一种多属性物理层认证方法、装置、终端及存储介质制造方法及图纸

本发明专利技术提供一种多属性物理层认证方法、装置、终端及存储介质。该方法包括：提取接收信号的多个物理层属性作为特征数据集；对特征数据集进行自下向上的分层，得到l层数据集；对l层数据集自上向下进行加权聚类，并基于平均轮廓系数确定特征数据集的聚类中心数量K；确定特征数据集的聚类中心；基于特征数据集的聚类中心与参考向量的距离判断各个聚类中心对应的用户类型；其中，用户类型包括合法用户和欺骗用户。本发明专利技术对特征数据集进行分层聚类，可以在不使用训练样本的前提下找到高质量的聚类中心，从而降低前期准备工作的复杂度；同时本发明专利技术还通过轮廓系数在先验知识不足的情况下对聚类中心的个数进行调整，从而能够提高物理层认证的适应性。层认证的适应性。层认证的适应性。

【技术实现步骤摘要】
一种多属性物理层认证方法、装置、终端及存储介质


[0001]本专利技术涉及通信安全
，尤其涉及一种多属性物理层认证方法、装置、终端及存储介质。

技术介绍

[0002]物理层认证的主要原理是利用通信链路和设备的物理层属性如信道状态信息(CSI,channel state information)、信号接收强度(RSS,received signal strength)、到达角(AoA,angle of arrival)和载波频率偏差(CFO,carrier frequency offset)来作为识别签名进行认证，这些物理层属性与通信设备和相应的物理环境直接相关，因此很难进行模拟和预测。然而，物理层属性可能会被不完全估计或被噪声破坏，导致不可靠的物理层认证。
[0003]近年来，许多研究开始利用多观测、多属性来增强物理层认证的鲁棒性，由于多观测或多属性为合法收发机提供了额外的可识别性，攻击者模拟所有属性的概率极低，此类方法能够得到较准确的认证效果。目前，存在两类方法用于组合多个物理层属性来进行身份认证，第一种是非参数方法，具体是通过训练样本来建立多属性认证模型；第二种是参数方法，具体是通过设置一种系统表达式的形式来组合多个物理层属性。其中，参数类方法不需要大量的训练样本且具有计算负担小的优点，但是系统表达式的选择会对认证结果产生极大的影响，适应性较差。而非参数方法不需要对于认证模型进行预先设置，具有更强的适应性，但会受属性个数的增加以及属性相关性的影响而需要大量的训练样本，前期准备工作复杂。因此，目前的物理层认证方法存在难以兼顾效果好和复杂度低的问题。

