一种基于机器学习的二维联合特征认证方法技术

本发明专利技术公开了一种基于机器学习的二维联合特征认证方法,首先基站B对合法信息发送者A和模拟非法信息发送者E进行信道信息采集，然后对于基站B与信息发送者之间的信道信息，计算连续数据帧之间的信道信息差值，在信道信息差值的基础上，构建基于幅度的检验统计量，进行处理得到基于幅度的归一化LRT统计量；基于幅度和相位联合，构建检验统计量，进行处理得到基于幅度和相位联合的归一化LRT统计量，然后构造二维联合特征的样本集，建立认证模型，利用机器学习方法生成分类器，并根据样本集进行训练，得到检测率达标的分类器，对未知身份的信息发送者进行合法性判断。本发明专利技术相比于单一特征维度的信道认证方法，具有更高准确性。

【技术实现步骤摘要】
一种基于机器学习的二维联合特征认证方法
本专利技术涉及信道信息的认证技术,尤其是涉及一种基于机器学习的二维联合特征认证方法。
技术介绍
5G移动通信系统提出了高速、高效和高安全性的要求,当许多移动设备同时接入无线网络时，将大大增加网络中身份认证的负担。5G涉及大量机器和设备之间的相互连接和通信,因此,在网络的密集应用场景中,需要轻量级认证方法，这是物联网操作的必要条件。在过去的十年中，物理层安全技术的发展给无线移动通信领域带来了新的活力。物理层认证是一种非密码认证，因为信道信息的获取比较容易，并且信道特征难以伪造，因此,基于信道特征的物理层认证一直受到研究者的广泛关注。通常情况下，我们可以利用无线电的信道信息来检测无线网络中发送方身份的合法性。但使用单一特征的认证措施具有一定的局限性，并且只使用某一个信道特征作为划分依据，不具有很高的准确性。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于机器学习的二维联合特征认证方法，在基于幅度的检验统计量TA的基础上，使用了基于幅度的改进的归一化LRT统计量Ta，并在基于幅度和相位联合的检验统计量TB的基础上,使用了基于幅度和相位联合的改进的归一化LRT统计量Tb，然后建立基于二维特征(Ta，Tb)的认证模型，相比于单一特征维度的信道认证方法，本专利技术信道认证具有更高准确性。本专利技术的目的是通过以下技术方案来实现的：一种基于机器学习的二维联合特征认证方法，包括以下步骤：S1.基站B对合法信息发送者A和模拟非法信息发送者E进行信道信息采集,得到合法信息发送者A的信道信息数据集和模拟非法信息发送者E的信道信息数据集S2.对于基站B与信息发送者之间的信道信息，计算连续数据帧之间的信道信息差值；S3.在信道信息差值的基础上，基于子载波幅度差异构建基于幅度的检验统计量TA，并对TA进行处理，得到基于TA改进的归一化LRT统计量Ta，将其作为第一维特征：其中，合法信息发送者A与基站B之间的第一维特征为模拟非法信息发送者E与基站B之间第一维特征为S4.在信道信息差值的基础上，基于幅度和相位联合，构建检验统计量TB，对TB进行处理，得到基于TB改进的归一化LRT统计量Tb，将其作为第二维特征：其中，合法信息发送者A与基站B之间的第二维特征为模拟非法信息发送者E与基站B之间第二维特征为S5.利用信道信息数据集和构造二维联合特征(Ta，Tb)作为样本集，对于同一时刻的数据帧，将二维联合特征(Ta，Tb)作为综合的判定依据，构建认证模型[(Ta，Tb),y]，其中：合法信息发送者A与基站B之间二维联合特征的样本集为：对其加标识y＝+1；模拟非法信息发送者E与基站B之间二维联合特征的样本集为：对其加标识y＝-1；S6.采用机器学习方法构建分类器，并根据样本集TAB和TEB对分类器进行训练，直至分类器检测率达标；S7.基站利用检测率达标的分类器对未知身份的信息发送者进行合法性判断，实现基于机器学习的二维联合特征的信道认证。所述步骤S1包括以下子步骤：S101.合法信息发送者A向基站B发送信号，基站B采集合法信息发送者A的信道信息其中，N表示帧数，表示基站B与合法信息发送者A之间第k个OFDM符号估计的信道信息,k＝1,2,3,...,N；S102.