CN106330426B - 网络装置、用于网络同步的方法、通信方法和设备 - Google Patents

Abstract

本发明实施例提供了一种网络装置、用于网络同步的方法、通信方法和设备，该网络装置包括：并联的N个电路单元，每个电路单元包括神经元和至少两个忆阻器，至少两个忆阻器中的m个忆阻器用于连接实时神经元，至少两个忆阻器中的n个忆阻器用于连接时滞神经元，神经元包括RC振荡电路、实时信号处理单元和时滞信号处理单元，RC振荡电路的一端接地，另一端分别与至少两个忆阻器、实时信号处理单元和时滞信号处理单元相连，实时信号处理单元用于根据实时神经元状态确定实时神经元状态的激励，时滞信号处理单元用于根据时滞神经元状态确定时滞神经元状态的激励。本发明实施例利用忆阻器作为神经元的突触连接，混沌神经网络的结构简单，可扩展性强。

Description

网络装置、用于网络同步的方法、通信方法和设备

技术领域

本发明实施例涉及通信领域，并且更具体地，涉及网络装置、用于网络同步的方法、通信方法和设备。

背景技术

混沌是动力学系统所特有的一种运动形式，广泛存在于人们日常生活的多种自然现象，例如蝴蝶效应。混沌是一种确定的系统中出现的貌似随机的无规则运动。混沌运动具有遍历性、随机性等特点，能在一定的范围内按照其自身规律不重复地遍历所有状态。混沌系统对无限小的初值变动和扰动具有极度的敏感性，输入端微小的变化会引起输出端巨大的差异。

神经网络是一种模拟和近似生物大脑神经元网络的分布式并行信息处理的算法和模型。神经网络通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

混沌神经网络产生的信号具有遍历性、非周期性、不可预测性、似噪声性等特点，因此适用于保密通信及图像加密领域。为使混沌神经网络在这些领域取得良好的效果，混沌同步是一个必须解决的问题。混沌同步是指至少两个混沌系统状态轨迹协调一致的现象，混沌同步的目的在于从一个或多个响应系统中获取响应驱动系统所发出的信息。

现有的混沌神经网络装置中的电路设计复杂，扩展性较差。因此，复杂度低且高性能的混沌神经网络装置是急需解决的问题。

发明内容

本发明实施例提供一种网络装置、用于网络同步的方法、通信方法和设备，能够降低混沌神经网络装置的复杂度，提高可扩展性。

第一方面，提供了一种网络装置，该网络装置包括：并联的N个电路单元，每个电路单元包括神经元和至少两个忆阻器，该至少两个忆阻器中的m个忆阻器用于连接实时神经元，该至少两个忆阻器中的n个忆阻器用于连接时滞神经元，N、m和n为大于零的正整数；其中，该神经元包括电阻电容RC振荡电路、实时信号处理单元和时滞信号处理单元，该RC振荡电路的一端接地，另一端分别与该至少两个忆阻器、该实时信号处理单元和该时滞信号处理单元相连，该实时信号处理单元用于根据实时神经元状态确定该实时神经元状态的激励，该时滞信号处理单元用于根据时滞神经元状态确定该时滞神经元状态的激励。

结合第一方面，在第一方面的第一种可能的实现方式中，该实时信号处理单元根据该RC振荡电路的实时电压值确定该实时神经元状态的激励，该时滞信号处理单元根据该RC振荡电路的时滞电压值确定该时滞神经元状态的激励。

结合第一方面或第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，该实时信号处理单元基于非线性处理函数对该实时神经元状态进行处理，得到该实时神经元状态的激励，该时滞信号处理单元基于非线性处理函数对该时滞神经元状态进行处理，得到该时滞神经元状态的激励。

结合第一方面或第一方面的第一种至第二种可能的实现方式中的任一种可能的实现方式，在第一方面的第三种可能的实现方式中，该实时信号处理单元为第一场效晶体管电路，该时滞信号处理单元为第二场效晶体管电路。

结合第一方面或第一方面的第一种至第三种可能的实现方式中的任一种可能的实现方式，在第一方面的第四种可能的实现方式中，该至少两个忆阻器的个数为2N。

结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，m和n相等且均等于N。

第二方面，提供了一种用于网络同步的方法，该方法应用于第一方面或第一方面的第一种至第五种中任一项的网络装置，该方法包括：确定基于该网络装置的驱动网络的神经元状态和基于该网络装置的响应网络的神经元状态的差值；根据该差值和该至少两个忆阻器，确定该响应网络的外部输入电流，该外部输入电流用于实现该驱动网络的神经元状态与该响应网络的神经元状态同步。

结合第二方面，在第二方面的第一种可能的实现方式中，该根据该差值和该至少两个忆阻器，确定该响应网络的外部输入电流，包括：根据该至少两个忆阻器，确定第一阈值和第二阈值；根据该差值、该第一阈值和该第二阈值，确定该外部输入电流。

