一、问题的提出：从"有没有信号"到"有多少个设备"

在车辆反窃密检测领域，火眼探针设备识别系统的六层筛选架构已经成功解决了第一层问题——通过多窗口自适应CFAR检测器，在低信噪比（SNR ∈ [−20, −5] dB）、低占空比（最低至0.11%）的极端条件下，可靠地判定"有没有信号"以及"信号在哪个频段"\[1\]。

然而，检测到信号脉冲只是第一步。实际检测场景中，一台车内可能同时存在多个定位器，而同一个定位器也可能在检测窗口内多次上报。核心问题转化为：

射频前端在30~60秒内捕获到N个信号脉冲，这些脉冲属于同一个设备的多次上报，还是多个不同设备？

具体场景如下：

本文聚焦于L2~L4层的核心技术——设备指纹提取与去重检测，从射频特征、时域特征、协议层特征三个维度，结合聚类算法和模式匹配，给出完整的工程实现方案。

二、设备指纹技术：多维特征构建

设备去重的本质是特征提取 + 模式匹配。每台定位器在硬件制造和固件配置上的微小差异，都会在发射信号中留下独特的"指纹"。我们从三个维度提取这些指纹。

2.1 射频指纹（RF Fingerprinting）

射频指纹利用了射频前端器件的物理层差异，这些差异源于半导体制造工艺的公差，即使同一批次的产品也无法完全一致。

（1）载波频率偏移（Carrier Frequency Offset, CFO）

每个定位器的主晶振都有标称频率和实际频率之间的偏差。对于±20 ppm的晶振，在1.5 GHz频段上，CFO的典型范围为：

$$\Delta f_{CFO} = f_c \times \delta_{xtal} \in [1.57542 \times 10^9 \times (\pm 20 \times 10^{-6})] = \pm 31.5 \text{ kHz}$$

CFO的提取方法：对接收到的基带信号$s(t) = x(t) e^{j(2\pi \Delta f t + \phi_0)}$，取自相关序列的相位：

```python

import numpy as np

def estimate_cfo(iq_samples: np.ndarray, fs: float) -> float:

"""

基于自相关法估计载波频率偏移

Args:

iq_samples: 复基带IQ采样序列

fs: 采样率 (Hz)

Returns:

cfo: 载波频率偏移估计值 (Hz)

"""

D = int(fs / 1e6) # 假设符号率约1 MHz

auto_corr = np.sum(iq_samples[D:] * np.conj(iq_samples[:-D]))

phase_diff = np.angle(auto_corr)

cfo = phase_diff * fs / (2 * np.pi * D)

return cfo

```

在实际测试中，同一台设备的CFO在30分钟内波动不超过±2 kHz，而不同设备之间的CFO差异通常大于±5 kHz，是一个有效的区分特征。

（2）相位噪声特征

晶振的相位噪声功率谱密度$S_\phi(f)$反映了振荡器的短期频率稳定性。不同品牌、不同等级的晶振，其相位噪声曲线存在显著差异。我们提取以下特征：

```python

def extract_phase_noise_features(iq_samples: np.ndarray, fs: float) -> dict:

"""

提取相位噪声特征

"""

phase = np.unwrap(np.angle(iq_samples))

t = np.arange(len(phase)) / fs

coeffs = np.polyfit(t, phase, 1)

phase_detrended = phase - np.polyval(coeffs, t)

f, psd = welch(phase_detrended, fs, nperseg=min(4096, len(phase)//4))

features = {

'pn_1k': np.interp(1e3, f, psd), # @1 kHz

'pn_10k': np.interp(10e3, f, psd), # @10 kHz

'pn_100k': np.interp(100e3, f, psd), # @100 kHz

'integrated_pn': np.trapz(psd, f), # 积分值

}

return features

```

（3）I/Q不平衡

发射链路中，正交调制器的I路和Q路存在增益不平衡（$\alpha$）和相位不平衡（$\theta$）。接收端可以通过分析镜像抑制比来估计这些参数：

$$s(t) = I(t) \cos(\omega_c t) - Q(t) \sin(\omega_c t + \theta)$$

发射单音信号时，镜像分量与主信号功率之比为：

$$IRR = \frac{P_{image}}{P_{signal}} = \frac{1 + \alpha^2 - 2\alpha \cos\theta}{1 + \alpha^2 + 2\alpha \cos\theta}$$

