[[318522]]

電子設備在運行時，電路上的工作電流會產(chǎn)生伴隨電磁場的輻射，這是所有電子電氣設備工作時的固有現(xiàn)象。隨著計算機網(wǎng)絡技術的發(fā)展，電磁空間更是和網(wǎng)絡空間高度融合，受到世界各國的高度重視。因此，利用電磁指紋對復雜電磁環(huán)境中的信號進行分析和判定具有重要意義。本文簡要介紹了電磁指紋的概念，梳理了當前電磁指紋提取技術的研究現(xiàn)狀以及在不同場景下的應用。

什么是電磁指紋?

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

[[318523]]

20世紀60年代，美國最先提出信號指紋特征識別的概念，將輻射源個體信號的細微特征作為通信信號的指紋，用于標識發(fā)送該信號的信息設備的身份。

電磁指紋意指電磁信號的“指紋”，即電磁信號的特征，是我們進行信號識別的依據(jù)，具有可檢測性、穩(wěn)定性及可識別性。

• 可檢測性。能夠從截獲的電磁信號中檢測出來;
• 穩(wěn)定性。不因時間或環(huán)境變化而產(chǎn)生顯著的變化;
• 可識別性。對于指紋特征集合，具有識別不同個體的特性。

電磁指紋提取技術

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

(1)基于信號參數(shù)的特征提取方法

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

統(tǒng)計特征提取是基于信號統(tǒng)計特征的提取方式，例如均值、方差、峰態(tài)、偏態(tài)等。目前，基于統(tǒng)計特征提取的信號指紋識別研究比較深入，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)信號的信號指紋識別。

高階譜特征提取是基于信號高階譜的提取方式。高階譜幾乎可以完全抑制有色噪聲對信號的影響，適用于分析非高斯非平穩(wěn)信號。雙譜是最低階的高階譜，可以定量描述信號非對稱性及非線性。由于雙譜維數(shù)較高，計算復雜，一般需要通過積分雙譜來簡化運算，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[1]提出采用局部圍線積分雙譜分析方法對三類通信輻射源信號進行識別。文獻[2]提出利用高階譜特征提取方法對五種計算機顯示器的個體進行識別，整體識別率達到92%。

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

(2)基于信號變換域的特征提取方法

基于信號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)驗模態(tài)分解等方法。

小波分析是時頻域分析方法，兼顧了信號在時域和頻域的信息，具有多分辨率分析的優(yōu)點。該方法對信號低頻部分時間分辨率低、頻率分辨率高;對信號高頻部分時間分辨率高、頻率分辨率低。文獻[2]提出用小波系數(shù)統(tǒng)計分布對三種計算機主機的個體進行識別，整體識別率達到94%。

分形維數(shù)是信號復雜性的度量指標，包括Hausdorff維數(shù)、計盒維數(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)是對分形形狀及復雜性的定量描述。文獻[5]提出通過提取暫態(tài)信號多重分形軌跡作為信號指紋對來自三家不同廠商的八個不同無線輻射源進行分類，識別正確率達到92.5%。但是，分形維數(shù)的提取方法受信號完整性和一致性的影響比較大，且缺乏對信號隨時間變化比較細致的識別。

經(jīng)驗模態(tài)分解(Empirical ModeDecomposition，EMD)方法將信號分解成若干本征模態(tài)函數(shù)和一個剩余分量，適用于提取非平穩(wěn)信號的指紋。文獻[6]提出了一種基于經(jīng)驗模態(tài)分解通信輻射源個體識別方法，提取雜散成分的頻域特征對多個通信輻射源個體進行分類識別。通過EMD方法獲得的時頻分布能夠大致反映信號在時頻空間上的分布情況，但EMD并不是嚴格意義上按照頻率來分解，當信號包含很多頻率分量、且各頻率分量的大小相近時，不能完全避免模態(tài)混疊，導致獲取的瞬時頻率與實際有出入。