技术实现思路

[0004]本专利技术实施例提供了一种多属性物理层认证方法、装置、终端及存储介质，以解决物理层认证方法难以兼顾效果好和复杂度低的问题。
[0005]第一方面，本专利技术实施例提供了一种多属性物理层认证方法，包括：
[0006]提取接收信号的多个物理层属性作为特征数据集S(t)＝(a
ij
)
n
×
m
；其中，n为样本数量，m为物理层属性数量，a
ij
表示特征数据集中第i个样本的第j个物理层属性；
[0007]通过K
‑
means聚类算法对特征数据集进行自下向上的分层，得到l层数据集；
[0008]对l层数据集自上向下进行加权聚类，将特征数据集分为k个集群；
[0009]基于k个集群迭代计算样本的平均轮廓系数，并基于平均轮廓系数确定特征数据集的聚类中心数量K；
[0010]基于特征数据集的聚类中心数量K和k个集群的聚类中心确定特征数据集的聚类中心；
[0011]基于特征数据集的聚类中心与参考向量的距离判断各个聚类中心对应的用户类型；其中，用户类型包括合法用户和欺骗用户。
[0012]在一种可能的实现方式中，通过K
‑
means聚类算法对特征数据集进行自下向上的
分层，得到l层数据集，包括：
[0013]将特征数据集作为第A层数据集，并令A＝1；其中，A为计数值；
[0014]通过K
‑
means聚类算法对第A层数据集进行聚类，得到M
A
个集群；
[0015]更新目标函数；目标函数为：
[0016][0017]其中，M
A
表示对第A层数据集进行聚类得到的集群数量，n
A,k
表示对第A层数据集进行聚类得到的第k个集群中的样本数量，表示对第A层数据集进行聚类得到的第k个集群中的第q个样本，c
A,k
表示对第A层数据集进行聚类得到的第k个集群的质心；
[0018]将M
A
个集群的质心作为第A+1层数据集；
[0019]将A+1，并跳转至“通过K
‑
means聚类算法对第A层数据集进行聚类，得到M
A
个集群”这一步骤，直至F小于预设阈值
A
，或A＝L时，得到l层数据集；其中，L为预设最大层数。
[0020]在一种可能的实现方式中，在通过K
‑
means聚类算法对特征数据集进行自下向上的分层，得到l层数据集之前，方法还包括：
[0021]通过标准化处理公式对每个样本进行标准化处理，得到标准化矩阵标准化处理公式为：
[0022][0023][0024][0025]其中，a
ij
表示特征数据集中第i个数据样本的第j个物理层属性，表示标准化处理后的a
ij
；
[0026]基于相关系数公式计算各个物理层属性之间的相关系数，得到相关系数矩阵R＝(r
ij
)
m
×
m
；相关系数公式为：
[0027][0028]其中，r
ij
表示第i个物理层属性和第j个物理层属性的相关系数，表示a
ti
和a
tj
的协方差；
[0029]计算相关系数矩阵的特征向量，并基于特征向量得到m个主成分：
[0030][0031]其中，y
m
表示第m个主成分，u
nm
表示第m个特征向量中的第n个元素，Z
n
表示标准化矩阵中的第n个向量；
[0032]基于方差贡献率公式计算各个主成分的方差贡献率；方差贡献率公式为：
[0033][0034]其中，b
j
表示第j个主成分的方差贡献率，λ
k
表示第k个主成分的特征值；
[0035]基于累计方差贡献率公式计算m个主成分的累计方差贡献率，并基于累计方差贡献率确定主成分的选取数量；累计方差贡献率公式为：
[0036][0037]其中，α
p
表示p个主成分的累计方差贡献率，p表示主成分的选取数量；
[0038]选取p个方差贡献率最大的主成分，得到去相关后的特征数据集；
[0039]相应的，通过K
‑
means聚类算法对特征数据集进行自下向上的分层，得到l层数据集，包括：
[0040]通过K
‑
means聚类算法对去相关后的特征数据集进行自下向上的分层，得到l层数据集。
[0041]在一种可能的实现方式中，对l层数据集自上向下进行加权聚类，将特征数据集分为k个集群，包括：
[0042]令B＝l；其中，B为计数值；
[0043]在第B层数据集中随机选取k个数据作为质心；
[0044]将第B层数据集的每个样本分配到距离该样本最近的质心，得到k个集群，并基于当前的k个集群更新质心；
[0045]将B
‑
1，并跳转至“将第B层数据集的每个样本分配到距离该样本最近的质心，得到k个集群，并基于当前的k个集群更新质心”这一步骤，直至B＝1时，得到最终的k个集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多属性物理层认证方法，其特征在于，包括：提取接收信号的多个物理层属性作为特征数据集S(t)＝(a
ij
)
n
×
m
；其中，n为样本数量，m为物理层属性数量，a
ij
表示所述特征数据集中第i个样本的第j个物理层属性；通过K
‑
means聚类算法对所述特征数据集进行自下向上的分层，得到l层数据集；对所述l层数据集自上向下进行加权聚类，将所述特征数据集分为k个集群；基于所述k个集群迭代计算样本的平均轮廓系数，并基于所述平均轮廓系数确定所述特征数据集的聚类中心数量K；基于所述特征数据集的聚类中心数量K和所述k个集群的聚类中心确定所述特征数据集的聚类中心；基于所述特征数据集的聚类中心与参考向量的距离判断各个聚类中心对应的用户类型；其中，所述用户类型包括合法用户和欺骗用户。2.根据权利要求1所述的多属性物理层认证方法，其特征在于，所述通过K
‑
means聚类算法对所述特征数据集进行自下向上的分层，得到l层数据集，包括：将所述特征数据集作为第A层数据集，并令A＝1；其中，A为计数值；通过K
‑
means聚类算法对第A层数据集进行聚类，得到M
A
个集群；更新目标函数；所述目标函数为：其中，M
A
表示对第A层数据集进行聚类得到的集群数量，n
A,k
表示对第A层数据集进行聚类得到的第k个集群中的样本数量，表示对第A层数据集进行聚类得到的第k个集群中的第q个样本，c
A,k
表示对第A层数据集进行聚类得到的第k个集群的质心；将所述M
A
个集群的质心作为第A+1层数据集；将A+1，并跳转至“通过K
‑
means聚类算法对第A层数据集进行聚类，得到M
A
个集群”这一步骤，直至F小于预设阈值
A
，或A＝L时，得到l层数据集；其中，L为预设最大层数。3.根据权利要求1所述的多属性物理层认证方法，其特征在于，在所述通过K
‑
means聚类算法对所述特征数据集进行自下向上的分层，得到l层数据集之前，所述方法还包括：通过标准化处理公式对每个样本进行标准化处理，得到标准化矩阵所述标准化处理公式为：述标准化处理公式为：
其中，a
ij
表示所述特征数据集中第i个数据样本的第j个物理层属性，表示标准化处理后的a
ij
；基于相关系数公式计算各个物理层属性之间的相关系数，得到相关系数矩阵R＝(r
ij
)
m
×
m
；所述相关系数公式为：其中，r
ij
表示第i个物理层属性和第j个物理层属性的相关系数，表示a
ti
和a
tj
的协方差；计算所述相关系数矩阵的特征向量，并基于所述特征向量得到m个主成分：其中，y
m
表示第m个主成分，u
nm
表示第m个特征向量中的第n个元素，Z
n
表示所述标准化矩阵中的第n个向量；基于方差贡献率公式计算各个主成分的方差贡献率；所述方差贡献率公式为：其中，b
j
表示第j个主成分的方差贡献率，λ
k
表示第k个主成分的特征值；基于累计方差贡献率公式计算所述m个主成分的累计方差贡献率，并基于所述累计方差贡献率确定主成分的选取数量；所述累计方差贡献率公式为：其中，α
p
表示p个主成分的累计方差贡献率，...

【专利技术属性】
技术研发人员：李保罡，王宇，石泰，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：