一种基于深度学习的物理层安全通信方法和系统技术方案

本发明专利技术公开了一种基于深度学习的物理层安全通信方法，包括：选择静态星座图；选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；发送端的多层神经网络接收待传输的原始信息；发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。这样使得信号在调制解调时，无需再按照固定的星座图样进行，星座点分布更加离散、随机，从而掩盖通信信号特征，使得第三方无法获取通信信息，保证物理层通信的安全性，彻底避免通信信息的泄露。

【技术实现步骤摘要】
一种基于深度学习的物理层安全通信方法和系统
本专利技术涉及通信
，具体涉及一种基于深度学习的物理层安全通信方法和系统。
技术介绍
在民用通信领域，随着移动通信用户数量的快速增加，伪基站等第三方信息窃取设备时有出现，导致大量用户信息泄露，造成大量财产损失。在专用通信领域，私有化通信协议在使用过程中，容易被第三方进行特征检测，进而进行侦听、干扰等破坏行为，导致信息与通信安全事故。造成此类信息安全事故的主要原因是现有通信系统的加密需要收发双方确认秘钥后方能进行，而在获取秘钥之前的所有通信都是以明文的方式进行的，因此第三方设备有机会进行窃听。这一漏洞在2G、3G通信时代尤为突出，在4G时代，LTE系统引入了双向鉴权，降低了伪基站窃取信息的可能性，但是部分公共信息仍以明文传输，容易泄露通信特征，尤其在专网通信中，这一漏洞容易被第三方利用进行攻击。目前，在人工智能领域，深度学习等方法获得了阶段性突破，并且逐步应用于通信技术，学科的交叉融合使得传统的难题获得了新的求解思路，并且深度学习的以下两点优势，使得其与物理层通信的交叉融合能够改善通信效果：其一是，深度学习方法善于处理非精确的、统计的、非解析的问题，这些正是物理层通信的瓶颈所在；其二是，大型并行计算单元、分布式存储单元等计算存储技术的广泛应用，使得深度学习方法执行效率提高，能够在通用的平台高速、高效、节能地完成通信技术的实现。因此，行业内急需研发一种基于深度学习与传统的物理层通信相结合，使得信号在调制解调时，第三方无法获取通信信息，保证物理层通信的安全性，彻底避免通信信息的泄露的方法或者系统。
技术实现思路
本专利技术的目的是为了克服以上现有技术存在的不足，提供了一种基于深度学习的物理层安全通信方法。本专利技术的另一目的是为了克服以上现有技术存在的不足，提供了一种基于深度学习的物理层安全通信系统。本专利技术的目的通过以下的技术方案实现：一种基于深度学习的物理层安全通信方法，包括：S1，发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制，得到调制信息；S2，所述调制信息经传输信道传输，得到畸变信息；S3，接收端的多层神经网络对畸变信息进行调制，得到恢复信息；所述恢复信息和原始信息相同。优选地，若所述选择的星座图为静态星座图，则步骤S1包括：S111，选择静态星座图；S112，选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；S113，发送端的多层神经网络接收待传输的原始信息；S114，发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；步骤S3包括：S311，接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。优选地，所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种；其中，第一类星座图上的星座点具有预设的偏移量，第二类星座图上的星座点随机分布，第三类星座图上的星座点的数量和分布均随机。优选地，若所述选择的星座图为动态星座图，则步骤S1包括：S121，选择N个星座点离散的动态星座图，并进行排序，得到动态星座图序列，N≥2；S122，启动定时器，并在定时器的每个周期的起始点，在所述动态星座图序列中依次选择一个星座图，并重复执行下列步骤S123-S125，S321；S123，选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；S124，发送端的多层神经网络接收待传输的原始信息；S125，发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；步骤S3包括：S321，接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。优选地，所述动态星座图包括：规则三维动态星座图和不规则三维动态星座图。本专利技术的另一目的通过以下的技术方案实现：一种基于深度学习的物理层安全通信系统，包括：调制单元，用于发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制，得到调制信息；传输单元，用于所述调制信息经传输信道传输，得到畸变信息；解调单元，用于接收端的多层神经网络对畸变信息进行调制，得到恢复信息；所述恢复信息和原始信息相同。优选地，若所述选择的星座图为静态星座图，则调制单元包括：静态星座图选择模块，用于选择静态星座图；第一训练模块，用于选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；第一原始信息接收模块，用于发送端的多层神经网络接收待传输的原始信息；第一调制模块，用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；解调单元包括：第一解调单元；第一解调单元，用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。优选地，所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种；其中，第一类星座图上的星座点具有预设的偏移量，第二类星座图上的星座点随机分布，第三类星座图上的星座点的数量和分布均随机。优选地，若所述选择的星座图为动态星座图，则调制单元包括：动态星座图选择模块，用于选择N个星座点离散的动态星座图，并进行排序，得到动态星座图序列，N≥2；定时模块，用于启动定时器，并在定时器的每个周期的起始点，在所述动态星座图序列中依次选择一个星座图；第二训练模块，用于选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；第二原始信息接收模块，用于发送端的多层神经网络接收待传输的原始信息；第二调制模块，用于发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；解调单元包括：第二解调单元；第二解调单元，用于接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。优选地，所述动态星座图包括：规则三维动态星座图和不规则三维动态星座图。本专利技术相对于现有技术具有如下的优点：本专利技术通过选择星座点离散、随机的分布静态星座图或者动态星座图，发送端的多层神经网络根据静态星座图或者动态星座图基于深度学习进行训练，得到比特信息到星座点的映射关系；根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；所述调制信息经传输信道传输，得到畸变信息，所述调制信息经传输信道传输，得到畸变信息，这样使得信号在调制解调时，无需再按照固定的星座图样进行，星座点分布更加离散、随机，从而掩盖通信信号特征，使得第三方无法获取通信信息，保证物理层通信的安全性，彻底避免通信信息的泄露。附图说明图1是本专利技术的基于深度学习的物理层安全通信方法的总流程示意图。图2是第一实施例的基于深度学习的物理层安全通信方法的流程示意图。图3是第二实施例的基于深度学习的物理层安全通信方法的流程示意图。图4是第一实施例的基于深度学习的物理层安全通信系统的结构框图。图5是第二实施例的基于深度学习的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的物理层安全通信方法，其特征在于，包括：S1，发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制，得到调制信息；S2，所述调制信息经传输信道传输，得到畸变信息；S3，接收端的多层神经网络对畸变信息进行调制，得到恢复信息；所述恢复信息和原始信息相同。

