(fù)雜,在組網(wǎng)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(yù)等情況[3],嚴(yán)重影響集群信息共享的質(zhì)量和協(xié)同作業(yè)的效率,因此,如何構(gòu)建安全的水聲通信網(wǎng)絡(luò)是水下通信面臨的重要挑戰(zhàn)。基于此已經(jīng)開展了多項研究: 羊秋玲等[4]將數(shù)據(jù)加密融入隱蔽通信技術(shù)中,構(gòu)建了一種新的水聲通信網(wǎng)絡(luò)安全防御機(jī)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(xié)商算法實現(xiàn)了移動匯聚節(jié)點(diǎn)和固定傳感節(jié)點(diǎn)的相互認(rèn)證,保護(hù)了信息的安全;黃亮平[6]提出了面向基于簇的混合認(rèn)證協(xié)議,通過組網(wǎng)認(rèn)證、新節(jié)點(diǎn)加入認(rèn)證和移動節(jié)點(diǎn)認(rèn)證,構(gòu)建多重認(rèn)證,保證通信網(wǎng)絡(luò)的安全。這些研究針對水聲通信網(wǎng)絡(luò)的安全問題,主要關(guān)注于認(rèn)證協(xié)議和數(shù)據(jù)加密,盡管能有效地提高網(wǎng)絡(luò)的安全性,但也加重了通信網(wǎng)絡(luò)的負(fù)擔(dān),無法平衡水聲通信網(wǎng)絡(luò)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(chǎn)生的差異,基于聲紋特征對通信目標(biāo)進(jìn)行身份認(rèn)證。

利用通信機(jī)在硬件制造中產(chǎn)生的差異進(jìn)行身份認(rèn)證有諸多優(yōu)勢。首先,水聲通信機(jī)作為水下通信的主要設(shè)備具有廣泛適用性;其次,通信機(jī)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(fù)制的特點(diǎn),通過這類特點(diǎn)標(biāo)識不同個體搭載的通信機(jī),可以有效識別不同目標(biāo)個體的身份;此外,傳統(tǒng)身份認(rèn)證方式通過編碼等形式對通信節(jié)點(diǎn)進(jìn)行認(rèn)證,增大了集群間網(wǎng)絡(luò)的負(fù)載。文中從通信設(shè)備的物理特性出發(fā),利用聲紋進(jìn)行認(rèn)證,無需增加網(wǎng)絡(luò)負(fù)載,在保證通信網(wǎng)絡(luò)安全的同時,避免占用集群通信網(wǎng)絡(luò)的通道資源,實現(xiàn)高效、低能耗的身份認(rèn)證。

聲紋特征作為區(qū)分、跟蹤通信設(shè)備的標(biāo)識,在無線電通信、移動智能設(shè)備通信等其他領(lǐng)域已經(jīng)得到一些成功應(yīng)用。Nguyen 等[7]通過對發(fā)射的無線電信號進(jìn)行特征分析,以此識別出不同的發(fā)射機(jī);冀曉宇等[8]使用CPU 模塊輻射的磁感應(yīng)信號,識別出不同設(shè)備個體;Das 等[9]提出移動智能設(shè)備內(nèi)部嵌入的聲學(xué)板塊存在制造差異,利用聲信號中遺留的差異特征,結(jié)合機(jī)器學(xué)習(xí)算法,成功對不同設(shè)備個體進(jìn)行識別;Bojinov 等[10]收集多個移動設(shè)備傳感器的聲學(xué)信號,利用幅度表征傳感器指紋,結(jié)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(nèi),經(jīng)設(shè)備對信號產(chǎn)生的畸變影響,基于通信載荷的換能原理認(rèn)識到: 通信設(shè)備對信號的影響體現(xiàn)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(shè)備對信號產(chǎn)生的影響。此外,與上述研究相比,水聲通信受水聲環(huán)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(xiàn)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(jìn)行非線性頻率尺度轉(zhuǎn)換,以增強(qiáng)信號能量集中區(qū)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(chǔ)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(rèn)證系統(tǒng),聚焦于通信載荷在硬件制造中產(chǎn)生的差異,論證了利用通信機(jī)的聲紋特征進(jìn)行身份認(rèn)證的可行性,并提出了一種基于該聲紋特征的認(rèn)證方法,利用注意力機(jī)制融合了非線性倒譜和相位譜特征,最后開展了相關(guān)的湖試試驗。經(jīng)試驗驗證,上述身份認(rèn)證的方法不僅能識別不同型號的通信機(jī),對相同型號的通信機(jī)也能有效區(qū)分,表明利用通信載荷的聲紋特征進(jìn)行身份認(rèn)證是可行的。