模拟非法信息发送者E向基站B发送信号，基站B采集模拟非法信息发送者E的信道信息N表示帧数，表示基站B与模拟非法信息发送者E之间第k个OFDM符号估计的信道信息，k＝1,2,3,...,N。进一步地，所述合法信息发送者A和模拟非法信息发送者E的信道信息数据帧连续发送，并且采集相邻两帧数据之间的时间间隔在相关时间之内，信道信息具有相关性。所述步骤S2中，连续数据帧之间的信道信息差值通过以下公式进行计算：式中，表示待计算的信道信息数据集，第k+1帧信道信息与第k帧信道的差值。所述步骤S3包括以下子步骤：S301.在信道信息差值的基础上，基于子载波幅度差异构建基于幅度的检验统计量TA：其中，m，n分别表示信道矩阵的第m行，第n列；N表示共有N帧数据；σ2表示噪声功率；Ns表示数据帧信道信息，包含Ns个频率信道矩阵，是N维方阵的OFDM符号；x是Ns的个数的累加变量；k表示第k帧数据；上标XB表示信息发送者X和基站B，当信息发送者X为合法信息发送者A时，公式中的XB即AB，构建得到合法信息发送者A与基站B之间信道信息基于幅度的检验统计量，在信息发送者X为模拟非法信息发送者E时，公式中XB即EB，构建得到模拟非法信息发送者E与基站B之间信道信息基于幅度的检验统计量；S302.对检验统计量TA进行处理，得到基于TA改进的归一化LRT统计量Ta，将其作为第一维特征：其中，合法信息发送者A与基站B之间的第一维特征为模拟非法信息发送者E与基站B之间第一维特征为所述步骤S4包括以下子步骤：S401.在信道信息差值的基础上，基于幅度和相位联合，构建检验统计量TB：其中，上标XB表示信息发送者X和基站B，当信息发送者X为合法信息发送者A时，公式中的XB即AB，构建得到合法信息发送者A与基站B之间信道信息基于幅度和相位联合的检验统计量，在信息发送者X为模拟非法信息发送者E时，公式中XB即EB，构建得到模拟非法信息发送者E与基站B之间信道信息基于幅度和相位联合的检验统计量；S402.对检验统计量TB进行处理，得到基于TB改进的归一化LRT统计量Tb，将其作为第二维特征：其中，合法信息发送者A与基站B之间的第二维特征为模拟非法信息发送者E与基站B之间第二维特征为所述步骤S5包括以下子步骤：S501.对合法信息发送者A到基站B的信道信息数据集进行处理：将信道信息数据集带入的计算公式中，得到合法信息发送者A与基站B之间信道信息的M帧第一维特征：将信道信息数据集带入的计算公式中，得到合法信息发送者A与基站B之间信道信息的M帧第二维特征：式中，M＝N-2，即N帧原始数据，可以得到N-2帧特征数据；S502.构造合法信息发送者A到基站B的二维联合特征样本集TAB：由于信道特征和信道特征综合为二维联合特征TAB，故样本特征第k帧数据变为S503.将样本集TAB作为合法数据来源，并对样本集TAB中的每一帧数据添加标识y＝+1；S504.对模拟非法信息发送者E到基站B的信道信息数据集进行处理：将信道信息数据集带入的计算公式中，得到模拟非法信息发送者E与基站B之间信道信息的M帧第一维特征：将信道信息数据集带入的计算公式中，得到模拟非法信息发送者E与基站B之间信道信息的M帧第二维特征：式中，M＝N-2，即N帧原始数据，可以得到N-2帧特征数据；S505.构造模拟非法信息发送者E到基站B的二维联合特征样本集TEB:由于信道特征和信道特征综合为二维联合特征TEB，故样本特征任意第k帧数据变为S506.将样本集TEB作为非法数据来源，并对样本集TAB中的每一帧数据添加标识y＝+1。进一步地，步骤S6中所述的机器学习方法为任意具有二分类功能的机器学习算法，该机器学习算法依据二维联合特征(Ta,Tb)，对来自合法信息发送者A或者来自模拟非法信息发送者E的数据帧进行分类训练，得到相应的分类器；具体地，所述步骤S6包括以下子步骤：S601.建立训练集和测试集，在样本集TAB和样本集TEB中各抽本文档来自技高网...

