gr-PHYSEC：用于物理层安全的 GNU Radio 模块

该 GNU Radio 模块利用深度学习模型，为物理层安全应用提供信道指纹识别能力。

特性

• 信道指纹识别：从 IQ 样本中提取独特的信道特征
• 深度学习集成：使用训练好的模型（QExtractor.h5）进行特征提取
• 特征量化：将提取的特征转换为二进制值
• 隐私放大：应用加密哈希（SHA3-512）进行密钥生成
• 实时处理：从 SDR 设备实时处理 IQ 样本
• 多模型支持：同时支持 TripletNet 和 QuadrupletNet 架构

要求

• GNU Radio 3.10+
• Python 3.8+
• TensorFlow 2.x
• NumPy
• Hashlib（内置）

安装

1. 克隆仓库

git clone <your-repo-url>/gr-PHYSEC.git
cd gr-PHYSEC

2. 创建构建目录

mkdir build
cd build

3. 配置并构建

cmake ..
make -j$(nproc)

4. 安装

sudo make install
sudo ldconfig

5. 验证安装

gnuradio-companion

你应该会看到一个新的类别 [PHYSEC]，其中包含 PHYSEC Fingerprint Block。

用法

GNU Radio Companion (GRC)

1. 打开 GNU Radio Companion
2. 查找 [PHYSEC] 类别
3. 拖放 PHYSEC Fingerprint Block
4. 配置参数：
   • Model Path：你的 QExtractor.h5 文件路径
   • Model Type：在 "quadruplet" 或 "triplet" 之间选择
   • Spectrogram Size：FFT 大小（默认：512）
   • Sample Rate：SDR 采样率，单位为 Hz
   • Center Frequency：SDR 中心频率，单位为 Hz
   • Key Length：所需密钥长度，单位为比特

Python 脚本

from gnuradio import gr
from gnuradio import PHYSEC

# Create decoupled PHYSEC blocks
spectrogram = PHYSEC.spectrogram_block(
    vector_size=512,
    sample_rate=1e6,
    center_freq=2.4e9
)

feature_extractor = PHYSEC.feature_extraction_block(
    model_path="/path/to/QExtractor.onnx"
)

feature_quantizer = PHYSEC.feature_quantization_block(
    threshold_type="mean"
)

parity_generator = PHYSEC.parity_generation_block(
    key_length=512
)

reconciler = PHYSEC.reconciliation_block(
    key_length=512
)

privacy_amplifier = PHYSEC.privacy_amplification_block()

示例流图

参见 examples/decoupled_physic_example.grc，了解使用解耦 PHYSEC 模块的完整示例流图。

模块参数

频谱图模块

特征提取模块

特征量化模块

奇偶校验生成模块

协调模块

隐私放大模块

输入/输出

频谱图模块

• 输入：来自 SDR 的复数 IQ 样本
• 输出：频谱图数据（204×31 个浮点值）

特征提取模块

• 输入：频谱图数据（204×31 个浮点值）
• 输出：特征向量（512 个浮点值）

特征量化模块

• 输入：特征向量（512 个浮点值）
• 输出：二进制特征（512 个 uint8 值）

奇偶校验生成模块

• 输入：二进制特征（512 个 uint8 值）
• 输出：奇偶校验位（字符串）

协调模块

• 输入：二进制特征 + 奇偶校验位
• 输出：协调后的二进制密钥（字符串）

隐私放大模块

• 输入：二进制特征（512 个 uint8 值）
• 输出：最终加密密钥（128 字节）

消息格式

指纹输出消息包含：

{
    "fingerprint": "generated_hash_string",
    "block_count": 123,
    "sample_rate": 1000000.0,
    "center_freq": 2400000000.0,
    "spectrogram_size": 512
}

处理流水线

1. IQ 样本采集：使用 Stream to Vector 缓冲传入的 IQ 样本
2. 频谱图创建：使用 STFT、RMS 归一化和频率裁剪将 IQ 样本转换为频谱图
3. 特征提取：使用 ONNX 模型提取信道特征
4. 特征量化：使用可配置阈值将特征转换为二进制值
5. 奇偶校验生成：生成 Reed-Solomon 奇偶校验位以进行纠错
6. 密钥协调：使用奇偶校验位纠正错误
7. 隐私放大：应用 SHA3-512 哈希以生成最终密钥
8. 输出：模块之间基于流的通信

模型要求

你的 ONNX 模型应：

• 接受输入形状：(batch, 204, 31) 的频谱图数据
• 输出长度为 512 的特征向量
• 与 ONNX Runtime 兼容
• 支持 float32 输入/输出

故障排除

常见问题

1. 找不到模型：确保 QExtractor.h5 的路径正确
2. TensorFlow 错误：验证 TensorFlow 安装和兼容性
3. 内存问题：降低 spectrogram_size 以减少内存使用
4. 性能：如果可用，使用 GPU 加速

调试输出

该模块提供大量调试信息：

• 处理状态的控制台输出
• 中间结果的消息端口
• 带信息性消息的错误处理

开发

添加新功能

1. 修改相应的专用模块（例如 spectrogram_block.py）
2. 更新 grc/ 中对应的 GRC 模块定义
3. 重新构建模块
4. 使用示例进行测试

测试

运行示例脚本：

cd examples
python3 fingerprint_example.py

许可证

本项目采用 GPL-3.0-or-later 许可证。

贡献

1. Fork 仓库
2. 创建功能分支
3. 进行修改
4. 如适用，添加测试
5. 提交 pull request

支持

如有问题和疑问：

1. 查看故障排除部分
2. 查看示例文件
3. 在仓库中提交 issue
4. 联系开发团队

致谢

• 基于 PHYSEC 信道指纹识别研究
• 使用 TensorFlow 进行深度学习推理
• 与 GNU Radio 集成以进行 SDR 处理