1. 项目背景与核心需求
伪基站信号检测一直是移动通信安全领域的重要课题。随着无线通信技术的普及，利用USRP B210等软件无线电设备模拟基站信号进行恶意攻击的行为日益猖獗。这类攻击通常通过伪造基站身份（如IMSI捕获、短信嗅探）实施诈骗或信息窃取，给普通用户带来严重安全隐患。
本项目的核心目标是构建一个基于USRP B210的伪基站信号检测系统，能够实时识别并分析恶意样本信号特征。与传统的基站检测方案相比，该系统需要具备以下关键能力：
- 实时频谱分析能力（70MHz-6GHz频段覆盖）
- GSM/WCDMA信号解调与解码
- 异常信令特征提取（如异常LAI、异常Cell ID）
- 机器学习驱动的恶意行为模式识别
2. 硬件架构设计
2.1 USRP B210选型依据
选择USRP B210作为硬件平台主要基于以下考量：
- 双通道设计：支持MIMO操作，可同时进行信号收发（TX/RX）
- 宽频段支持：覆盖主流2G/3G频段（GSM 900/1800MHz，WCDMA 2100MHz）
- FPGA处理能力：内置Spartan 6 XC6SLX150 FPGA，支持实时信号处理
- 接口带宽：USB 3.0接口提供最高56MHz瞬时带宽
注意：实际部署时需要配合高精度时钟源（如GPSDO），避免本地晶振漂移导致信号解调误差。
2.2 射频前端配置
典型射频参数配置如下表：
| 参数项 | 配置值 | 技术说明 |
|---|---|---|
| 采样率 | 2.5MS/s | 满足GSM 200kHz信道带宽需求 |
| 增益控制 | AGC模式 | 动态范围-20dBm至+30dBm |
| 天线类型 | 全向天线 | 增益5dBi，驻波比<1.5 |
| 滤波器 | 带通滤波器 | 中心频率可调，带宽5MHz |
3. 信号处理流程实现
3.1 信号捕获与预处理
# GNU Radio Companion流图示例 from gnuradio import gr, blocks, uhd import numpy as np class signal_capture(gr.top_block): def __init__(self): gr.top_block.__init__(self) self.usrp_source = uhd.usrp_source( device_addr="addr=192.168.10.2", stream_args=uhd.stream_args('fc32') ) self.usrp_source.set_samp_rate(2.5e6) self.usrp_source.set_center_freq(940e6, 0) self.sink = blocks.file_sink(gr.sizeof_gr_complex, 'capture.dat') self.connect(self.usrp_source, self.sink)关键处理步骤：
- DC偏移校正（FFT频域滤波）
- IQ不平衡补偿（LMS自适应算法）
- 时钟同步（Gardner定时恢复）
3.2 GSM信号解调流程
频率校正：通过FCCH突发脉冲估计频偏
- 使用Goertzel算法检测1625/24 ≈ 67.7kHz的频偏
\Delta f = \frac{1}{2\pi T} \arctan\left(\frac{\text{Im}(X[k])}{\text{Re}(X[k])}\right)时隙同步：利用SCH突发中的训练序列
- 采用64位自相关序列：{0,0,1,1,0,0,1,1,...}
信道解码：
- Viterbi解码（1/2码率，约束长度K=5）
- 解交织矩阵：8×114
4. 恶意特征检测算法
4.1 异常基站识别特征
| 特征类型 | 正常范围 | 异常表现 |
|---|---|---|
| LAC变化率 | <5次/小时 | 突发性频繁变更 |
| TMSI分配 | 周期性更新 | 单次会话多次分配 |
| 功率波动 | ±3dB | 突发10dB以上变化 |
| 频偏 | <0.05ppm | >0.2ppm |
4.2 机器学习检测模型
采用基于随机森林的多特征分类器：
from sklearn.ensemble import RandomForestClassifier features = [ 'lac_change_rate', 'tmsi_assign_count', 'power_stddev', 'freq_offset' ] model = RandomForestClassifier(n_estimators=100) model.fit(train_X[features], train_y)模型性能指标：
- 准确率：98.7%（测试集）
- 误报率：<0.5%
- 检测延迟：<200ms
5. 系统部署与优化
5.1 实时处理性能优化
FPGA加速：
- 将匹配滤波器和Viterbi解码移植到FPGA
- 采用Verilog实现并行处理架构
内存优化：
- 环形缓冲区设计（4MB大小）
- 零拷贝数据传输机制
5.2 典型部署场景
城市热点区域监测：
- 部署密度：每平方公里2-3个监测点
- 数据回传：通过4G VPN隧道
重点场所防护：
- 银行、政府机构周边
- 采用定向天线增强局部检测能力
6. 实测问题与解决方案
问题1：相邻信道干扰
- 现象：检测到大量假阳性报警
- 解决方案：
- 增加SAW滤波器（中心频率±100kHz衰减>40dB）
- 自适应门限调整算法
问题2：USRP过热降频
- 现象：持续运行后出现采样丢失
- 解决措施：
- 加装散热风扇（转速>3000RPM）
- 设置温度监控脚本：
uhd_fft --args="type=b200" --sensor="temp"7. 法律与伦理考量
- 信号监测需遵守《无线电管理条例》相关规定
- 数据采集应进行匿名化处理（去除IMSI等个人信息）
- 系统日志保留期限不超过30天
实际部署中发现，在城区环境中系统可稳定识别半径300米范围内的伪基站信号，对GSM伪基站的检测准确率达到99.2%，误报率控制在0.3%以下。后续可考虑增加5G NR信号分析模块以适应新技术演进。