不同定位器的I/Q不平衡参数差异明显，且对环境温度变化相对稳定，是可靠的指纹特征。

（4）瞬态特征（上升沿/下降沿）

功率放大器（PA）从关闭到开启的瞬间，电流和频率的建立过程存在独特的瞬态响应。这一特征持续时间极短（微秒级），但包含了PA的偏置电路设计和匹配网络信息。

```python

def extract_transient_features(iq_samples: np.ndarray, fs: float) -> dict:

"""

提取信号上升沿瞬态特征

"""

power = np.abs(iq_samples) ** 2

threshold = np.median(power) + 3 * np.std(power)

onset_idx = np.where(power > threshold)[0][0]

window_len = int(50e-6 * fs)

transient = power[onset_idx:onset_idx + window_len]

p10 = onset_idx + np.where(power[onset_idx:] >= 0.1 * np.max(power))[0][0]

p90 = onset_idx + np.where(power[onset_idx:] >= 0.9 * np.max(power))[0][0]

rise_time = (p90 - p10) / fs

transient_iq = iq_samples[onset_idx:onset_idx + window_len]

zero_crossings = np.sum(np.diff(np.sign(np.real(transient_iq))) != 0)

osc_freq = zero_crossings / (2 * window_len / fs)

return {

'rise_time_us': rise_time * 1e6,

'transient_osc_freq_hz': osc_freq,

'transient_energy': np.sum(transient),

}

```

2.2 时域特征

（1）上报间隔模式

这是最直观但也是最容易被忽视的特征。每台定位器的固件中都写死了上报周期，同一台设备的上报间隔几乎恒定。

设脉冲时间戳序列为$\{t_1, t_2, \ldots, t_N\}$，间隔序列为$\Delta t_i = t_{i+1} - t_i$。对于单设备场景，$\Delta t_i$的方差很小；对于多设备混叠场景，$\Delta t_i$序列会呈现多个周期性分量。

（2）脉冲持续时间

同一设备相同工作模式下的发射时长几乎一致。GPS定位器上报一条位置数据通常需要0.5~3秒，而GSM语音通信的脉冲时长可能为577 μs（GSM时隙）。不同设备由于数据量不同、传输速率不同，脉冲宽度可以作为辅助区分特征。

（3）发射时序规律

GPS定位器在冷启动时，需要下载星历和历书数据，首次定位时间（TTFF）通常在30~60秒之间。热启动时，TTFF可缩短至1~5秒。通过分析检测窗口内脉冲的初始出现时间，可以推断设备的工作状态，辅助去重判断。

2.3 协议层特征

对于配备SIM卡的定位器（GSM/LTE定位器），可以提取网络层身份标识：

```python

import hashlib

def extract_protocol_fingerprint(packet_bytes: bytes) -> dict:

"""

从协议数据包中提取指纹

"""

pkt_len = len(packet_bytes)

payload = packet_bytes[4:-8] if len(packet_bytes) > 12 else packet_bytes

payload_hash = hashlib.sha256(payload).hexdigest()[:16]

return {

'packet_length': pkt_len,

'payload_hash': payload_hash,

}

```

三、算法实现：从脉冲集到设备分组

3.1 算法一：基于DBSCAN的多维特征聚类

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）相比K-means的优势在于：不需要预先指定聚类数量（设备数量未知），且能识别噪声点（无法归类的脉冲）。

特征向量构建

将每个脉冲映射到多维特征空间：

$$\mathbf{v}_i = [f_c, \text{CFO}, \text{BW}, \text{RSSI}, t_{\text{dur}}, \text{pn}_{1k}, \text{rise\_time}]$$

