基于线性神经网络的物理层安全波束赋形方法技术

本发明专利技术公开了一种基于线性神经网络的物理层安全波束赋形方法，在多输入单输出系统中，利用信道的互易性，由单天线合法接收端发送训练序列，通过神经网络训练得到多天线的发送方保密信号和人工噪声波束赋形的权值。本发明专利技术中将信道估计、信道状态信息反馈、波束赋形设计三个过程合并为一个利用线性神经网络的反向训练过程，只需要发送一个训练序列，且不需要反馈，相比较常规方法，本发明专利技术在降低复杂度的同时保证了信息传输的安全性。

Physical Layer Safety Beam Shaping Method Based on Linear Neural Network

The invention discloses a physical layer security beamforming method based on linear neural network. In a multi-input single-output system, using the reciprocity of the channel, the training sequence is transmitted by a single antenna legitimate receiver, and the weights of the sender's secret signal and artificial noise beamforming of multiple antennas are obtained through the training of the neural network. In the present invention, channel estimation, channel state information feedback and beam shaping design are combined into a reverse training process using linear neural network, which only needs to send a training sequence without feedback. Compared with conventional methods, the present invention reduces the complexity and ensures the security of information transmission.

【技术实现步骤摘要】
基于线性神经网络的物理层安全波束赋形方法
本专利技术属于信息通信领域，具体是利用线性神经网络来设计有用信号与人工噪声的波束赋形矢量来实现信息的保密传输。
技术介绍
物理层安全技术是利用无线信道的时变性、随机性和互易性等特性，从物理层上实现信息的保密传输。利用信号处理技术制造和扩大合法信道与窃听信道传输质量的差异，获得保密容量是实现物理层安全的重要环节，其中最常用的技术是多天线波束赋形技术和人工噪声辅助干扰技术。在物理层安全中，利用波束赋形技术，可以提高合法用户处的信号强度，降低窃听者的接收信号质量，从而形成合法信道和窃听信道之间的容量差，获得传输保密信息的能力。采用多天线波束赋形技术时，可达到的保密性能与发送者可用的信道状态信息(ChannelStateInformation,CSI)有关。而在完全不能获得窃听信道CSI时，无法设计波束赋形使窃听者的接收信号强度最小，这时，采用人工噪声是一种有效的提升安全性能的手段。发送者同时发送保密信息和人工噪声，人工噪声位于发送者与合法接收者间信道的正交空间内。由于合法信道和窃听信道的特性不同，可保证在合法接收者不受人工噪声影响的同时干扰窃听者，增强安全性能。现有的利用波束赋形技术的物理层安全的研究中，一般假设准确的合法信道CSI是可获得的，而根据窃听信道CSI的获得情况，设计不同的波束赋形和人工噪声方案。对于在可获得准确的CSI条件下设计的方案，如果应用于CSI存在误差的场景，算法性能会有一定程度的下降。而对于在不准确的窃听信道CSI条件下设计的具有鲁棒性的方案中，在窃听信道CSI有误差的情况下，性能下降相对较小，但算法的复杂度增加，同时，如果合法信道CSI存在误差，则安全性能也会有较明显下降。现有的波束赋形的设计方案一般都依赖于信道的CSI。CSI一般是由接收端通过信道估计获得，再通过反馈信道将CSI反馈给发送端，发送端再进行波束赋形设计，信道估计和波束赋形的设计是分开进行的。CSI反馈环节存在反馈开销，反馈信道的容量也会限制反馈CSI的精度，同时信道估计中也存在偏差，影响波束赋形的性能。而多输入单输出(Multiple-InputSingle-Output,MISO)信道下，由于有多个发送天线，进行CSI估计时每个天线发送的训练序列要相互正交，发送训练序列的信道开销较大，同时接收端需要反馈估计得到的多个信道的CSI，反馈开销也很大，因此会对系统的传输效率造成较大的影响。神经网络作为一种功能强大的机器学习法，其应用广泛，具有存储和利用经验知识的特性。神经网络在信息处理工程中应用时，可采用大规模并行处理方式，在容错性、自适应学习以及自组织能力方面都有着很好的性能。线性神经网络是一种简单神经元网络，其结构如图3所示。网络由一个或多个线性神经元构成，传递函数是线性的，可以实现分类、拟合和逼近等功能。线性神经网路的逼近特性，就是通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号。这些特性使得线性神经网络能够应用在波束赋形的设计中。
技术实现思路
本专利技术的目的在于结合线性神经网络，给出一种发送端保密信号和人工噪声波束赋形的设计方法，该方法不需依赖信道的CSI，而且实现复杂度较低。为了实现上述目的的本专利技术采用如下技术方案：训练时，利用信道的互易性，由单天线合法接收者发送训练序列训练多天线的发送者保密信号和人工噪声波束赋形权值，保密信息传输时，利用训练得到的权值对保密信号和人工噪声进行波束赋形，训练模型如图2所示，确定在信道具有互易性的情况下，在与数据传输方向相反的方向上通过训练得到的波束赋形权值，与在数据传输的方向上进行训练是等价的。训练过程的具体步骤如下：(1)在合法接收者处发送训练信号序列，确定经过信道传输后发送者收到的信号，即为线性神经网络的输入信号；(2)根据发送者保密信号波束赋形权值需求，确定线性神经网络的期望输出；(3)根据发送者人工噪声波束赋形权值需求，确定线性神经网络的期望输出；(4)根据步骤(1)、(2)和(3)中的输入信号与期望输出构造线性神经网络模型，并对网络进行训练。具体地，步骤(1)所述训练信号序列是采用伪随机信号发生器产生，该信号在发送者处也能同步产生。具体地，步骤(2)所述线性神经网络的期望输出为合法接收者处发送的训练信号序列。训练目的是使发送者处接收信号合并后尽可能接近合法接收者发送的训练信号，以保证保密信号正向传输时合法接收者处的接受信号与发送者处发送的保密信号间的误差最小。具体地，步骤(3)所述线性神经网络的期望输出为零。训练目的是使发送者处接收信号合并后的功率尽可能低，以保证人工噪声波束赋形权值的设计使合法接收者处的泄露最小。进一步，本专利技术中还包括将网络训练好的权值进行归一化处理的步骤。保证波束赋形过程不改变信号的总功率。进一步，所述线性神经网络的输出节点中使用线性传递函数purelin。本专利技术的优点是相比较常规的保密信号和人工噪声波束赋形的设计方法，本专利技术中保密信号和人工噪声波束赋形的设计不依赖于信道的CSI，采用线性神经网络训练得到安全波束赋形的权值。训练时，利用信道的互易性，由单天线合法接收端发送训练序列训练多天线的发送方保密信号和人工噪声波束赋形权值，保密信息传输时利用训练得到的权值对保密信号和人工噪声进行波束赋形。本专利技术将信道估计、信道状态信息反馈、波束赋形设计三个过程合并为一个利用神经网络的反向训练过程，只需要发送一个训练序列，训练开销很小，且不需要反馈，实现复杂度降低，这对实际应用很有意义。附图说明图1为本专利技术的系统模型；图2为反向训练时模型框图；图3为线性神经网络结构；图4为采用线性神经网络训练得到的权值进行加权时与MRT发送分集时Bob的误比特率的对比；图5为训练得到的发送波束赋形权值与MRT发送权值间的MSE随信噪比的变化；图6为采用不同长度的训练序列时，Bob的平均误比特率的仿真结果；图7为本专利技术中Bob和Eve的误码性能与合法信道CSI准确已知时方案的对比；图8为将本专利技术与常规方案在两种CSI条件下的仿真结果进行对比，保密速率与功率分配因子α的关系，；图9为将本专利技术与常规方案在两种CSI条件下的仿真结果进行对比，保密速率与发送端总功率P的关系。具体实施方式结合附图对本专利技术做以下详细分析。本专利技术包括一个发送者Alice、一个合法接收者Bob和一个窃听者Eve的无线通信模型，如图1所示。模型中，Eve是被动窃听者，不发送信号，因此Alice无法获得窃听者信道的CSI。Alice有N根天线(N＞1)，Bob和Eve配备单天线。本专利技术使用发送波束赋形和人工噪声的安全传输方案，Alice发送保密信号的同时发送人工噪声，保密信号和人工噪声的波束赋形矢量通过线性神经网络来获得。记保密信号和人工噪声分别为s和z，均为单位功率。假设Alice的发送总功率为P，其中发送保密信号的功率为Ps，发送人工噪声的功率为Pz。定义功率分配因子α为Ps与P的比值，Ps＝αP，Pz＝(1-α)P。Alice的发送信号为其中ws＝[ws1,ws2,…,wsN]T为保密信号的波束赋形矢量，wz＝[wz1,wz2,…,wzN]T为人工噪声的波束赋形矢量，满足||ws||＝1，||wz||＝1，这里||·||表示向量的2-范数。经过信本文档来自技高网...

