[[318522]]

電子設(shè)備在運(yùn)行時(shí)，電路上的工作電流會(huì)產(chǎn)生伴隨電磁場(chǎng)的輻射，這是所有電子電氣設(shè)備工作時(shí)的固有現(xiàn)象。隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，電磁空間更是和網(wǎng)絡(luò)空間高度融合，受到世界各國(guó)的高度重視。因此，利用電磁指紋對(duì)復(fù)雜電磁環(huán)境中的信號(hào)進(jìn)行分析和判定具有重要意義。本文簡(jiǎn)要介紹了電磁指紋的概念，梳理了當(dāng)前電磁指紋提取技術(shù)的研究現(xiàn)狀以及在不同場(chǎng)景下的應(yīng)用。

什么是電磁指紋?

通常人們所說(shuō)的指紋，是指人類(lèi)手指末端由凹凸的皮膚所形成的紋路。在人類(lèi)出生之前指紋就已經(jīng)形成并且隨著個(gè)體的成長(zhǎng)指紋的形狀不會(huì)發(fā)生改變，而且每個(gè)人的指紋都是不同的，在眾多細(xì)節(jié)描述中能進(jìn)行良好的區(qū)分。

[[318523]]

20世紀(jì)60年代，美國(guó)最先提出信號(hào)指紋特征識(shí)別的概念，將輻射源個(gè)體信號(hào)的細(xì)微特征作為通信信號(hào)的指紋，用于標(biāo)識(shí)發(fā)送該信號(hào)的信息設(shè)備的身份。

電磁指紋意指電磁信號(hào)的“指紋”，即電磁信號(hào)的特征，是我們進(jìn)行信號(hào)識(shí)別的依據(jù)，具有可檢測(cè)性、穩(wěn)定性及可識(shí)別性。

• 可檢測(cè)性。能夠從截獲的電磁信號(hào)中檢測(cè)出來(lái);
• 穩(wěn)定性。不因時(shí)間或環(huán)境變化而產(chǎn)生顯著的變化;
• 可識(shí)別性。對(duì)于指紋特征集合，具有識(shí)別不同個(gè)體的特性。

電磁指紋提取技術(shù)

研究人員針對(duì)不同電磁信號(hào)提出了指紋提取方法，主要可以歸納為基于信號(hào)參數(shù)的特征提取以及基于信號(hào)變換域的特征提取。

(1)基于信號(hào)參數(shù)的特征提取方法

基于信號(hào)參數(shù)的特征提取方法主要包括統(tǒng)計(jì)特征提取、高階譜特征提取、熵特征提取等。

統(tǒng)計(jì)特征提取是基于信號(hào)統(tǒng)計(jì)特征的提取方式，例如均值、方差、峰態(tài)、偏態(tài)等。目前，基于統(tǒng)計(jì)特征提取的信號(hào)指紋識(shí)別研究比較深入，但是這些方法大多要求較高的接收信噪比，且不適用于非高斯、非平穩(wěn)信號(hào)的信號(hào)指紋識(shí)別。

高階譜特征提取是基于信號(hào)高階譜的提取方式。高階譜幾乎可以完全抑制有色噪聲對(duì)信號(hào)的影響，適用于分析非高斯非平穩(wěn)信號(hào)。雙譜是最低階的高階譜，可以定量描述信號(hào)非對(duì)稱(chēng)性及非線性。由于雙譜維數(shù)較高，計(jì)算復(fù)雜，一般需要通過(guò)積分雙譜來(lái)簡(jiǎn)化運(yùn)算，例如徑向積分、軸向積分、圓周積分、矩形積分和選擇雙譜等。文獻(xiàn)[1]提出采用局部圍線積分雙譜分析方法對(duì)三類(lèi)通信輻射源信號(hào)進(jìn)行識(shí)別。文獻(xiàn)[2]提出利用高階譜特征提取方法對(duì)五種計(jì)算機(jī)顯示器的個(gè)體進(jìn)行識(shí)別，整體識(shí)別率達(dá)到92%。

熵特征提取是基于信號(hào)熵的提取方式，包括排列熵、近似熵、樣本熵等。熵可以描述信號(hào)分布的不確定性，信號(hào)的信息量和復(fù)雜程度，適用于分析非線性、非平穩(wěn)信號(hào)。文獻(xiàn)[3]提出了提取IEEE 802.11b無(wú)線網(wǎng)卡和軟件無(wú)線電設(shè)備暫態(tài)信號(hào)的排列熵作為信號(hào)指紋的方法，其識(shí)別正確率達(dá)到91.2%。文獻(xiàn)[4]提出通過(guò)改進(jìn)的近似熵算法提取穩(wěn)態(tài)信號(hào)非線性復(fù)雜度作為信號(hào)指紋，信噪比大于6dB時(shí)，能達(dá)到90%的識(shí)別正確率。