【技术保护点】
1.一种基于机器学习的二维联合特征认证方法，其特征在于：包括以下步骤：S1.基站B对合法信息发送者A和模拟非法信息发送者E进行信道信息采集,得到合法信息发送者A的信道信息数据集

【技术特征摘要】
1.一种基于机器学习的二维联合特征认证方法，其特征在于：包括以下步骤：S1.基站B对合法信息发送者A和模拟非法信息发送者E进行信道信息采集,得到合法信息发送者A的信道信息数据集和模拟非法信息发送者E的信道信息数据集S2.对于基站B与信息发送者之间的信道信息，计算连续数据帧之间的信道信息差值；S3.在信道信息差值的基础上，基于子载波幅度差异构建基于幅度的检验统计量TA，并对TA进行处理，得到基于TA改进的归一化LRT统计量Ta，将其作为第一维特征：其中，合法信息发送者A与基站B之间的第一维特征为模拟非法信息发送者E与基站B之间第一维特征为S4.在信道信息差值的基础上，基于幅度和相位联合，构建检验统计量TB，对TB进行处理，得到基于TB改进的归一化LRT统计量Tb，将其作为第二维特征：其中，合法信息发送者A与基站B之间的第二维特征为模拟非法信息发送者E与基站B之间第二维特征为S5.利用信道信息数据集和构造二维联合特征(Ta，Tb)作为样本集，对于同一时刻的数据帧，将二维联合特征(Ta，Tb)作为综合的判定依据，构建认证模型[(Ta，Tb),y]，其中：合法信息发送者A与基站B之间二维联合特征的样本集为：对其加标识y＝+1；模拟非法信息发送者E与基站B之间二维联合特征的样本集为：对其加标识y＝-1；S6.采用机器学习方法构建分类器，并根据样本集TAB和TEB对分类器进行训练，直至分类器检测率达标；S7.基站利用检测率达标的分类器对未知身份的信息发送者进行合法性判断，实现基于机器学习的二维联合特征的信道认证。2.根据权利要求1所述的一种基于机器学习的二维联合特征认证方法，其特征在于：所述步骤S1包括以下子步骤：S101.合法信息发送者A向基站B发送信号，基站B采集合法信息发送者A的信道信息其中，N表示帧数，表示基站B与合法信息发送者A之间第k个OFDM符号估计的信道信息,k＝1,2,3,...,N；S102.模拟非法信息发送者E向基站B发送信号，基站B采集模拟非法信息发送者E的信道信息N表示帧数，表示基站B与模拟非法信息发送者E之间第k个OFDM符号估计的信道信息，k＝1,2,3,...,N。3.根据权利要求1所述的一种基于机器学习的二维联合特征认证方法，其特征在于：所述合法信息发送者A和模拟非法信息发送者E的信道信息数据帧连续发送，并且采集相邻两帧数据之间的时间间隔在相关时间之内，信道信息具有相关性。4.根据权利要求1所述的一种基于机器学习的二维联合特征认证方法，其特征在于：所述步骤S2中，连续数据帧之间的信道信息差值通过以下公式进行计算：式中，表示待计算的信道信息数据集，第k+1帧信道信息与第k帧信道的差值。5.根据权利要求1所述的一种基于机器学习的二维联合特征认证方法，其特征在于：所述步骤S3包括以下子步骤：S301.在信道信息差值的基础上，基于子载波幅度差异构建基于幅度的检验统计量TA：其中，m，n分别表示信道矩阵的第m行，第n列；N表示共有N帧数据；σ2表示噪声功率；Ns表示数据帧信道信息，包含Ns个频率信道矩阵是N维方阵的OFDM符号；x是Ns的个数的累加变量；k表示第k帧数据；上标XB表示信息发送者X和基站B，当信息发送者X为合法信息发送者A时，公式中的XB即AB，构建得到合法信息发送者A与基站B之间信道信息基于幅度的检验统计量，在信息发送者X为模拟非法信息发送者E时，公式中XB即EB，构建得到模拟非法信息发送者E与基站B之间信道信息基于幅度的检验统计量；S302.对检验统计量TA进行处理，得到基于TA改进的归一化LRT统计量Ta，将其作为第一维特征：其中，合法信息发送者A与基站B之间的第一维特征为模拟非法信息发送者E与基站B之间第一维特征为6.根据权利要求1所述的一种基于机器学习的二维联合特征认证方法，其特征在于：所述步骤S4包括以下子步骤：S401.在信道信息差值的基础上，基于幅度和相位联合，构建检验统计量TB：其中，上标XB表示信息发送者X和基站B，当信息...

【专利技术属性】
技术研发人员：陈松林，文红，陈洁，郑烜，
申请(专利权)人：成都阿莱夫信息技术有限公司，
类型：发明
国别省市：四川,51