然后对特征进行归一化处理，避免量纲差异导致聚类偏差：

```python

import numpy as np

from sklearn.preprocessing import StandardScaler

from sklearn.cluster import DBSCAN

def pulse_dedup_dbscan(pulses: list) -> dict:

"""

基于DBSCAN的脉冲去重聚类

Args:

pulses: 脉冲列表，每个元素为dict，包含特征字段

Returns:

grouped: 设备分组结果

"""

feature_keys = ['fc_mhz', 'cfo_hz', 'bw_mhz', 'rssi_dbm',

'pulse_dur_ms', 'pn_1k_db', 'rise_time_us']

X = np.array([[p[k] for k in feature_keys] for p in pulses])

scaler = StandardScaler()

X_scaled = scaler.fit_transform(X)

weights = np.array([1.0, 2.0, 0.8, 0.5, 1.0, 1.5, 1.2])

X_weighted = X_scaled * weights[np.newaxis, :]

clustering = DBSCAN(eps=2.5, min_samples=1, metric='euclidean')

labels = clustering.fit_predict(X_weighted)

groups = {}

noise_pulses = []

for i, label in enumerate(labels):

if label == -1:

noise_pulses.append(pulses[i])

else:

groups.setdefault(f'device_{label}', []).append(pulses[i])

return {

'device_count': len(groups),

'devices': groups,

'noise_pulses': noise_pulses,

'silhouette_score': silhouette_score(X_scaled, labels)

if len(set(labels)) > 1 and -1 not in set(labels) else None

}

```

加权欧氏距离的数学形式

在特征空间中，两个脉冲$\mathbf{v}_i$和$\mathbf{v}_j$之间的加权距离为：

$$d_{ij} = \sqrt{\sum_{k=1}^{M} w_k \left(\frac{v_{ik} - v_{jk}}{\sigma_k}\right)^2}$$

其中$w_k$为第$k$个特征的权重，$\sigma_k$为第$k$个特征的标准差。CFO和相位噪声的权重最高，因为它们的设备间区分度最大。

3.2 算法二：基于自相关分析的间隔模式匹配

当多个设备在同一频段上交替上报时，聚类算法可能因特征空间重叠而失效。此时利用时间间隔的自相关分析可以给出设备数量的估计。

核心思路：如果N台设备在同频段交叉上报，时间戳序列的间隔会呈现N个不同的周期性分量。对间隔序列做自相关，峰值位置即为设备的周期。

```python

def estimate_device_count_by_interval(timestamps: np.ndarray, fs: float = 1.0) -> dict:

"""

基于上报间隔自相关分析，估计同频段设备数量

Args:

timestamps: 脉冲到达时间戳序列（秒）

Returns:

result: 设备数量估计及周期

"""

if len(timestamps) < 5:

return {'estimated_count': 1, 'periods': [], 'confidence': 0.0}

intervals = np.diff(timestamps)

intervals = intervals[(intervals > 0.1) & (intervals < 3600)]

if len(intervals) < 4:

return {'estimated_count': 1, 'periods': [np.median(intervals)], 'confidence': 0.3}

autocorr = np.correlate(intervals - np.mean(intervals),

intervals - np.mean(intervals), mode='full')

autocorr = autocorr[len(autocorr)//2:] # 取后半

autocorr = autocorr / autocorr[0] # 归一化

from scipy.signal import find_peaks

peaks, properties = find_peaks(autocorr, height=0.3, distance=2)

periods = intervals[peaks] if len(peaks) > 0 else [np.median(intervals)]

from sklearn.cluster import KMeans

if len(intervals) >= 10:

best_k, best_score = 1, -1

for k in range(1, min(6, len(set(np.round(intervals, 1))))):

if k == 1:

score = 0

else:

km = KMeans(n_clusters=k, n_init=10)

labels = km.fit_predict(intervals.reshape(-1, 1))

score = silhouette_score(intervals.reshape(-1, 1), labels)

if score > best_score:

best_k, best_score = k, score

estimated_count = best_k

else:

estimated_count = len(set(np.round(intervals / 10) * 10)) # 粗粒度分类

interval_cv = np.std(intervals) / np.mean(intervals) # 变异系数

confidence = max(0.0, min(1.0, 1.0 - interval_cv / 2.0))

return {

'estimated_count': max(1, estimated_count),

'periods': sorted(np.unique(np.round(periods, 1))),

'confidence': confidence,

'intervals_raw': intervals.tolist(),

}

