电子设备在运行时，电路上的工作电流会产生辐射并伴随电磁场，这是所有电子电器设备工作时的固有现象。随着计算机网络技术的发展，电磁空间与网络空间高度融合，受到世界各国的高度重视。因此，利用电磁指纹对复杂电磁环境下的信号进行分析判断具有重要意义。本文简要介绍了电磁指纹的概念，梳理了电磁指纹提取技术的研究现状及其在不同场景下的应用。什么是电磁指纹？俗称指纹，是指人手指末端皮肤凹凸不平形成的纹路。指纹在人类出生之前就已经形成，指纹的形状不会随着个体的成长而改变，而且每个人的指纹都不一样，在很多详细的描述中都能很好的分辨出来。1960年代，美国首先提出信号指纹特征识别的概念，利用辐射源个体信号的细微特征作为通信信号的指纹，识别发送信号的信息设备的身份。电磁指纹是指电磁信号的“指纹”，即电磁信号的特征，是我们进行信号识别的基础，具有可检测性、稳定性和可识别性。可探测性。能够从截获的电磁信号中进行检测；稳定。不随时间或情况发生显着变化；可识别性。对于指纹特征集，具有识别不同个体的特征。电磁指纹提取技术研究人员提出了针对不同电磁信号的指纹提取方法，主要可归纳为基于信号参数的特征提取和基于信号变换域的特征提取。(1)基于信号参数的特征提取方法基于信号参数的特征提取方法主要包括统计特征提取、高阶谱特征提取和熵特征提取。统计特征提取是基于对信号统计特征的提取，如均值、方差、峰度、偏度等。目前，基于统计特征提取的信号指纹识别研究比较深入，但这些方法大多需要接收信噪比高，不适用于非高斯非平稳信号的信号指纹识别。高阶谱特征提取是基于信号高阶谱的提取方法。高阶频谱几乎可以完全抑制有色噪声对信号的影响，适用于分析非高斯非平稳信号。双谱是最低阶的高阶谱，可以定量描述信号的不对称性和非线性。由于双谱维数高，计算复杂，一般需要对双谱进行积分来简化计算，如径向积分、轴向积分、圆积分、矩形积分、选择性双谱等。文献[1]提出采用局部周界积分双谱分析方法识别三类通信辐射源信号。文献[2]提出采用高阶光谱特征提取方法对5台计算机监视器进行个体识别，整体识别率达到92%。熵特征提取是一种基于信号熵的提取方法，包括排列熵、近似熵、样本熵等。熵可以描述信号分布的不确定性、信号的信息量和复杂程度，适用于分析非线性和非-固定信号。文献[3]提出了一种提取IEEE802.11b无线网卡和软件无线电设备瞬态信号的排列熵作为信号指纹的方法，识别准确率达到91.2%。文献[4]提出通过改进的近似熵算法提取稳态信号的非线性复杂度作为信号指纹。当信噪比大于6dB时，识别准确率可达90%。(2)基于信号变换域的特征提取方法基于信号变换域的特征提取主要包括小波分析、分形维数和经验模态分解等方法。小波分析是一种时频域分析方法，它兼顾了信号在时域和频域的信息，具有多分辨率分析的优点。该方法对信号的低频部分时间分辨率低、频率分辨率高，对信号的高频部分时间分辨率高、频率分辨率低。文献[2]提出利用小波系数的统计分布对三种计算机主机进行个体识别，整体识别率达到94%。分形维数是信号复杂度的度量，包括Hausdorff维数、盒计数维数、分布维数等。分形是指部分与整体的相似性，分形维数是对分形形状和复杂性的定量描述。文献[5]提出通过提取瞬态信号的多重分形轨迹作为信号指纹，对来自三个不同厂商的八个不同无线辐射源进行分类，识别准确率达到92.5%。然而，分形维数提取方法受信号完整性和一致性的影响较大，缺乏对信号随时间变化的更详细识别。经验模态分解(EMD)方法将信号分解为若干本征模态函数和一个残差分量，适用于非平稳信号的指纹提取。文献[6]提出了一种基于经验模态分解的通信辐射源个体识别方法，提取杂散分量的频域特征对多个通信辐射源个体进行分类识别。EMD方法得到的时频分布可以大致反映信号在时频空间的分布，但EMD并不是严格按照频率分解的。当信号中包含的频率成分较多，且频率成分的大小相近时，不能完全避免模态混叠，导致得到的瞬时频率与实际频率有出入。电磁指纹应用前景（一）硬件木马检测随着电子技术的飞速发展，在芯片设计和制造过程中植入硬件木马已成为一种便捷有效的攻击手段，对芯片安全造成严重威胁。目前主要的硬件木马检测技术分为破坏性检测和非破坏性检测。从最早的基于故障分析的检测方法到现在基于旁路分析的检测方法，不同的检测技术各有优势和特点。