一种基于小波变换和神经网络的边缘计算接入认证方法技术

本发明专利技术公开了一种基于小波变换和神经网络的边缘计算接入认证方法，包括以下步骤：S1.接收设备对发送设备进行信号采集和存储，得到N个一维信号样本；S2.采用小波变换将每个一维信号样本变换为二维矩阵样本；S3.对于多个不同的发射设备，重复以上S1~S2操作，以设备编号为反馈，存入样本库；S4.利用基于神经网络的图像识别算法，以样本中矩阵为训练数据，编号为反馈对神经网络中的参数进行训练；S5.利用训练得到的神经网络对待检测波形进行分类，判定其所属设备。本发明专利技术利用小波变换，将一维信号数据变换为二维数据，再利用基于神经网络的识别技术对其进行训练和识别，提高了识别的准确性。

【技术实现步骤摘要】
一种基于小波变换和神经网络的边缘计算接入认证方法
本专利技术涉及边缘计算中终端设备接入认证领域，尤其涉及一种基于小波变换和神经网络的边缘计算接入认证方法。
技术介绍
终端节点的接入认证是边缘计算安全性的一个关键且具有挑战性的问题。射频指纹识别，通过使用硬件和制造不一致引起的发送信号变化来提取指纹以执行终端节点访问认证，是边缘计算设备认证的一种有前途的解决方案。射频指纹识别是一种不对称的认证方法，终端仅需发射信号，不需要任何额外的算法，而接收端可以进行较为复杂的计算处理来实现对发送端的身份认证，尤其适合边缘计算下的终端节点识别，由边缘侧的复杂计算支持资源有限终端的可信接入认证。然而射频指纹识别，使用接收到的一维信号作为训练数据，存在训练数据的特征较少(相对图像处理)、同时无法使用目前较为成熟基于深度学习的图像识别技术等问题。近年，基于神经网络的深度学习逐渐取代传统的机器学习算法成为大量数据训练与分类的高效算法，深度学习无需事先创建特征，能够利用大数据同时对特征提取和分类进行训练，有效地降低了识别的错误概率。小波变换，由于其能同时兼顾信号在时间和频率上的特性，可以将一维的时间-幅度信号，本文档来自技高网...

【技术保护点】
1.一种基于小波变换和神经网络的边缘计算接入认证方法，其特征在于：包括以下步骤：S1.接收设备对发送设备进行信号采集和存储，得到N个一维信号样本；S2.采用小波变换将每个一维信号样本变换为二维矩阵样本；S3.对于多个不同的发射设备，重复以上S1～S2操作，以设备编号为反馈，将每个样本编写为“矩阵_编号”形式，存入样本库；S4.利用基于神经网络的图像识别算法，以样本中矩阵为训练数据，编号为反馈对神经网络中的参数进行训练，得到训练后的神经网络；S5.利用训练后的神经网络对待检测波形进行分类，判定其所属设备。

【技术特征摘要】
1.一种基于小波变换和神经网络的边缘计算接入认证方法，其特征在于：包括以下步骤：S1.接收设备对发送设备进行信号采集和存储，得到N个一维信号样本；S2.采用小波变换将每个一维信号样本变换为二维矩阵样本；S3.对于多个不同的发射设备，重复以上S1～S2操作，以设备编号为反馈，将每个样本编写为“矩阵_编号”形式，存入样本库；S4.利用基于神经网络的图像识别算法，以样本中矩阵为训练数据，编号为反馈对神经网络中的参数进行训练，得到训练后的神经网络；S5.利用训练后的神经网络对待检测波形进行分类，判定其所属设备。2.根据权利要求1所述的一种基于小波变换和神经网络的边缘计算接入认证方法，其特征在于：所述步骤S1包括以下子步骤：S101.接收设备检测接收到的开机瞬态信号起始点位置；S102.从起始点位置开始，采集一个发送设备的M个开机瞬态信号样本点，作为一个信号样本；S103.在信号样本中，编号开机瞬态信号样本点，以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数fi：S104.对信号样本进行归一化处理，归一化后处于-1～1之间：式中，ampi表示信号样本中的第i个样本点幅值，i＝1,2,...,M，ampmax表示样本信号中最大的样本点幅值，ampmin表示信号样本中最小的样本点幅值；S105.按照步骤S101～S104采集N个归一化信号样本存放到样本库中。3.根据权利要求1所述的一种基于小波变换和神经网络的边缘计算接入认证方法，其特征在于：所述步骤S2包括：S201.以某母小波函数为小波基，对信号进行小波变换式中，f(t)表示原始一维信号，ψa,τ(t)表示小波基，τ表示平移量，a表示尺度，WT(a,τ)则是变换后的二维矩阵数据；S202.以τ为横轴，a为纵轴，不同...

【专利技术属性】
技术研发人员：谢非佚，文红，许爱东，蒋屹新，李鹏，陈松林，陈华军，唐洁瑶，
申请(专利权)人：南方电网科学研究院有限责任公司，电子科技大学，
类型：发明
国别省市：广东,44