【技术特征摘要】
1.一种基于深度学习的物理层安全通信方法，其特征在于，包括：S1，发送端的多层神经网络利用选择的星座图进行深度学习后对原始信息进行物理层的调制，得到调制信息；S2，所述调制信息经传输信道传输，得到畸变信息；S3，接收端的多层神经网络对畸变信息进行调制，得到恢复信息；所述恢复信息和原始信息相同。2.根据权利要求1所述的基于深度学习的物理层安全通信方法，其特征在于，若所述选择的星座图为静态星座图，则步骤S1包括：S111，选择静态星座图；S112，选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；S113，发送端的多层神经网络接收待传输的原始信息；S114，发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；步骤S3包括：S311，接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。3.根据权利要求2所述的基于深度学习的物理层安全通信方法，其特征在于，所述静态星座图为第一类星座图、第二类星座图或者第三类星座图中的一种；其中，第一类星座图上的星座点具有预设的偏移量，第二类星座图上的星座点随机分布，第三类星座图上的星座点的数量和分布均随机。4.根据权利要求1所述的基于深度学习的物理层安全通信方法，其特征在于，若所述选择的星座图为动态星座图，则步骤S1包括：S121，选择N个星座点离散的动态星座图，并进行排序，得到动态星座图序列，N≥2；S122，启动定时器，并在定时器的每个周期的起始点，在所述动态星座图序列中依次选择一个星座图，并重复执行下列步骤S123-S125，S321；S123，选择跟所述静态星座图相对应的训练序列，发送端的多层神经网络根据训练序列进行训练，得到比特信息到星座点的映射关系；S124，发送端的多层神经网络接收待传输的原始信息；S125，发送端的多层神经网络根据比特信息到星座点的映射关系将待传输的原始信息映射成星座点，完成物理层的调制，得到调制信息；步骤S3包括：S321，接收端的多层神经网络根据比特信息到星座点的映射关系将畸变信息还原成恢复信息。5.根据权利要求4所述的基于深度学习的物理层安全通信方法，其特征在于，所述动态星座图包括：规则三维动态星座图和不规则三维动态星座图。6.一种基于深度学习的物理层安全通信系统，其特征在于，包括...

【专利技术属性】
技术研发人员：周雄，彭岳峰，张全君，
申请(专利权)人：广州海格通信集团股份有限公司，
类型：发明
国别省市：广东,44