1 身份認(rèn)證機(jī)制

1.1 水下通信組網(wǎng)

水下通信網(wǎng)絡(luò)可分為目標(biāo)與地面控制平臺的通信,以及目標(biāo)之間的通信。為保證通信安全,文中設(shè)計了一種基于聲紋特征的身份認(rèn)證方法,可在水下通信網(wǎng)絡(luò)的中轉(zhuǎn)節(jié)點(diǎn)接入身份認(rèn)證系統(tǒng),如圖1 所示。

圖1 水聲通信網(wǎng)絡(luò)身份認(rèn)證系統(tǒng)結(jié)構(gòu)Fig.1 Architecture of underwater acoustic communication network authentication system

當(dāng)目標(biāo)在向上或目標(biāo)相互間通信時,通信節(jié)點(diǎn)首先對信號進(jìn)行身份認(rèn)證,以防止未知信號的干擾和攻擊,接著對通過認(rèn)證的信號進(jìn)行身份標(biāo)識。在后續(xù)通信過程中,每一通信信號將攜帶自身的身份標(biāo)識進(jìn)行通信交流。通過該身份認(rèn)證系統(tǒng),對每一個目標(biāo)發(fā)送的通信信號進(jìn)行標(biāo)識,便于后續(xù)控制平臺和目標(biāo)間對通信信息的分析和利用,實現(xiàn)高效且低能耗的網(wǎng)絡(luò)通信。

1.2 通信載荷聲紋

水聲通信機(jī)是水下目標(biāo)進(jìn)行聲學(xué)通信的最主要設(shè)備,其通信系統(tǒng)構(gòu)成如圖2 所示。信源經(jīng)過通信機(jī)內(nèi)部的算法處理后,由發(fā)射換能器發(fā)出。在內(nèi)部處理信號過程中,傳感器或濾波算法對信源產(chǎn)生一定的衰減和混淆,同時通信機(jī)內(nèi)部換能器的性能也會對信源產(chǎn)生影響,如表1 所示。信源在通信機(jī)內(nèi)部的每一階段都可能引入混淆偽影,導(dǎo)致后續(xù)信號中將留下關(guān)于通信機(jī)的特征,因此,最終的接收信號將具有基于通信設(shè)備物理特性的差異。

通信機(jī)內(nèi)部換能器結(jié)構(gòu)如圖3 所示,具體來說,通信機(jī)內(nèi)部換能器的發(fā)聲原理[11]是: 換能材料(如圖3 中壓電陶瓷環(huán)及其彎曲圓盤)受交變電場或者磁場激勵,產(chǎn)生伸縮應(yīng)變。不同類型換能器對不同頻率信號有不同的響應(yīng)特性,同一信號經(jīng)不同頻響后,可能存在一定的區(qū)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(chǎn)生的伸縮效果,即影響換能器的響應(yīng)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(jìn)行調(diào)制,不同的通信機(jī)也會因為制作過程中產(chǎn)生的微小變化導(dǎo)致其發(fā)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(fù)制的特點(diǎn)。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(jī)發(fā)射的通信信號來標(biāo)識不同的通信機(jī),從而識別不同目標(biāo)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(jī)設(shè)備個體的標(biāo)簽作為識別類別,該方法最終得到的分類結(jié)果是對測試樣本進(jìn)行預(yù)測的標(biāo)簽。在訓(xùn)練階段,對樣本進(jìn)行預(yù)處理、倒譜特征提取和相位譜特征提取后,輸入到注意力機(jī)制網(wǎng)絡(luò)中進(jìn)行特征融合,并將融合特征與標(biāo)簽一起輸入到AlexNet 神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,得到分類識別模型t;在測試階段,輸入未知標(biāo)簽的樣本信號,經(jīng)數(shù)據(jù)預(yù)處理、特征提取和融合后,輸入到模型t中,得到預(yù)測的設(shè)備標(biāo)簽作為分類結(jié)果;最后用模型預(yù)測準(zhǔn)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(zhǔn)確率;Ccorr為正確識別的樣本數(shù);Eerr為錯誤判別的樣本數(shù)。