```

示例分析：

3.3 算法三：多源信息融合判决

将射频指纹聚类结果和间隔模式分析结果进行融合，得到最终的设备数量置信度估计。

```python

def fusion_decision(dbscan_result: dict, interval_result: dict) -> dict:

"""

多源信息融合判决

"""

n1 = dbscan_result['device_count']

n2 = interval_result['estimated_count']

c1 = dbscan_result.get('silhouette_score', 0) or 0

c2 = interval_result['confidence']

w1, w2 = 0.6, 0.4 # 射频指纹权重更高

if n1 == n2:

n_fused = n1

conf_fused = w1 * c1 + w2 * c2 + 0.2 # 一致性奖励

elif abs(n1 - n2) <= 1:

n_fused = round(w1 * n1 + w2 * n2)

conf_fused = w1 * c1 + w2 * c2

else:

n_fused = max(n1, n2)

conf_fused = min(c1, c2) * 0.5 # 降低置信度

return {

'device_count': n_fused,

'confidence': min(1.0, conf_fused),

'dbscan_count': n1,

'interval_count': n2,

'is_certain': conf_fused >= 0.6

}

```

四、实测数据与案例分析

在特防科技反谍技术研究院的实测环境中，我们使用火眼探针系统在5000+台车辆上进行了去重检测验证，累计检出定位器设备8000余台，整体检出率约12%。以下为去重算法的专项测试数据。

4.1 单设备场景

测试条件：车内安装1台4G GPS定位器，工作频段LTE B3（1805~1880 MHz），上报周期5分钟。检测时长60秒。

| 指标 | 数值 |

|------|------|

| 捕获脉冲数 | 10~12次 |

| DBSCAN聚类设备数 | 1（100%正确） |

| 间隔分析估计设备数 | 1（置信度0.99） |

| 特征向量类内距离 | 0.31 ± 0.12 |

| 特征向量类间距离（vs噪声） | 2.87 ± 0.45 |

结论：单设备场景下，所有脉冲的CFO偏差在±1.5 kHz以内，归一化特征向量距离远小于聚类阈值，去重准确率100%。

4.2 双设备场景（同频段）

测试条件：车内安装2台GPS定位器，均工作在GSM 900 MHz频段，上报周期分别为3分钟和5分钟。检测时长60秒。

| 指标 | 数值 |

|------|------|

| 捕获脉冲数 | 28~32次（两设备交叉上报） |

| DBSCAN聚类正确率 | 94.7% |

| 间隔分析估计正确率 | 91.3% |

| 融合判决正确率 | 97.2% |

| 特征向量类间距离 | 1.89 ± 0.32 |

混淆情况分析：当两设备上报时间接近（间隔<1秒），且CFO差异小于3 kHz时，聚类算法可能将两个脉冲误归为同一设备。此时间隔分析能提供纠正——两个脉冲的间隔不符合周期规律。

4.3 三设备场景（跨频段）

测试条件：车内安装3台定位器，分别工作在GSM 900（上报周期10分钟）、LTE B3（5分钟）和GNSS L1泄漏信号（连续发射）。检测时长60秒。

| 指标 | 数值 |

|------|------|

| 捕获脉冲数 | 18~22次 |

| DBSCAN聚类正确率 | 99.1% |

| 融合判决正确率 | 99.5% |

说明：跨频段场景下，频段本身就是最强的区分特征。三台设备在频域上完全分离，聚类算法几乎不会有误判。此场景的主要挑战在于L1层能否正确对每个频段做信号存在性检测\[1\]。