(2)基于信號(hào)變換域的特征提取方法

基于信號(hào)變換域的特征提取主要包括小波分析、分形維數(shù)以及經(jīng)驗(yàn)?zāi)B(tài)分解等方法。

小波分析是時(shí)頻域分析方法，兼顧了信號(hào)在時(shí)域和頻域的信息，具有多分辨率分析的優(yōu)點(diǎn)。該方法對(duì)信號(hào)低頻部分時(shí)間分辨率低、頻率分辨率高;對(duì)信號(hào)高頻部分時(shí)間分辨率高、頻率分辨率低。文獻(xiàn)[2]提出用小波系數(shù)統(tǒng)計(jì)分布對(duì)三種計(jì)算機(jī)主機(jī)的個(gè)體進(jìn)行識(shí)別，整體識(shí)別率達(dá)到94%。

分形維數(shù)是信號(hào)復(fù)雜性的度量指標(biāo)，包括Hausdorff維數(shù)、計(jì)盒維數(shù)、分配維數(shù)等。分形是指局部與整體之間具有相似性的圖形，分形維數(shù)是對(duì)分形形狀及復(fù)雜性的定量描述。文獻(xiàn)[5]提出通過(guò)提取暫態(tài)信號(hào)多重分形軌跡作為信號(hào)指紋對(duì)來(lái)自三家不同廠商的八個(gè)不同無(wú)線輻射源進(jìn)行分類(lèi)，識(shí)別正確率達(dá)到92.5%。但是，分形維數(shù)的提取方法受信號(hào)完整性和一致性的影響比較大，且缺乏對(duì)信號(hào)隨時(shí)間變化比較細(xì)致的識(shí)別。

經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical ModeDecomposition，EMD)方法將信號(hào)分解成若干本征模態(tài)函數(shù)和一個(gè)剩余分量，適用于提取非平穩(wěn)信號(hào)的指紋。文獻(xiàn)[6]提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解通信輻射源個(gè)體識(shí)別方法，提取雜散成分的頻域特征對(duì)多個(gè)通信輻射源個(gè)體進(jìn)行分類(lèi)識(shí)別。通過(guò)EMD方法獲得的時(shí)頻分布能夠大致反映信號(hào)在時(shí)頻空間上的分布情況，但EMD并不是嚴(yán)格意義上按照頻率來(lái)分解，當(dāng)信號(hào)包含很多頻率分量、且各頻率分量的大小相近時(shí)，不能完全避免模態(tài)混疊，導(dǎo)致獲取的瞬時(shí)頻率與實(shí)際有出入。

電磁指紋的應(yīng)用前景

(1)硬件木馬檢測(cè)

隨著電子技術(shù)的飛速發(fā)展，在芯片的設(shè)計(jì)和制造過(guò)程中植入硬件木馬成為一種便捷有效的攻擊手段，給芯片安全帶來(lái)嚴(yán)重威脅。目前主要的硬件木馬檢測(cè)技術(shù)分為破壞式檢測(cè)和非破壞式檢測(cè)，從最早的基于失效分析的檢測(cè)方法到如今基于旁路分析的方法，不同的檢測(cè)技術(shù)有其各自的優(yōu)勢(shì)與特點(diǎn)。其中，基于電磁指紋的硬件木馬檢測(cè)是公認(rèn)最具前景的一種檢測(cè)方式，與傳統(tǒng)的檢測(cè)方法相比，電磁側(cè)信道檢測(cè)精度較高且付出的代價(jià)低，無(wú)需破壞硬件電路，并且檢測(cè)時(shí)不需要觸發(fā)激活硬件木馬。

其檢測(cè)原理如下：集成芯片在工作時(shí)會(huì)產(chǎn)生一些旁路信號(hào)，比如熱信號(hào)、電磁輻射信號(hào)、功耗信號(hào)、電路延時(shí)等。每個(gè)芯片在工作中的各個(gè)旁路信號(hào)都是確定的，與電路自身結(jié)構(gòu)組成密切相關(guān)，當(dāng)芯片的內(nèi)部電路被修改或者植入木馬電路后，原有的電路結(jié)構(gòu)發(fā)生一定程度的變化，其產(chǎn)生的旁路信號(hào)也就會(huì)發(fā)生變化，旁路信號(hào)檢測(cè)方法就是通過(guò)采集芯片在運(yùn)行過(guò)程中泄漏的旁路信號(hào)，比較測(cè)試芯片與“黃金芯片”之間的差異，來(lái)檢測(cè)是否存在硬件木馬。

