The invention discloses a high consistency physical key generation method based on neural network, which includes the following steps: Step 10): in a wireless physical key generation model, there is a source node S, a destination node D and a eavesdropping node E, all nodes work in TDD mode; at time t, source The channel coefficients between the node S and the destination node D are recorded as hSD (T), the channel coefficients between the source node S and the eavesdropping node E are recorded as hSE (T), the channel coefficients between the destination node D and the eavesdropping node E are recorded as hDE (T); step 20): step 30): establish the neural network model; step 40): training parameters; step 50): Generate key; step 60): consistency check. This method uses the time correlation of the detection results of the source node and the destination node, and trains the neural network parameters that can be effectively predicted by training the samples, and then uses the trained neural network to generate the physical key, and improves the consistency.
【技术实现步骤摘要】
一种基于神经网络的高一致性物理密钥生成方法
本专利技术属于通信领域,具体来说,涉及一种基于神经网络的高一致性物理密钥生成方法。
技术介绍
寻求一种新的安全技术以弥补现有无线加密机制的不足,实现更高的安全性保证是一个极具研究价值的课题。物理层安全为这一问题的解决开辟了新的路径,其原理是从信息论出发,利用无线信道的物理特性而不是增加计算复杂度来解决通信保密性问题。具体而言,根据对无线信道特性利用方式的不同,物理层安全解决方案可分为以下两大类。第一类,即利用信道差异性构建Wire-tap信道直接进行保密信息的安全传输。基于Wyner提出的Wire-tap窃听信道模型,只要主信道(源节点和目的节点间信道)优于窃听信道(源节点和窃听节点间信道),源节点和目的节点就可以实现Shannon信息论意义上的绝对安全(亦称为“无条件安全”)。这类方案通常要求源节点同时具备主信道和窃听信道的信道状态信息以便进行安全传输所需的Wyner安全编码,因此在实际场景中其应用受到较大限制。第二类,就是基于无线信道随机动态特性的物理密钥生成方案。从物理特征上看,无线衰落信道呈现出随机动态且唯一的特性。无线信道的唯一性保证了主信道和窃听信道之间必然存在差异,而其随机动态变化特性又使得这一差异能够实时更新。这为利用无线信道物理特性实时生成动态密钥提供了可能。特别是在TDD(TimeDivisionDuplexing,时分双工)系统中,源节点到目的节点的信道与目的节点到源节点的信道之间具有短时互易特性。这意味着合法通信双方能够共享不为窃听节点所知的信道信息(例如信道冲激响应的幅度和相位信息等)。 ...
【技术保护点】
1.一种基于神经网络的高一致性物理密钥生成方法,其特征在于:该生成方法包括以下步骤:步骤10):在一无线物理密钥生成模型中,设有一个源节点S、一个目的节点D和一个窃听节点E,所有节点采用TDD方式工作;设在时刻t,源节点S和目的节点D之间的信道系数记为hSD(t),源节点S和窃听节点E之间的信道系数记为hSE(t),目的节点D和窃听节点E之间的信道系数记为hDE(t);步骤20):获取训练样本;步骤30):建立神经网络模型;步骤40):训练参数;步骤50):生成密钥;步骤60):进行一致性检验。
【技术特征摘要】
1.一种基于神经网络的高一致性物理密钥生成方法,其特征在于:该生成方法包括以下步骤:步骤10):在一无线物理密钥生成模型中,设有一个源节点S、一个目的节点D和一个窃听节点E,所有节点采用TDD方式工作;设在时刻t,源节点S和目的节点D之间的信道系数记为hSD(t),源节点S和窃听节点E之间的信道系数记为hSE(t),目的节点D和窃听节点E之间的信道系数记为hDE(t);步骤20):获取训练样本;步骤30):建立神经网络模型;步骤40):训练参数;步骤50):生成密钥;步骤60):进行一致性检验。2.按照权利要求1所述的基于神经网络的高一致性物理密钥生成方法,其特征在于:所述步骤20)包括:受TDD方式限制,源节点S和目的节点D不能同时进行信号收发,故二者交替进行信道探测;设从t1到tn时刻,源节点S通过信道探测得到的幅度值为aS=[a(t1),a(t2),...,a(tn)],目的节点D每次信道探测比源节点S延后Δ时刻,得到的幅度值为aD=[a(t1+Δ),a(t2+Δ),...,a(tn+Δ)];随后,目的节点D将aD发送给源节点S,供源节点S进行神经网络参数训练;源节点S在进行神经网络训练之前,对(aS,aD)进行归一化处理,得到其中,将作为训练样本。3.按照权利要求2所述的基于神经网络的高一致性物理密钥生成方法,其特征在于:所述步骤30)包括:神经网络模型包括输入层、隐层和输出层,其中,输入层:以即归一化的源节点信道探测结果为输入向量,设输入层神经元个数为q1个;隐层:设隐层神经元个数为q2个,隐层输入向量为α,隐层输出向量为b,隐层阈值向量为γ,输入层和隐层的连接矩阵为V;输出层:输出层神经元个数为1;隐层和输出层的连接向量为w,输出层的输入值为β,输出层阈值为θ,输出层输出为源节点基于得到的关于的预测值;通过神经网络模型,源节点利用自身ti至ti+4时刻的信道探测结果,预测目的节点ti+4+Δ时刻的信道探测结果。4.按照权...
【专利技术属性】
技术研发人员:管新荣,蔡跃明,杨炜伟,杨文东,吴丹,石会,王易达,丁宁,
申请(专利权)人:中国人民解放军陆军工程大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。