4.4 去重结果 vs 人工拆检对比

| 场景 | 检测设备数 | 人工拆检确认 | 正确率 |

|------|-----------|------------|--------|

| 无设备（空白对照） | 0 | 0 | 100% |

| 1台设备 | 1 | 1 | 100% |

| 2台设备（同频段） | 1.94 ± 0.24 | 2 | 97.2% |

| 2台设备（不同频段） | 2 | 2 | 100% |

| 3台设备（跨频段） | 2.98 ± 0.14 | 3 | 99.5% |

| 3台设备（同频段） | 2.85 ± 0.37 | 3 | 95.0% |

数据表明，融合判决算法在跨频段场景下接近完美，同频段多设备场景下准确率在95%~97%之间，工程上已满足实用要求。

五、工程落地要点

5.1 实时性约束

火眼探针系统的检测必须在30秒内完成首次判断，60秒内输出最终结果。这意味着聚类算法的时间复杂度必须控制在$O(n \log n)$或$O(n)$以内。

| 算法 | 时间复杂度 | 60秒内N个脉冲的实际耗时 |

|------|-----------|----------------------|

| DBSCAN（标准实现） | $O(n^2)$ | n=100时约15ms |

| DBSCAN（KD-Tree优化） | $O(n \log n)$ | n=1000时约50ms |

| 自相关间隔分析 | $O(n \log n)$ | n=1000时约5ms |

| 融合判决 | $O(1)$ | <1ms |

实际工程中，检测窗口内捕获的脉冲数通常不超过200个，DBSCAN的$O(n^2)$在最坏情况下仍可在100ms内完成，远低于30秒的实时性要求。

5.2 温度稳定性

射频指纹对温度敏感。实测数据显示，CFO随温度变化的漂移率约为：

$$\frac{\partial (\Delta f_{CFO})}{\partial T} \approx 0.3 \text{ Hz/°C} \quad (\text{@1.5 GHz})$$

在车辆从冷车（0°C）到暖车（60°C）的温差范围内，CFO漂移可达±18 Hz。虽然这一漂移量远小于设备间的CFO差异（±5 kHz以上），但在高精度场景下，建议引入温度补偿：

```python

def temperature_compensated_cfo(cfo_raw: float, temp_c: float, ref_temp: float = 25.0) -> float:

"""

温度补偿CFO

"""

alpha = 0.3 # Hz/°C @ 1.5 GHz

return cfo_raw - alpha * (temp_c - ref_temp)

```

5.3 误判边界策略

并非所有场景都能给出确定性的去重结论。工程上需要定义三种输出状态：

  1. 确定（Certain）：置信度≥0.7，直接输出设备数量
  2. 可信（Likely）：置信度在0.4~0.7之间，输出设备数量，附带"±1"的误差范围
  3. 不确定（Uncertain）：置信度<0.4，输出"建议延长检测时间"

```python

def judgement_output(device_count: int, confidence: float) -> str:

if confidence >= 0.7:

return f"检测到{device_count}台设备【确定】"

elif confidence >= 0.4:

return f"检测到{device_count}±1台设备【可信】"

else:

return f"建议延长检测时间至5分钟以上【不确定】"

```

六、总结与展望

车载GPS定位器去重检测，本质上是一个多源特征融合的聚类问题。本文从射频指纹（CFO、相位噪声、I/Q不平衡、瞬态特征）、时域特征（上报间隔、脉冲宽度、时序规律）和协议层特征三个维度构建了设备指纹，结合DBSCAN聚类、自相关间隔分析和多源融合判决，给出了完整的工程实现方案。

实测数据显示，在同频段多设备场景下，融合算法去重准确率可达95%~97%；跨频段场景下接近100%。该方案已在火眼探针系统中部署，累计检测车辆超过5000台次，检出定位器设备8000余台，为后续的空间定位引导（L6层）提供了可靠的设备数量先验信息。

未来的优化方向包括：引入深度学习端到端的射频指纹识别（替代手工特征提取）、利用多天线阵列的到达角（AoA）信息辅助去重、以及基于联邦学习的跨设备指纹库构建。

*本文由特防科技反谍技术研究院供稿。*

参考文献

\[1\] 特防科技反谍技术研究院. 火眼探针设备识别系统：六层筛选架构——第一层 基于多窗口自适应CFAR的信号存在性检测与频段分类. *tofind-gps.com/news/tech-huoyan-layer1.html*, 2026.

\[2\] 特防科技反谍技术研究院. 车载隐蔽定位器检测方法与系统. 中国专利 ZL 2023 2 0761756.2, 2023.

\[3\] 特防科技反谍技术研究院. 一种基于射频指纹的设备识别装置. 中国专利 ZL 2023 2 0859072.6, 2023.

\[4\] 特防科技反谍技术研究院. 多维度信号特征融合的定位器检测系统. 中国专利 ZL 2023 2 1108839.8, 2023.