一种基于深度学习的频分双工系统密钥生成方法技术方案

本发明专利技术公开了一种基于深度学习的频分双工系统密钥生成方法，包括(1)假设通信双方为Alice和Bob。Alice从数据库中获取已有的N组上下行信道系数并对其进行数据预处理，得到上下行信道的初始信道特征(2)利用全连接层神经网络搭建信道密钥生成模型KGNet：(3)利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数；(4)Alice与Bob同时向对方发送导频信号，分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2；(5)Alice将获取的上行信道特征X1输入到KGNet，以获取下行信道特征的估计(6)Alice和Bob分别将各自得到信道特征和X2量化成密钥比特，然后对其进行信息调和以及隐私放大，最终在双方生成一致的密钥。最终在双方生成一致的密钥。最终在双方生成一致的密钥。

【技术实现步骤摘要】
一种基于深度学习的频分双工系统密钥生成方法


[0001]本专利技术涉及信息安全领域，尤其涉及一种基于深度学习的频分双工系统密钥生成方法。

技术介绍

[0002]无线通信技术的迅速发展，给人民的生产生活方式带来了极大的便利。与此同时，未来大量的敏感机密数据将在无线信道上传输，因此保障无线空中接口安全显得尤为重要。然而，随着网络连接数的爆炸式增长，传统密钥分发技术运用到无线通信中的局限性越专利技术显：对称密钥由于移动节点位置不定存在分发困难，非对称密钥则需要移动节点耗费极大的运算成本、支撑较大的设备功率。
[0003]近来研究发现，基于无线信道物理特征的无线信道密钥分发技术可以有效弥补传统密钥分发技术在无线通信中的局限性，其主要思路是在物理层利用信道的互易性生成对称密钥对信息进行加密。由于无线信道具备良好的随机性而且随着发射机和接收机的位置不同而改变。窃听者只有非常接近合法接收者(相干范围内)才能获得相近的信道特征，这就保证了这一密钥生成技术的安全性。
[0004]遗憾的是，这一物理层密钥生成技术在运用到频分双工(FDD)系统下时遭遇了瓶颈。主要问题在于频分双工系统中上下行链路的频率并不相同，这使得上下行信道不再完全互易。因此，时分双工(TDD)系统中用于密钥生成的互惠信道特征在频分双工(FDD)系统中并不适用。与此同时，当下的4G、5G网络以及未来的6G移动通信系统在组网方式上均是TDD与FDD模式共存的。而且FDD这一通信模式尤其适合以语音为代表的对称业务，另外它的低时延等优势使其占据了蜂窝移动网络等的主导地位，可以说，研究FDD系统信道密钥生成方法的研究具有很大的理论意义和应用价值。现有FDD系统下的密钥生成方法都存在安全性问题或者系统模型的限制，难以满足当前的需求。