2.1 預(yù)處理

經(jīng)數(shù)據(jù)準(zhǔn)備后,將樣本信號輸入預(yù)處理部分,對其先后進(jìn)行峰值歸一化和端點(diǎn)檢測。為防止信號中高振幅被忽略,需進(jìn)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(diǎn)進(jìn)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(shè)置為同一水平。接著,通過設(shè)置最小靜音長度0.01 s和靜音閾值-35 dB 實現(xiàn)端點(diǎn)檢測,去除幅值為0 的沉默片斷,以減少水聲環(huán)境噪聲對系統(tǒng)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(huán)境下噪聲作用,為更好地表征信號的精細(xì)結(jié)構(gòu),捕捉到硬件制造中產(chǎn)生的差異對信號帶來的細(xì)微影響,通過非線性濾波尺度[12],將獲取的特征進(jìn)行尺度轉(zhuǎn)換和映射。非線性濾波尺度思想:為了增強(qiáng)信號能量主要集中區(qū)域的表征,對能量集中區(qū)域進(jìn)行密集分布濾波,對其他區(qū)域進(jìn)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(jìn)行分析;再利用每一頻率段的F-ratio 比率進(jìn)行濾波器分布密度設(shè)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(yīng)用于提取到的幅度和相位特征,對其進(jìn)行尺度轉(zhuǎn)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(chǎn)生的影響,分析了數(shù)據(jù)在時域、頻域和相位域的差異。其中來自不同通信機(jī)發(fā)射的通信信號,在時頻上表現(xiàn)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(xì)節(jié)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(yù)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(biāo)準(zhǔn)差,可得到幅度譜系數(shù),計算能量后應(yīng)用非線性濾波尺度進(jìn)行轉(zhuǎn)換,最后通過對數(shù)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(chǔ)上應(yīng)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(qiáng)數(shù)據(jù)處理能力,將預(yù)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(bǔ)零法進(jìn)行補(bǔ)齊?；谕ㄐ判盘柕姆瞧椒€(wěn)性,把信號分割為固定長度0.025 s 的幀,并將漢明窗[13]應(yīng)用于每幀,最終得到平穩(wěn)的短時量。

對于上述得到的每一幀短時量,需重復(fù)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(yīng)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(jīng)對數(shù)運(yùn)算和離散余弦變換,可將激勵信號和信道響應(yīng)的卷積信號轉(zhuǎn)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(jī)制(iterative attentional feature fusion,IAFF)的AlexNet 卷積神經(jīng)網(wǎng)絡(luò)[14]進(jìn)行特征融合和分類。

IAFF[15]在注意力機(jī)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(guān)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(yīng)用于不同領(lǐng)域的特征融合問題。Sun 等[16]在IAFF 基礎(chǔ)上設(shè)計網(wǎng)絡(luò),對空中物體進(jìn)行檢測,實現(xiàn)了較好的特征融合能力,顯著提高了卷積網(wǎng)絡(luò)的精度;Wang 等[17]利用IAFF 整合不同模態(tài)特征,并在CrossFuse 數(shù)據(jù)集上提練出優(yōu)于其他方法的特征融合能力。

針對數(shù)據(jù)分布不一致問題,將傳統(tǒng)卷積層中的局部響應(yīng)歸一化改換為批量歸一化(batch normalization,BN),以減小數(shù)據(jù)偏移。網(wǎng)絡(luò)層結(jié)構(gòu)如圖6所示,將倒譜和相位譜特征作為網(wǎng)絡(luò)輸入,經(jīng)IAFF 模塊進(jìn)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(jìn)行訓(xùn)練,最終生成預(yù)測標(biāo)簽。

圖6 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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(nèi)開展了實地采集試驗,由采集端實時采集目標(biāo)水聲通信機(jī)發(fā)射的通信信號。試驗過程中,將水聲通信機(jī)按設(shè)備編號為01、02、03、04 和05。01 水聲通信機(jī)作為發(fā)送信號端,連接發(fā)送端電腦串口,05 水聲通信機(jī)作為接收信號端,連接接收端電腦串口,在湖中指定點(diǎn)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(gòu)成采集線路,在指定點(diǎn)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(jìn)行通電。通過控制發(fā)送端電腦發(fā)送信號指令,成功建立發(fā)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(fā)出的信號和環(huán)境數(shù)據(jù)。試驗通過替換02、03 和04 通信機(jī)作為發(fā)送端,收集不同通信機(jī)個體發(fā)射的信號,以此提取不同通信機(jī)個體的聲紋特征。

