龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：山西警察学院
申请日：2024-01-31
公开（公告）日：2024-04-30
公开（公告）号：CN117956475A
主分类号：H04W12/79
分类号：H04W12/79;G06N3/0464;G06N3/0442;G06N3/045;G06N3/09;H04W12/06
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.05.17#实质审查的生效;2024.04.30#公开
摘要：本发明涉及LoRa网络中节点设备认证机制，具体为基于射频指纹技术与CNN‑BILSTM的LoRa网络安全身份认证方法。本方法选用树莓派4b+LoRaShield+USRP构建网关，接收设备的射频信号，在满足不同场景的通信需求时还可以防止未授权的设备接入网络，保证通信安全；以瞬态特征、稳态特征以及频率偏差共同构成射频指纹特征，射频指纹特征独立于环境变化，可以提供较高的稳定性。本发明提供了更强大的LoRa网关，使其不再局限于一种短距离接收信号的同时还可以利用射频指纹特征的唯一性保证了接入设备的安全，解决了信道中的衰落干扰问题，改进了CNN‑LSTM网络模型，大大提升了物理层接入认证机制的安全性。
主权项：1.基于射频指纹技术与CNN-BILSTM的LoRa网络安全身份认证方法，其特征在于包括以下步骤：第一步：构造LoRa网关进行数据采样：将无线电外围设备、LoRaShield信号稳定发射模块连接到树莓派4B，连接后作为LoRa网络的网关，网关通过无线电外围设备对LoRa网络中的节点设备进行数据采样；第二步：对LoRa节点数据进行预处理并提取射频指纹特征：对原始节点数据进行清洗，使用zscore函数对原始数据标准化，对标准化后的数据进行可视化处理得到IQ图，IQ图中的瞬态特征、稳态特征以及频率偏差共同构成射频指纹特征，第三步：改进CNN-LSTM模型为CNN-BiLSTM模型，CNN-LSTM模型中加入一个逆向的LSTM层，之后添加一个全连接层将正向和逆向LSTM的输出连接在一起，将标准化后的数据分为验证集和训练集，训练集对CNN-BiLSTM模型进行训练，验证集验证训练后的CNN-BiLSTM模型，通过改变相关参数提升CNN-BiLSTM模型的准确率，直到CNN-BiLSTM模型的准确率达到要求；第四步：LoRa网关利用训练好的CNN-BiLSTM模型对LoRa网络中的节点设备进行认证。
全文数据：
权利要求：
百度查询： 山西警察学院 基于射频指纹技术与CNN-BILSTM的LoRa网络安全身份认证方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号