一种基于流形学习编码重构的物理层混沌加密方法技术

本发明专利技术公开了一种基于流形学习编码重构的物理层混沌加密方法，旨在解决现有技术中混沌加密方法在混沌序列数量需求增加后效率会受影响的技术问题。其包括：通过基于流形学习的生成对抗网络模型得到混沌密钥序列；利用混沌密钥序列对物理层中待发送的信号数据进行相位掩盖加密和频率掩盖加密，得到加密后的信号数据。本发明专利技术借助流形学习辅助神经网络学习混沌密钥序列的分布特征，进而重构序列数据，通过网络并行计算优势，能够有效提高混沌序列生成效率，提升系统传输性能。提升系统传输性能。提升系统传输性能。

【技术实现步骤摘要】
一种基于流形学习编码重构的物理层混沌加密方法


[0001]本专利技术涉及一种基于流形学习编码重构的物理层混沌加密方法，属于混沌保密通信领域


技术介绍

[0002]随着5G网络，大数据，以及物联网等技术的发展，传输网络对容量和效率的要求不断提高。无源光接入网(PON)是通信物理层数据传输的重要组成部分，下行信号传输为广播模式，其传输的数据容易遭受非法用户的窃听和攻击，PON数据传输的安全性研究已经成为值得关注的问题。目前，物理层安全通信技术主要分为以下几种：混沌激光通信、微波光子混沌通信、数字混沌数字信号处理(DSP)安全技术等。量子通信、微波光子混沌通信、混沌激光器通信都对设备有额外的要求，工业化应用技术难度高，而数字混沌DSP安全技术对设备硬件无要求，具有方便操作处理等优点，受到了国内外学者广泛的研究。
[0003]数字混沌数字信号处理(DSP)安全技术通过混沌模型生成混沌序列，并根据混沌序列对通信系统中信号进行掩盖加密，从而辅助系统进行数据安全传输。在光通信系统中，混沌伪随机性以及初值敏感性是混沌模型安全性的主要保障。混沌序列的模型是通过线性迭代微分方程计算得到，其串行计算通常需要较多的运算资源，随着混沌序列数量需求的增加，混沌通信加密方案的效率会受到一定的影响。
[0004]随着深度学习以及光芯片纳米技术的发展，图形处理器由于其高效率的并行计算优势，已经得到广泛的应用，深度生成模型可以通过训练原始数据资料，学习数据内在的分布规则，然而混沌序列由于其初值敏感性等特征难以在图像域直接训练学习数据分布特征。

