【技术实现步骤摘要】
一种基于深度学习的物理层密钥生成方法
[0001]本专利技术属于物理层安全领域，涉及一种基于深度学习的物理层密钥生成方法。
技术介绍
[0002]随着无线通信技术的发展，移动终端数目迅速增加，多样化的无线设备亟待建立安全可靠的通信。同时，由于无线通信系统中传输媒介天然的开放性和网络结构的不稳定性，无线传输很容易受到非法用户的窃听和干扰。因此，无线网络安全技术在无线通信技术中显得尤为重要。
[0003]传统的加密机制一般假设物理层能够实现无差错传输，在网络层通过分发密钥对信息进行加密和解密，但这通常依靠牺牲复杂度换取安全性。随着无线网络的不断发展，该机制将不再可靠和适用。与传统的上层加密技术不同，物理层密钥生成机制利用时分双工模式下无线衰落信道具有的互易性和空间唯一性的特性，在合法用户之间生成共享密钥。经典的物理层密钥生成过程包括信道探测、随机性提取、量化、信息协商和隐私放大等五部分。
[0004]尽管已经对物理层密钥生成协议进行了深入研究，但要设计一种安全可靠的密钥生成方案，仍然存在巨大的挑战和未解决的问题。实现物理层加密的关键技术是确保合法收发机生成一致的密钥，这要求双方观测到的信道具有高度互易性。然而，由于实际的通信系统的不完全互易性，双方观测的信道非常相似却不完全等同，进而生成的密钥存在不一致位。为了降低双方生成密钥的不匹配率，该方案需要依赖合法用户通过无线信道进行大量的信息交互来纠错，而频繁的信息交互会泄露一定数量的密钥信息。由于以上弊端，实际系统中物理层密钥的生成速率较低且易被窃听。>
技术实现思路
[0005]本专利技术的目的在于克服上述现有技术的缺点，提供了一种基于深度学习的物理层密钥生成方法，该方法具有物理层密钥生成速率高且不易被窃听的特点。
[0006]为达到上述目的，本专利技术所述的基于深度学习的物理层密钥生成方法包括：
[0007]Alice端进行信道估计，Bob端进行信道估计；
[0008]将Alice端的信道估计结果输入到Alice端的训练后神经网络中，利用密钥量化算法对Alice端的训练后神经网络的输出进行量化，将Bob端的信道估计结果输入到Bob端的训练后神经网络中，利用密钥量化算法对Bob端的训练后神经网络的输出进行量化，得Alice端及Bob端的密钥序列K
A
和K
B
，其中，Alice端的训练后神经网络及Bob端的训练后神经网络均基于自编码器构建而成。
[0009]Alice端的神经网络的输入为Alice端的信道估计结果结构采用全连接网络，激活函数采用Relu函数。
[0010]Bob端的神经网络的输入为Bob端的信道估计结果结构采用全连接网络，激活
函数采用Relu函数。
[0011]还包括：对Alice端的神经网络进行训练。
[0012]对Alice端的神经网络进行训练的具体过程为：
[0013]Alice端将最大似然检测模块得到的序列与原始的导频序列x
B
之间的交叉熵确定为Alice端的神经网络的损失函数，采用随机梯度下降算法，通过训练更新Alice端的神经网络的参数，使损失函数最小化。
[0014]还包括：对Bob端的神经网络进行训练。
[0015]对Bob端的神经网络进行训练的具体过程为：
[0016]将Alice端的神经网络的输出通过无线信道发送给Bob端，Bob端接收后，构建Bob端的神经网络的损失函数；
[0017]Bob端采用随机梯度下降算法，通过训练更新Bob端的神经网络的参数，使损失函数最小化。
[0018]Bob端的神经网络的损失函数为：
[0019][0020]其中，M为一次训练的数据批量大小，x
A[i]为第i个样本的标签值，即Alice发送的原始导频序列，为第i个样本的预测值，L
CEL
(
·
)为交叉熵损失函数，λ1为交叉熵损失的权重，L
MSE
(
·
)为均方差损失函数，λ2为均方误差损失的权重。
[0021]本专利技术具有以下有益效果：
[0022]本专利技术所述的基于深度学习的物理层密钥生成方法在具体操作时，设计基于自编码器的神经网络，利用训练后的神经网络进行密钥的生成，神经网络可以高效表征信道特征并给出相似度更高的信道探测序列，减弱密钥生成对信道互易性的依赖，有利于提高信道探测值的相关性；另外，与传统物理层密钥生成技术相比，本专利技术基于神经网络进行密钥的生成，减少密钥生成过程中的信息交互，降低密钥泄露的概率，同时提高密钥的生成速率；与此同时，本专利技术利用神经网络实现最大似然检测模块，并将其用于信道特征学习模块的训练，避免了最大似然检测的不可微特性带来的影响。
附图说明
[0023]图1为本专利技术提供的基于自编码器的密钥生成网络设计流程图；
[0024]图2为本专利技术在测试阶段的流程图；
[0025]图3为BPSK调制下最大似然检测误比特率随信噪比变化的曲线图；
[0026]图4为对接收信号均衡掉信道估计值后的误比特率随信噪比变化的曲线图；
[0027]图5为通信双方信道估计结果的MSE随信噪比变化的曲线图；
[0028]图6为本专利技术与对比方案提取的密钥长度随信噪比变化的曲线图；
[0029]图7为本专利技术与对比方案提取的密钥不一致率随信噪比变化的曲线图。
具体实施方式
[0030]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的
附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，不是全部的实施例，而并非要限制本专利技术公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本专利技术公开的概念。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0031]在附图中示出了根据本专利技术公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0032]参考图1及图2，本专利技术所述的基于深度学习的物理层密钥生成方法包括以下步骤：
[0033]1)训练阶段：
[0034]11)离线预训练能够用于实现不同信噪比环境下的AWGN信道下信号检测的分类网络，由于需要在神经网络训练过程中调用最大似然检测模块，则要求该最大似然检测模块可微，以便神经网络内部参数的传递，因此将其封装为一个模块，内部利用分类神经网络实现最大似然检测。
[0035]12)Alice端和Bob端分别发送N次导频进行信道估计；<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物理层密钥生成方法，其特征在于，包括：Alice端进行信道估计，Bob端进行信道估计；将Alice端的信道估计结果输入到Alice端的训练后神经网络中，利用密钥量化算法对Alice端的训练后神经网络的输出进行量化，将Bob端的信道估计结果输入到Bob端的训练后神经网络中，利用密钥量化算法对Bob端的训练后神经网络的输出进行量化，得Alice端及Bob端的密钥序列K
A
和K
B
，其中，Alice端的训练后神经网络及Bob端的训练后神经网络均基于自编码器构建而成。2.根据权利要求1所述的基于深度学习的物理层密钥生成方法，其特征在于，Alice端的神经网络的输入为Alice端的信道估计结果结构采用全连接网络，激活函数采用Relu函数。3.根据权利要求1所述的基于深度学习的物理层密钥生成方法，其特征在于，Bob端的神经网络的输入为Bob端的信道估计结果结构采用全连接网络，激活函数采用Relu函数。4.根据权利要求1所述的基于深度学习的物理层密钥生成方法，其特征在于，还包括：对Alice端的神经网络进行训练。5.根据权利要求4所述的基于深度学习的物理层密钥生成方法，其特征在于，对Alice端的神经网络进行训练的具体过程为：Alice端...
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。