[发明专利]一种光通信设备指纹特征提取及设备身份识别方法和系统

权利要求书

1.一种光通信设备指纹特征提取及设备身份识别方法，其特征在于，包括：

S101，对光通信设备接收端接收到的信号y(t)进行重构，得到发送端发送的信号x(t)；基于y(t)、x(t)及信道噪声模型，构建设备指纹特征向量

S102，对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵；

S103，将所述设备指纹特征矩阵输入预先训练好的神经网络模型，得到光通信设备的设备身份；

所述信道噪声模型为：

y(t)＝x(t)×a(t)+b(t)；

其中，a(t)为乘性噪声，b(t)为加性噪声。

2.如权利要求1所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，所述对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵，具体为：

分别对设备指纹特征向量进行第一层高低频均匀小波分解与重构，得到第一层重构向量；

分别对第一层重构向量进行第二层高低频均匀小波分解与重构，得到第二层重构向量；

所述第一层重构向量与第二层重构向量共同组成设备指纹特征矩阵。

3.如权利要求2所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，分解公式为：

其中，W(j，k)为小波系数，为小波母函数的共轭函数，j为尺度因子，k为平移因子，f(t)为待分解的向量；

重构公式为：

其中，f′(t)为重构向量。

4.如权利要求1所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，所述神经网络模型是以设备指纹特征矩阵为样本，以设备身份为标签进行监督训练得到的。

5.如权利要求1或4所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，所述神经网络模型为卷积神经网络模型，包括输入层、卷积层、ReLU层、池化层、全连接层、Softmax层和分类输出层。

6.如权利要求5所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，所述卷积层包括多个大小为3×3的卷积核。

7.一种光通信设备指纹特征提取及设备身份识别系统，其特征在于，包括：

设备指纹特征提取模块，用于基于光通信设备接收端接收到的信号y(t)、发送端发送的信号x(t)及信道噪声模型，构建设备指纹特征向量

对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵；

设备身份识别模块，用于将所述特征矩阵输入预先训练好的神经网络模型，得到光通信设备的设备标签；

所述信道噪声模型为：

y(t)＝x(t)×a(t)+b(t)；

其中，a(t)为乘性噪声，b(t)为加性噪声。