一种基于联邦学习的隐蔽通信检测方法技术

本发明专利技术公开了一种基于联邦学习的隐蔽通信检测方法，包括如下步骤：将若干时隙天线发射的样本数据以矩阵的形式存储；确定全局模型，中心服务器初始化全局模型；中心服务器将初始化的全局模型发放给用户；参与节点从中心服务器下载全局模型，并将下载的全局模型作为本地模型，使用本地数据训练和更新本地模型；参与节点将本地模型上传至中心服务器，中心服务器收到所有的局部模型后进行模型聚合更新，形成新的全局模型；中心服务器将新的全局模型下发给所有的训练节点，进行迭代训练；用户以最终更新的全局模型对本地数据进行检测，判断物理层信号中是否包含隐蔽通信数据，完成分类检测任务。本发明专利技术节约了通信资源，保护了数据安全。安全。安全。

【技术实现步骤摘要】
一种基于联邦学习的隐蔽通信检测方法


[0001]本专利技术属于无线通信
，具体为一种基于联邦学习的隐蔽通信检测方法。

技术介绍

[0002]隐蔽通信又称为隐蔽通信又被称为低检测(Low Probability of Detection,LPD)、低截获(Low Probability of Interception,LPI)通信，往往被应用在安全通信上。针对隐私保护领域，隐蔽通信作为一种泄露隐私信息、机密信息的手段，有必要对可能存在的隐蔽通信进行检测，从而保护个人和组织的信息安全。在军事对抗领域，隐蔽通信作为安全通信的一种，具有低检测、低截获的特点，被用于传输具有重要价值的信息，作为对抗方，检测破解敌方安全通信的手段，对己方具有重大的战略价值。
[0003]作为专门对抗检测手段而发展的技术，常规安全领域的检测手段难以有效检测隐蔽通信。机器学习的进步发展使得利用机器学习检测隐蔽通信成为可能。电子硬件的发展解决了曾困扰机器学习的数据量过大难以处理的问题。现如今与大数据结合后，机器学习综合应用了心理学、生物学、神经生理学、数学、自动化和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的隐蔽通信检测方法，其特征在于，包括如下步骤：(10)用户数据处理：将若干时隙天线发射的携带隐蔽信息的物理层比特流信号样本数据以矩阵的形式存储；(20)训练参数初始化：确定全局模型，中心服务器初始化全局模型；(30)初始模型发放：中心服务器将初始化的全局模型发放给用户；(40)模型本地训练：参与节点从中心服务器下载全局模型，并将下载的全局模型作为本地模型，使用本地数据训练和更新本地模型；(50)全局模型聚合：参与节点将本地模型上传至中心服务器，中心服务器收到所有的局部模型后进行模型聚合更新，形成新的全局模型；(60)全局模型发放：中心服务器将新的全局模型下发给所有的训练节点，判断全局模型训练更新次数是否达到次，若达到则进行步骤(70)，否则返回步骤(40)；(70)隐蔽通信检测：用户以最终更新的全局模型对本地数据进行检测，判断物理层信号中是否包含隐蔽通信数据，完成分类检测任务。2.根据权利要求1所述的基于联邦学习的隐蔽通信检测方法，其特征在于，所述全局模型采用二分类FNN神经元网络。3.根据权利要求2所述的基于联邦学习的隐蔽通信检测方法，其特征在于，所述二分类FNN神经元网络的激活函数采用Tanh激活函数：式中，x为神经元网络中神经元的输出，y表示最终的判断结果。4.根据权利要求1所述的基于联邦学习的隐蔽通信检测方法，其特征在于，将中心服务器下发的全局模型作为本地模型，使用本地数据训练和更新本地模型设定轮的具体方法为：(41)将步骤(10)存储数据作为的训练样本{{x
(1)
,y
(1)
}...{x
(n)
,y
(n)
}}；式中，x为样本数据，y是对应样本数据的分类标签；(42)前向传递训练网络权重：z
l
＝w
l
a
l
‑1+bl,a
l

【专利技术属性】
技术研发人员：陈立文，钱玉文，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：