1.一种基于特征提取的信道认证方法，其特征在于：包括以下步骤：S1.利用接收机收集已知合法终端与非法终端的信道数据，将收集到的数据上传至云服务器；S2.云服务器将信道数据转换为信道图像，构建样本集并划分为训练集和测试集；S3.云服务器构建FDFE-MobileViT网络，并对FDFE-MobileViT网络进行训练，得到最优的FDFE-MobileViT网络；S301.云服务器构建特征提取模块FDFE：特征提取模块FDFE使用二维离散傅里叶变换将时域的离散信号转换到频域中，以便能够提取到频域特性：对于给定的张量 所述张量为特征图，H、W分别为特征图的高度和宽度，C表示特征图的通道数，X T 会经过FFT模块，此时FFT模块将X T 变换到频域中得到X F ，变换过程由公式(1)给出：其中，i表示虚数单位；F表示频域采样点的下标，范围从0到M-1；m表示时域采样点的下标，范围从0到M-1；对X F 的加窗操作：其中W n 为Bartlett窗的集合， 分别是X F 、X w 的第n个元素，X w 是X F 经过加窗操作后得到的结果；通过DSC卷积对X F 提取特征：其中K c 表示对于输出通道数为c的张量使用一个大小为k w ×k h 的卷积核， 表示输入X F 中第c个通道的数据；P c 是一个大小为1×1的卷积核，用于对每个输出通道进行线性组合操作，得到Y F ；最后将得到的特征图进行平均池化：Y A 即为FDFE模块的输出结果；S302.云服务器基于特征提取模块FDFE，构建FDFE-MobileViT网络：所述FDFE-MobileViT网络包括两个卷积层、五个MV2单元、两个FDFE特征提取层和输出层；其中，第一个卷积层的输入端用于输入待处理图像，第一个卷积层的输出端依次通过五个串联的MV2单元和第二个卷积层连接到输出层，由输出层对外输出处理后的信号；第一个FDFE特征提取层的输入端与第二个MV2单元的输出端连接，第一个FDFE特征提取层的输出端分别与第二个FDFE特征提取层的输入端和第四个MV2单元的输入端连接，第二个FDFE特征提取层的输出端与第五个MV2单元的输入端连接；第一个MV2单元包含一个MV2层，第二个MV2单元包含两个串联的MV2层，第三个MV2单元～第五个MV2单元均为MV2层和MoblieViT block的串联结构；S303.云服务器对FDFE-MobileViT进行训练：A1、首先设置训练轮数T max 和FDFE-MobileViT网络的准确率阈值；A2、在每一轮训练过程中，利用训练集中对FDFE-MobileViT网络进行训练，然后利用测试集对训练得到的FDFE-MobileViT网络进行测试，并根据测试结果计算测试的准确率；A3、判断是否满足：测试的准确率大于设定的准确率阈值，或者当前已经达到最大的训练轮数；若是，则将训练得到的FDFE-MobileViT网络作为最优FDFE-MobileViT网络；否则，返回步骤A2，进行下一轮训练；S4.云服务器将训练得到的最优FDFD-MobileViT网络发送给接收机，接收机利用具有最优FDFD-MobileViT网络对后续接收到的信号进行在线认证，对认证失败的数据进行丢弃。
2.根据权利要求1所述的一种基于特征提取的信道认证方法，其特征在于：所述步骤S1中包括：S101.合法终端向接收机发送N帧导频序列，接收机在接收到合法终端发送的信息后，提取出N个信道矩阵，形成合法数据集 其中 表示从合法终端发送的第j帧导频序列中提取的信道矩阵，j＝1,2,…,N；S102.非法终端向接收机发送N帧导频序列，接收机在接收到非法终端发送的信息后，提取出N个信道矩阵，形成非法数据集 其中 表示从非法终端发送的第j帧导频序列中提取的信道矩阵，j＝1,2,…,N；S103.接收机将合法数据集与非法数据集上传到云端服务器。
3.根据权利要求2所述的一种基于特征提取的信道认证方法，其特征在于：所述步骤S2包括：S201.对于合法数据集与非法数据集中的任意一个信道矩阵，云服务器首先将信道矩阵中的数据进行实部虚部分离，将实部取绝对值乘255作为图像的红色通道，虚部做相同的操作作为绿色通道，蓝色通道全部置为零，将三个通道合并获得初始图像；S202.云服务器对初始图像进行预处理：首先将初始图像进行裁剪，得到多张裁剪图像，然后对每一张裁剪图像进行处理：将裁剪图像缩放到设定的尺寸，然后以设定的概率对缩放后的裁剪图像进行随机水平旋转，再对水平旋转后的图像进行归一化处理；S203.对于每一张归一化处理得到的图像，若该图像是根据合法数据集中的信道矩阵获得，为其添加标记“1”，若该图像是根据非法数据集中的信道矩阵获得，为其添加标记“0”，将图像作为样本，将标记作为样本标签，加入样本集中；S204.对于合法数据集与非法数据集中的每一个信道矩阵，重复执行步骤S201～S203，得到完整的样本集；S205.将样本集划分为训练集和测试集。