試驗布局如圖8 所示。其中,發(fā)射端通信機(jī)與接收端通信機(jī)相距L1=13.37 m,與水聽器相距L2=5 m;發(fā)射端通信機(jī)、水聽器以及接收端通信機(jī)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(jī),每種型號包含2 臺水聲通信機(jī),共4 臺設(shè)備。過程中每臺設(shè)備發(fā)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(jié)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(shè)備進(jìn)行標(biāo)記。根據(jù)不同的信號內(nèi)容進(jìn)行數(shù)據(jù)集劃分(見表3)。利用劃分好的數(shù)據(jù)集對上述識別方法進(jìn)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(jīng)網(wǎng)絡(luò)對訓(xùn)練集樣本所提取的特征進(jìn)行特征融合和分類模型訓(xùn)練,最后對測試集樣本特征進(jìn)行預(yù)測,得到識別準(zhǔn)確率為98.15%,混淆矩陣見圖9。

表3 數(shù)據(jù)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(jī)之間在聲紋特征上具有一定程度上的相似,導(dǎo)致識別結(jié)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(jī)以及同一型號不同個體的通信機(jī)均具有可區(qū)分的聲紋特征,且該特征的差異與通信內(nèi)容無關(guān)。因此,可以初步推斷,利用水聲通信機(jī)的聲紋信息可以有效對AUV 進(jìn)行身份認(rèn)證。

此外,文中提取了無線通信等其他領(lǐng)域利用通信設(shè)備指紋進(jìn)行安全認(rèn)證的常用特征和線性濾波的倒譜特征,輸入到AlexNet 神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測識別。表4 展示了不同特征及其組合用于識別的結(jié)果對比。結(jié)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(rèn)證方法的分類識別有一定的改善。

表4 不同特征下識別結(jié)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(fā)送端在不同運(yùn)動狀態(tài)下,01、02(同一型號的2 臺通信機(jī))的5～9 種通信信號。將采集到的隨機(jī)環(huán)境信號標(biāo)注后,作為驗證集輸入識別系統(tǒng)中,得到的識別結(jié)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(dá)到80%以上;在通信信號內(nèi)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(yùn)動狀態(tài)下識別率均超過75%。識別結(jié)果表明,所訓(xùn)練的模型具有較優(yōu)的魯棒性,在不同信號內(nèi)容、深度、通信距離和運(yùn)動狀態(tài)下,訓(xùn)練模型均可有效識別出發(fā)射端的通信機(jī)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(wǎng)絡(luò)進(jìn)行目標(biāo)身份認(rèn)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(jié)果對比Table 5 Comparison of recognition results under different condition variables

試驗結(jié)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(huán)境。綜上所述,利用AUV聲紋特征進(jìn)行身份認(rèn)證是可行的。

4 結(jié)束語

文中在現(xiàn)有身份認(rèn)證方法基礎(chǔ)上,引入了聲紋認(rèn)證技術(shù)。從通信設(shè)備的物理特性出發(fā),提出了一種基于通信載荷聲紋特征的身份認(rèn)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(jī)發(fā)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(jī),還有效識別了相同型號的不同通信機(jī)個體,驗證了利用通信載荷的聲紋特征進(jìn)行水下目標(biāo)的身份認(rèn)證具有可行性和可靠性。該方法為解決水下通信網(wǎng)絡(luò)的身份認(rèn)證問題提供了新的思路,在維持高效且低能耗的通信網(wǎng)絡(luò)運(yùn)行的基礎(chǔ)上,對實現(xiàn)水聲通信網(wǎng)絡(luò)的安全有一定參考價值,對保證通信網(wǎng)絡(luò)信息共享的質(zhì)量和協(xié)同作業(yè)的效率有積極的現(xiàn)實意義。

文中的試驗僅涉及2 種不同的水聲通信機(jī),且每種通信機(jī)的數(shù)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(yīng)復(fù)雜的海洋環(huán)境。因此,未來將繼續(xù)深入研究,針對多對象、多變量場景進(jìn)行驗證,同時在特征選擇、融合和分類算法上進(jìn)一步優(yōu)化,以便更好地表征通信載荷的聲紋信息。