電磁指紋的應用前景

(1)硬件木馬檢測

隨著電子技術的飛速發(fā)展，在芯片的設計和制造過程中植入硬件木馬成為一種便捷有效的攻擊手段，給芯片安全帶來嚴重威脅。目前主要的硬件木馬檢測技術分為破壞式檢測和非破壞式檢測，從最早的基于失效分析的檢測方法到如今基于旁路分析的方法，不同的檢測技術有其各自的優(yōu)勢與特點。其中，基于電磁指紋的硬件木馬檢測是公認最具前景的一種檢測方式，與傳統(tǒng)的檢測方法相比，電磁側信道檢測精度較高且付出的代價低，無需破壞硬件電路，并且檢測時不需要觸發(fā)激活硬件木馬。

其檢測原理如下：集成芯片在工作時會產(chǎn)生一些旁路信號，比如熱信號、電磁輻射信號、功耗信號、電路延時等。每個芯片在工作中的各個旁路信號都是確定的，與電路自身結構組成密切相關，當芯片的內部電路被修改或者植入木馬電路后，原有的電路結構發(fā)生一定程度的變化，其產(chǎn)生的旁路信號也就會發(fā)生變化，旁路信號檢測方法就是通過采集芯片在運行過程中泄漏的旁路信號，比較測試芯片與“黃金芯片”之間的差異，來檢測是否存在硬件木馬。

圖1 基于電磁指紋的硬件木馬檢測實驗儀器

(2)物聯(lián)網(wǎng)設備的數(shù)字取證

隨著物聯(lián)網(wǎng)設備的日益普及，在可預見的未來，對智能設備的數(shù)字取證調查將不斷增加。電磁側信道的非侵入性使電磁指紋成為協(xié)助數(shù)字取證的一個可行的選擇。通過被動地觀察設備的電磁輻射，推斷正在執(zhí)行的內部操作和正在處理的數(shù)據(jù)，檢測物聯(lián)網(wǎng)設備的內部軟件活動，當在犯罪現(xiàn)場識別出正在運行的物聯(lián)網(wǎng)設備時，通過指紋提取識別出重要的軟件活動，協(xié)助取證。

目前，文獻[7]提出在兩個不同物聯(lián)網(wǎng)平臺中進行了軟件運行的檢測，通過觀察軟件運行時電磁輻射的功率譜密度并提取其統(tǒng)計特征作為電磁指紋，分別達到82%、90%以上的準確率。此外，實驗證明，利用電磁指紋還可以檢測到物聯(lián)網(wǎng)設備固件的惡意修改。

圖2 電磁側信道分析技術在數(shù)字取證工作中的應用

(3)室內定位

近年來，利用電磁波對目標進行室內定位引起了人們的廣泛關注。為了獲得較高的定位精度，減少位置估計所需的計算資源，通?？梢圆捎秒姶胖讣y的識別方法。文獻[8]提出一種基于最近鄰和粒子濾波的室內定位框架，用于對預測指紋和測量指紋進行評價。文獻[9]提出一種無需訓練的單點定位系統(tǒng)，利用時域有限差分法(FDTD)模擬電磁波的傳播來獲得訓練數(shù)據(jù)，通過離線建立指紋數(shù)據(jù)庫，避免了耗時的測量訓練。文獻[10]提出一種利用指紋圖重建三維室內幾何圖形的方法，通過計算虛擬發(fā)射機(VT)的位置、ap的反射，然后利用VT位置重建室內幾何結構，該方法能正確重建66%的三維室內幾何圖形。

參考文獻：

[1]官建平 基于雙譜的輻射源個體識別技術 [M],西安電子科技大學.

[2]石珺 2017. 基于電磁指紋的計算機視頻泄漏信號檢測和計算機個體識別 [M],中國科學院大學.

[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)驗模態(tài)分解的通信輻射源個體識別方法[J]. 2013. 中國電子科學研究院學報, 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.