【技术实现步骤摘要】
基于互信息量估计神经网络的物理层保密方法及系统
[0001]本专利技术涉及光纤保密通信系统的
，具体地，涉及基于互信息量估计神经网络的物理层保密方法及系统，更为具体地，涉及基于互信息量估计和端到端深度学习的物理层保密方法及系统。
技术介绍
[0002]在光纤通信的物理层保密领域，传统的方法有异或逻辑加密、电逻辑加密以及混沌加密等，这些加密方法均为向发送信号中加入一些噪声，接收者持有密钥或者和发送方进行同步，可以去除加入的噪声。但是这些方法需要添加复杂的光学器件才能完成加密和同步，而且加密的噪声经过信道的损伤可能难以完全除去，以及同步可能出现误差，导致收端的误码率升高；且这些方法没有在信息论层面证明，加密方法针对窃听者是信息最小的，因此存在被攻击的风险。
[0003]专利文献CN100376926C(申请号：200510070506.0)公开了涉及通信领域中的量子保密通信的专用设备及其应用方法，具体是位相调制偏振态的六态量子编码器和解码器及其用于量子保密通信中的偏振补偿方法；六态量子编码器和解码器由两个位相一偏振...
【技术保护点】
【技术特征摘要】
1.一种基于互信息量估计神经网络的物理层保密方法，其特征在于，包括：步骤S1：基于互信息量估计和端到端的深度学习对编码器和解码器分别进行训练，得到训练后的编码器和训练后的解码器；步骤S2：利用训练后的编码器和训练后的解码器进行物理层保密传输。2.根据权利要求1所述的基于互信息量估计神经网络的物理层保密方法，其特征在于，所述步骤S1采用：步骤S1.1：构建编码器、解码器和互信息量估计器；步骤S1.2：通过端到端深度学习的方式训练解码器，获取训练后的解码器；步骤S1.3：通过发端原始比特和信道输出训练互信息量估计器，获取训练后的互信息量估计器；步骤S1.4：通过训练后的解码器神经网络获取端到端的误码率，通过训练后的互信息量估计器神经网络获取窃听者的互信息量；通过最小化端到端误码率和最小化窃听者互信息量的方式训练编码器神经网络，获取训练后的编码器神经网络。3.根据权利要求2所述的基于互信息量估计神经网络的物理层保密方法，其特征在于，所述步骤S1.2采用：步骤S1.2.1：将原始比特和伪随机数序列输入编码器得到处理后的信号，再将处理后的信号输入端到端的广义信道，得到信道输出信号；步骤S1.2.2：将信道输出信号和伪随机数序列输入解码器得到解码比特；步骤S1.2.3：根据解码比特和原始比特通过L1Loss损失函数计算损失值，再利用梯度反向传播和梯度下降对解码器进行训练，当训练次数达到预设次时，则训练结束。4.根据权利要求2所述的基于互信息量估计神经网络的物理层保密方法，其特征在于，所述步骤S1.3采用：步骤S1.3.1：将原始比特和伪随机数序列输入编码器得到处理后的信号，再将处理后的信号输入端到端的广义信道，得到信道输出信号；步骤S1.3.2：根据信道输出信号和原始比特输入互信息量估计器，通过损失函数计算损失值，利用梯度反向传播和梯度下降对互信息量估计器进行训练，当训练次数达到预设次时，则训练结束。5.根据权利要求2所述的基于互信息量估计神经网络的物理层保密方法，其特征在于，所述步骤S1.4采用：步骤S1.4.1：将原始比特和伪随机数序列输入编码器中得到处理后的信号；步骤S1.4.2：将处理后的信号输入端到端的广义信道，得到信道输出信号；步骤S1.4.3：将信道输出信号和伪随机数序列输入解码器得到解码比特；步骤S1.4.4：根据解码比特和原始比特输入训练后的解码器，通过L1Loss损失函数计算端到端损失值；步骤S1.4.5：利用原始比特和信道输出信号输入训练后的互信息量估计器，通过损失函数计算互信息量损失值；步骤S1.4.6：根据端到端损失和互信息量损失值利用梯度反向传播和梯度下降训练编码器，当训练次数达到预设次时，则训练结束。6.根据权利要求3所述的基于互信息量估计神经网络的物理层保密方法，其特征在于，
所述步骤S1.2采用：发端的原始比特通过端到端的传输在收端得到解码后的比特，以L1损失函数作为计算发端的原始比特和解调后的比特之间的误码率的损失函数，具体公式如下：其中，m表示发端的原始比特；表示收端的解调后的比特。7.根据权利要求4所述的基于互信息量估计神经网络的物理层保密方法，其特征在于，所述步骤S1.3采用：在互信息量估计器训练过程中使用计算互信息量的公式作为损失函数，具体公式如下：L＝
‑
E
p(x,z)
[T(...
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。