圖1 基于電磁指紋的硬件木馬檢測(cè)實(shí)驗(yàn)儀器

(2)物聯(lián)網(wǎng)設(shè)備的數(shù)字取證

隨著物聯(lián)網(wǎng)設(shè)備的日益普及，在可預(yù)見(jiàn)的未來(lái)，對(duì)智能設(shè)備的數(shù)字取證調(diào)查將不斷增加。電磁側(cè)信道的非侵入性使電磁指紋成為協(xié)助數(shù)字取證的一個(gè)可行的選擇。通過(guò)被動(dòng)地觀察設(shè)備的電磁輻射，推斷正在執(zhí)行的內(nèi)部操作和正在處理的數(shù)據(jù)，檢測(cè)物聯(lián)網(wǎng)設(shè)備的內(nèi)部軟件活動(dòng)，當(dāng)在犯罪現(xiàn)場(chǎng)識(shí)別出正在運(yùn)行的物聯(lián)網(wǎng)設(shè)備時(shí)，通過(guò)指紋提取識(shí)別出重要的軟件活動(dòng)，協(xié)助取證。

目前，文獻(xiàn)[7]提出在兩個(gè)不同物聯(lián)網(wǎng)平臺(tái)中進(jìn)行了軟件運(yùn)行的檢測(cè)，通過(guò)觀察軟件運(yùn)行時(shí)電磁輻射的功率譜密度并提取其統(tǒng)計(jì)特征作為電磁指紋，分別達(dá)到82%、90%以上的準(zhǔn)確率。此外，實(shí)驗(yàn)證明，利用電磁指紋還可以檢測(cè)到物聯(lián)網(wǎng)設(shè)備固件的惡意修改。

圖2 電磁側(cè)信道分析技術(shù)在數(shù)字取證工作中的應(yīng)用

(3)室內(nèi)定位

近年來(lái)，利用電磁波對(duì)目標(biāo)進(jìn)行室內(nèi)定位引起了人們的廣泛關(guān)注。為了獲得較高的定位精度，減少位置估計(jì)所需的計(jì)算資源，通常可以采用電磁指紋的識(shí)別方法。文獻(xiàn)[8]提出一種基于最近鄰和粒子濾波的室內(nèi)定位框架，用于對(duì)預(yù)測(cè)指紋和測(cè)量指紋進(jìn)行評(píng)價(jià)。文獻(xiàn)[9]提出一種無(wú)需訓(xùn)練的單點(diǎn)定位系統(tǒng)，利用時(shí)域有限差分法(FDTD)模擬電磁波的傳播來(lái)獲得訓(xùn)練數(shù)據(jù)，通過(guò)離線建立指紋數(shù)據(jù)庫(kù)，避免了耗時(shí)的測(cè)量訓(xùn)練。文獻(xiàn)[10]提出一種利用指紋圖重建三維室內(nèi)幾何圖形的方法，通過(guò)計(jì)算虛擬發(fā)射機(jī)(VT)的位置、ap的反射，然后利用VT位置重建室內(nèi)幾何結(jié)構(gòu)，該方法能正確重建66%的三維室內(nèi)幾何圖形。

參考文獻(xiàn)：

[1]官建平 基于雙譜的輻射源個(gè)體識(shí)別技術(shù) [M],西安電子科技大學(xué).

[2]石珺 2017. 基于電磁指紋的計(jì)算機(jī)視頻泄漏信號(hào)檢測(cè)和計(jì)算機(jī)個(gè)體識(shí)別 [M],中國(guó)科學(xué)院大學(xué).

[3]HUANG G, YUAN Y, WANG X, et al. Specific Emitter Identification Based on Nonlinear Dynamical Characteristics[J]. Electrical & Computer Engineering Canadian Journal of, 39(1): 34-41.

[4]YANG X, WANG S, ZHANG E, et al. 2016. Specific Emitter Identification based on nonlinear complexity of signal [C].

[5]SHAW D, KINSNER W 1997. Multifractal modelling of radio transmitter transients for classification [C].

[6]梁江海, 黃知濤, 袁英俊, et al. 一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的通信輻射源個(gè)體識(shí)別方法[J]. 2013. 中國(guó)電子科學(xué)研究院學(xué)報(bào), 8(04): 393-397+417.

[7]SAYAKKARA A, LE-KHAC N-A, SCANLON M. Leveraging Electromagnetic Side-Channel Analysis for the Investigation of IoT Devices[J]. 2019. Digital Investigation, 29: S94-S103.

[8]WIDYAWAN, KLEPAL M, PESCH D 2007. Influence of predicted and measured fingerprint on the accuracy of RSSI-based indoor location systems [C], Inst. of Elec. and Elec. Eng. Computer Society; 145-151.

[9]BISIO I, CERRUTI M, LAVAGETTO F, et al. A Trainingless WiFi fingerprint positioning approach over mobile devices[J]. 2014. IEEE Antennas and Wireless Propagation Letters, 13: 832-835.

[10]ZAYETS A, BOURGUIBA M, STEINBACH E 2019. 3D Reconstruction of Indoor Geometry using Electromagnetic Multipath Fingerprints [C]; 1-7.