技术实现思路

[0005]为了解决现有技术中存在的问题，本专利技术提出了一种基于流形学习编码重构的物理层混沌加密方法，通过基于流形学习的神经网络模型在低维流形学习原始混沌序列的数据分布，并用重构生成的序列进行加密，能够极大的增强通信系统的复杂度和安全性，同时利用深度学习中图形处理器并行计算的优势，有效提升混沌加密系统的效率。
[0006]为解决上述技术问题，本专利技术采用了如下技术手段：
[0007]本专利技术提出了一种基于流形学习编码重构的物理层混沌加密方法，包括如下步骤：
[0008]通过基于流形学习的生成对抗网络模型得到混沌密钥序列；
[0009]利用混沌密钥序列对物理层中待发送的信号数据进行相位掩盖加密和频率掩盖加密，得到加密后的信号数据。
[0010]进一步的，生成对抗网络模型包括生成器网络和判别器网络；在生成对抗网络模型中，通过生成器网络捕捉原始密钥数据低维流形的本地空间分布以及数据间的距离关系，学习原始密钥数据的分布特征，得到重构密钥数据，通过判别器网络识别重构密钥数据
和原始密钥数据，并将识别结果通过损失函数反馈给生成器网络。
[0011]进一步的，生成器网络包括依次连接的2层全连接层和3层卷积层，其中，全连接层采用双曲正切函数Tanh作为非线性激活函数，卷积层采用线性整流函数ReLU作为非线性激活函数。
[0012]进一步的，利用生成器网络重构密钥数据的方法为：
[0013]通过生成器网络的全连接层将原始密钥数据映射到低维流形，得到低维流形的原始密钥数据；
[0014]通过生成器网络的卷积层提取低维流形的原始密钥数据的数据特征；
[0015]通过自动编码器重构出数据特征在卷积特征空间中的稀疏表示，得到低维流形的重构密钥数据；
[0016]将低维流形的重构密钥数据恢复到原始密钥数据的维度，得到重构密钥数据。
[0017]进一步的，判别器网络采用umap算法学习重构密钥数据和原始密钥数据的数据特征并进行数据分类。
[0018]进一步的，判别器网络中的损失函数采用WGAN中的Wasserstein距离。
[0019]进一步的，利用混沌密钥序列对物理层中待发送的信号数据进行概率整形，并通过正交幅度调制将信号数据映射到星座图，完成第一次相位掩盖加密。
[0020]进一步的，利用混沌密钥序列将相位掩盖加密后的信号数据调制到子载波上，完成第二次频率掩盖加密。
[0021]进一步的，当接收端接收到加密后的信号数据，利用相同的混沌密钥序列对加密后的信号数据进行正交幅度解调和子载波解调，得到解密后的信号数据。
[0022]采用以上技术手段后可以获得以下优势：
[0023]本专利技术提出了一种基于流形学习编码重构的物理层混沌加密方法，采用生成对抗网络模型并结合流形学习，学习各种混沌模型中混沌密钥序列的生成规则，借助流形学习辅助学习混沌密钥序列的低维数据分布，提高序列重构的准确性，进而能够具有生成大空间密钥群的能力，利用生成对抗网络模型得到的混沌密钥序列进行数据加密，可以有效提供通信系统的安全性。与此同时，本专利技术利用深度网络并行计算的优势，能够有效提升混沌密钥序列的生成效率，进而大幅提升混沌加密的效率，提升系统的传输性能。
附图说明
[0024]图1为本专利技术一种基于流形学习编码重构的物理层混沌加密方法的步骤流程图；
[0025]图2为本专利技术实施例中生成对抗网络模型的网络结构示意图；
[0026]图3为本专利技术实施例中生成器网络结构图；
[0027]图4为本专利技术实施例中生成器网络流形学习原理图；
[0028]图5为本专利技术实施例中判别器网络结构图；
[0029]图6为本专利技术实施例中判断器网络采用t
‑
SNE算法得到的低维流形可视化图像；
[0030]图7为本专利技术实施例中判断器网络采用umap算法得到的低维流形可视化图像；
[0031]图8为本专利技术物理层混沌加密方法在OFDM
‑
PON通信系统中的运用框图；
[0032]图9为本专利技术实施例中物理层混沌加密实验系统的系统框图；
[0033]图10为本专利技术实施例中不同加密方案的误码率随接收光功率的变化曲线图；
[0034]图11为本专利技术实施例中混沌密钥序列迭代次数与计算时间的关系图。
具体实施方式
[0035]下面结合附图对本专利技术的技术方案作进一步说明：
[0036]本专利技术提出了一种基于流形学习编码重构的物理层混沌加密方法，用于OFDM符号的加密，如图1所示，具体包括如下步骤：
[0037]步骤A、通过基于流形学习的生成对抗网络模型得到混沌密钥序列；
[0038]步骤B、利用混沌密钥序列对物理层中待发送的信号数据进行相位掩盖加密和频率掩盖加密，得到加密后的信号数据。
[0039]在步骤A中，生成对抗网络模型如图2所示，生成对抗网络模型包括包括生成器(generator)网络和判别器(discriminator)网络，生成对抗网络模型通过流形学习方法实现数据可视化，进而能够在低维学习数据分布特征。在生成对抗网络模型中，首先利用预处理号的训练数据(原始密钥数据)训练生成器，通过生成器网络捕捉原始密钥数据(source keys)低维流形的本地空间分布以及数据间的距离关系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流形学习编码重构的物理层混沌加密方法，其特征在于，包括如下步骤：通过基于流形学习的生成对抗网络模型得到混沌密钥序列；利用混沌密钥序列对物理层中待发送的信号数据进行相位掩盖加密和频率掩盖加密，得到加密后的信号数据。2.根据权利要求1所述的一种基于流形学习编码重构的物理层混沌加密方法，其特征在于，生成对抗网络模型包括生成器网络和判别器网络；在生成对抗网络模型中，通过生成器网络捕捉原始密钥数据低维流形的本地空间分布以及数据间的距离关系，学习原始密钥数据的分布特征，得到重构密钥数据，通过判别器网络识别重构密钥数据和原始密钥数据，并将识别结果通过损失函数反馈给生成器网络。3.根据权利要求2所述的一种基于流形学习编码重构的物理层混沌加密方法，其特征在于，生成器网络包括依次连接的2层全连接层和3层卷积层，其中，全连接层采用双曲正切函数Tanh作为非线性激活函数，卷积层采用线性整流函数ReLU作为非线性激活函数。4.根据权利要求3所述的一种基于流形学习编码重构的物理层混沌加密方法，其特征在于，利用生成器网络重构密钥数据的方法为：通过生成器网络的全连接层将原始密钥数据映射到低维流形，得到低维流形的原始密钥数据；通过生成器网络的卷积层提取低维流形的原始密钥数...

【专利技术属性】
技术研发人员：刘博，任建新，毛雅亚，朱筱嵘，吴翔宇，吴泳锋，孙婷婷，赵立龙，戚志鹏，李莹，王凤，哈特，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：