技术实现思路

[0005]针对这一技术难题，本文提出了一种基于深度学习的频分双工系统密钥生成方法，该方法在通信双方的一端搭建一个基于全神经网络的密钥生成网络模型来学习上下行链路的信道特征映射函数。基于该网络，通信双方可以获得互惠的信道特征，再经过量化、信息调和、隐私方法，最终双方可以得到相同的密钥。
[0006]技术方案：本专利技术公开了一种基于深度学习的频分双工系统密钥生成方法，包括以下步骤：
[0007](1)假设通信双方为Alice和Bob；Alice从数据库中获取已有的N组上下行信道系数并对其进行数据预处理，得到上、下行信道的初始信道特征
[0008](2)利用全连接层神经网络搭建信道密钥生成模型KGNet：
[0009](2a)信道密钥生成模型KGNet包含一个输入层、四个隐藏层以及一个输出层；
[0010](2b)将上行链路的信道特征X1作为模型的输入，模型的输出是对下行链路的信道
特征X2的估计
[0011](3)利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数；
[0012](4)Alice与Bob同时向对方发送导频信号，分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2；
[0013](5)Alice将获取的上行信道特征X1输入到KGNet，以获取下行信道特征的估计
[0014](6)Alice和Bob分别将各自得到信道特征和X2量化成密钥比特，然后对其进行信息调和以及隐私放大，最终在双方生成一致的密钥。
[0015]进一步地，步骤(1)中数据库中存储的上下行信道系数可以由Alice收集自身估计到的上行信道系数以及Bob向Alice反馈的信道系数组合而成；H1,H2∈C
L
×1分别表示上下行信道的频率响应矢量，其中C表示复数的集合，L为子载波数量。
[0016]进一步地，步骤(1)中对信道系数H1和H2进行预处理主要包括两个步骤，分别为实数化和归一化；实数化是对复数信道系数进行实部虚部分离，归一化是通过最大最小值归一化的方法将信道特征限制在0到1的范围之间；经过预处理后可以得到信道特征X1,X2∈R
2L
×1，其中R表示实数的集合。
[0017]进一步地，步骤(2a)中所述的信道密钥生成模型KGNet结构如下：
[0018]信道密钥生成模型KGNet是一个全连接层的神经网络，包含一个输入层，四个隐藏层以及一个输出层，输入层和输出层的神经元个数为2L个，隐藏层的神经元个数根据实际训练性能选择决定；网络各层的激活函数除了输出层的激活函数为Sigmoid外，其他隐藏层的激活函数均为ReLu。
[0019]进一步地，步骤(3)中用于训练的信道特征数据集是交叉数据集预处理后得到的；交叉数据集由无噪的原始数据集以及在原始数据集中加入高斯白噪声生成的0dB数据集按照一定比例组合得到，该种交叉数据集用于训练可以增强网络的鲁棒性。
[0020]进一步地，步骤(3)中利用ADAM算法最小化loss函数以对KGNet进行训练，其函数如下所示：
[0021][0022]其中，V为批处理大小，上标(v)表示第v个训练样本,N
X
为信道特征矢量和X2的长度，||
·
||2表示第二范数,Ω是所有被训练的网络参数的集合。
[0023]进一步地，步骤(4)中Alice和Bob在对信道估计后得到的信道系数进行预处理时，最大最小值归一化所采用的最大最小值为Alice收集的数据库中的最大最小值。
[0024]有益效果：本专利技术与现有技术相比，其显著优点是：
[0025]1、本专利技术从上下行链路特征的映射关系这一新角度实现一种安全高效的频分双工系统密钥生成方法。仿真结果表明，本专利技术可以有效地得到高度互易的信道特征，并且在经过量化后可以得到就有高一致率的初始密钥。
[0026]2、本方法通过深度学习的方法学习上下行链路间的特征映射关系，是基于数据驱动的，不依赖于具体的信道模型。相比现有的频分双工系统下的密钥生成方法而言，本方法
不具有信道模型上的限制。专利技术也是首次将深度学习技术运用到频分双工系统密钥生成领域中来，拓宽了深度学习技术的应用范围。
附图说明
[0027]图1是本专利技术的一个实施例的流程示意图；
[0028]图2是本专利技术的一个实施例的密钥生成网络KGNet网络结构；
[0029]图3是本专利技术的一个实施例的不同信噪比下网络的归一化均方误差(NMSE)性能；
[0030]图4是本专利技术的一个实施例的不同信噪比下初始密钥的密钥错误比例(KER)性能；
[0031]图5是本专利技术的一个实施例的不同信噪比下初始密钥的密钥生成速率(KGR)性能。
具体实施方式
[0032]下面结合附图和具体实施方式，进一步阐明本专利技术，应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的频分双工系统密钥生成方法，其特征在于：包括以下步骤：(1)假设通信双方为Alice和Bob；Alice从数据库中获取已有的N组上下行信道系数并对其进行数据预处理，得到上、下行信道的初始信道特征(2)利用全连接层神经网络搭建信道密钥生成模型KGNet：(2a)信道密钥生成模型KGNet包含一个输入层、四个隐藏层以及一个输出层；(2b)将上行链路的信道特征X1作为模型的输入，模型的输出是对下行链路的信道特征X2的估计(3)利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数；(4)Alice与Bob同时向对方发送导频信号，分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2；(5)Alice将获取的上行信道特征X1输入到KGNet，以获取下行信道特征的估计(6)Alice和Bob分别将各自得到信道特征和X2量化成密钥比特，然后对其进行信息调和以及隐私放大，最终在双方生成一致的密钥。2.根据权利要求1所述的基于深度学习的频分双工系统密钥生成方法，其特征在于：步骤(1)中数据库中存储的上下行信道系数可以由Alice收集自身估计到的上行信道系数以及Bob向Alice反馈的信道系数组合而成；H1,H2∈C
L
×1分别表示上下行信道的频率响应矢量，其中C表示复数的集合，L为子载波数量。3.根据权利要求1所述的基于深度学习的频分双工系统密钥生成方法，其特征在于：步骤(1)中对信道系数H1和H2进行预处理主要包括两个步骤，分别为实数化和归一化；实数化是对复数信道系数进行实部虚部分离，实数化的计算公式为：H'1＝[Re(H1),Im(H1)]，H'2＝[Re(H2),Im(H2)]，其中Re(
·
)，Im(
·
)分别表示取矩阵各元素的实部和虚部；归一化是通过最大最小值归一化的方法将信道特征限制在0...

【专利技术属性】
技术研发人员：李古月，张鑫伟，侯宗越，王星宇，
申请(专利权)人：东南大学，
类型：发明
国别省市：