其中，基于电磁指纹的硬件木马检测被公认为最有前景的检测方法。与传统的检测方法相比，电磁侧信道检测具有更高的准确性和更低的成本，不会破坏硬件电路，检测时不需要检测。需要触发硬件木马才能激活。检测原理如下：集成芯片在工作时会产生一些旁路信号，如发热信号、电磁辐射信号、功耗信号、电路延时等。每个工作中的芯片的每个旁路信号都是确定的，这与电路本身的结构密切相关。当芯片内部电路被修改或植入木马电路时，原有电路结构发生一定程度的变化。生成的旁路信号也会发生变化。旁路信号检测方法是通过采集芯片在运行过程中泄露的旁路信号，对比测试芯片与“金芯片”的差异，来检测是否存在硬件木马。图1基于电磁指纹的硬件木马检测实验仪器(2)物联网设备数字取证随着物联网设备的日益普及，在可预见的未来，针对智能设备的数字取证调查将不断增多。电磁侧信道的非侵入性特性使电磁指纹识别成为协助数字取证的可行选择。通过被动观察设备的电磁辐射，推断内部正在执行的操作和正在处理的数据，检测物联网设备内部的软件活动，识别重要的软件活动来辅助取证。目前，文献[7]提出检测软件在两个不同物联网平台的运行情况。通过观察软件运行过程中电磁辐射的功率谱密度，提取其统计特征作为电磁指纹，结果分别达到82%和90%。准确率。此外，实验表明，还可以使用电磁指纹识别对物联网设备固件的恶意修改进行检测。图2电磁侧信道分析技术在数字取证中的应用(3)室内定位近年来，利用电磁波在室内定位目标引起了人们的广泛关注。为了获得较高的定位精度和减少位置估计所需的计算资源，通常可以采用电磁指纹识别方法。文献[8]提出了一种基于最近邻和粒子滤波的室内定位框架，用于评估预测指纹和实测指纹。文献[9]提出了一种无需训练的单点定位系统，利用时域有限差分(FDTD)方法模拟电磁波的传播获得训练数据，离线建立指纹数据库，避免耗时的测量训练。文献[10]提出了一种利用指纹重建3D室内几何图形的方法。通过计算虚拟发射机（VT）的位置和AP的反射，然后利用VT位置重建室内几何结构，该方法可以正确重建66%的3D室内几何结构。参考文献：[1]管建平基于双谱的辐射源个体识别技术[M]，西安电子科技大学。[2]施军2017.基于电磁指纹的计算机视频泄漏信号检测与计算机个体识别[M].中国科学院大学.[3]黄刚,袁毅,王晓,等.基于非线性动力学特性的特定发射源识别[J]．Electrical&ComputerEngineeringCanadianJournalof,39(1):34-41.[4]YANGX,WANGS,ZHANGE,etal.2016.基于信号非线性复杂度的特定发射源识别[C].[5]SHAWD,KINSNERW.1997.Multifractalmodelingofradiotransmittertransientsforclassification[C].[6]梁江海,黄志涛,袁英俊,等阿尔。一种基于经验模态分解的通信辐射源个体识别方法[J]．2013.中国电子科学研究院学报,8(04):393-397+417.[7]SAYAKKARAA,LE-KHACN-A,SCANLONM.LeveragingElectromagneticSide-ChannelAnalysisfortheInvestigationofIoTDevices[J]..2019.DigitalInvestigation,29:S94-S103.[8]WIDYAWAN,KLEPALM,PESCHD2007.InfluenceofpredictedandmeasuredfingerprintsontheaccuracyofRSSI-basedindoorlocationsystems[C],Inst.电气。和电。工程。计算机学会泰;145-151.[9]BISIOI、CERRUTIM、LAVAGETTOF等。一种移动设备上的无训练WiFi指纹定位方法[J].2014.IEEEAntennasandWirelessPropagationLetters,13:832-835.[10]ZAYETSA,BOURGUIBAM,STEINBACHE2019.3DReconstructionofIndoorGeometryusingElectromagneticMultipathFingerprints[C];1-7。