【技术保护点】
1.基于线性神经网络的物理层安全波束赋形方法，其特征在于：使用发送波束赋形和人工噪声的安全传输方案，即发送者发送保密信号的同时发送人工噪声。

【技术特征摘要】
1.基于线性神经网络的物理层安全波束赋形方法，其特征在于：使用发送波束赋形和人工噪声的安全传输方案，即发送者发送保密信号的同时发送人工噪声。2.根据权利要求1所述基于线性神经网络的物理层安全波束赋形方法，其特征在于：所述保密信号和人工噪声的波束赋形矢量通过线性神经网络训练来获得，训练时，由单天线合法接收者发送训练序列训练多天线的发送者保密信号与人工噪声波束赋形权值，保密信息传输时，利用训练得到的权值对保密信号与人工噪声进行波束赋形；所述训练过程的具体步骤如下：(1)在合法接收者处发送训练信号序列，确定经过信道传输后发送者收到的信号，即为线性神经网络的输入信号；(2)根据发送者保密信号波束赋形权值需求，确定线性神经网络的期望输出；(3)根据发送者人工噪声波束赋形权值需求，确定线性神经网络的期望输出；(4)根据步骤(1)、(2)和(3)中的输...

【专利技术属性】
技术研发人员：雷维嘉，李环，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50