结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，该根据该至少两个忆阻器，确定第一阈值和第二阈值，包括：根据公式

确定该第一阈值；根据公式

确定该第二阈值；其中，p为该第一阈值，d为该RC振荡电路的电阻值与电容值的乘积的倒数，

为该m个忆阻器中绝对值最大的忆阻值，

为该n个忆阻器中绝对值最大的忆阻值，l和M_j为该神经元的激励函数的特性，q为该第二阈值，a'_j为该m个忆阻器施加正向变化电压时的忆阻值，a″_j为该m个忆阻器施加负向变化电压时的忆阻值，b'_j为该n个忆阻器施加正向变化电压时的忆阻值，b″_j为该n个忆阻器施加负向变化电压时的忆阻值。

结合第二方面的第一种或第二种可能的实现方式，在第二方面的第三种可能的实现方式中，该根据该差值和该至少两个忆阻器，确定该响应网络的外部输入电流，包括：根据公式w＝p(u(t)-v(t))+qsgn(u(t)-v(t))，确定该外部输入电流；其中，p为该第一阈值，q为该第二阈值，u(t)为该驱动网络的神经元的状态，v(t)为该响应网络的神经元的状态。

第三方面，提供了一种通信方法，该方法应用的发送端设备包括第一方面或第一方面的第一种至第五种中任一项的网络装置，该方法包括：将待发送的明文信息驱动该网络装置，得到混沌信息；将该明文信息与该混沌信息进行叠加，并将叠加后的信息进行加密，得到加密信息；发送该加密信息。

第四方面，提供了一种通信方法，该方法应用的接收端设备包括第一方面或第一方面的第一种至第五种中任一项的网络装置，该方法包括：将接收到的待解密信息进行解密，得到明文信息和混沌信息，该明文信息为发送端设备待发送的信息，该混沌信息为该明文信息驱动该发送端设备的第一网络装置得到的信息；将该明文信息和该混沌信息驱动该接收端设备的第二网络装置，得到神经网络状态信息，该神经网络状态信息与该混沌信息同步；确定该明文信息和该混沌信息的总和与该神经网络状态信息的差值为解密后的信息。

第五方面，提供了一种发送端设备，该发送端设备包括第一方面或第一方面的第一种至第五种中任一项的网络装置，该发送端设备还包括：驱动单元，用于将待发送的明文信息驱动该网络装置，得到混沌信息；叠加单元，用于将该明文信息与该混沌信息进行叠加；加密单元，用于将叠加后的信息进行加密，得到加密信息；发送单元，用于发送该加密信息。

第六方面，提供了一种接收端设备，该接收端设备包括第一方面或第一方面的第一种至第五种中任一项的网络装置，该接收端设备还包括：解密单元，用于将接收到的待解密信息进行解密，得到明文信息和混沌信息，该明文信息为发送端设备待发送的信息，该混沌信息为该明文信息驱动该发送端设备的第一网络装置得到的信息；驱动单元，用于将该明文信息和该混沌信息驱动该接收端设备的第二网络装置，得到神经网络状态信息，该神经网络状态信息与该混沌信息同步；确定单元，用于确定该明文信息和该混沌信息的总和与该神经网络状态信息的差值为解密后的信息。

本发明实施例中利用忆阻器作为神经元的突触连接，混沌神经网络的结构简单，能耗低，可扩展性强。而且，基于忆阻器的动力学特性，可以更好地模拟大脑信息处理方式，具有更强的随机性和不可预测性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例的网络装置的结构示意图。

图2是本发明一个实施例的网络装置的电路结构示意图。

图3是本发明一个实施例的用于网络同步的方法的示意性流程图。

图4是本发明一个实施例的混沌信号的状态图。

图5是本发明一个实施例的驱动网络和响应网络的状态图。

图6是本发明一个实施例的通信方法的示意性流程图。

图7是本发明另一实施例的通信方法的示意性流程图。

图8是本发明一个实施例的基于忆阻混沌神经网络的通信结构示意图。

图9是本发明一个实施例的发送端设备的示意框图。

图10是本发明一个实施例的接收端设备的示意框图。

图11是本发明另一实施例的发送端设备的示意框图。

图12是本发明另一实施例的接收端设备的示意框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

图1是本发明一个实施例的网络装置的结构示意图。图1所示的网络装置包括：

并联的N个电路单元101，每个电路单元101包括神经元102和至少两个忆阻器103，至少两个忆阻器103中的m个忆阻器用于连接实时神经元，至少两个忆阻器中的n个忆阻器用于连接时滞神经元，N、m和n为大于零的正整数；

其中，神经元102包括电阻电容RC振荡电路104、实时信号处理单元105和时滞信号处理单元106，RC振荡电路104的一端接地，另一端分别与至少两个忆阻器103、实时信号处理单元105和时滞信号处理单元106相连，实时信号处理单元105用于根据实时神经元状态确定实时神经元状态的激励，时滞信号处理单元106用于根据时滞神经元状态确定时滞神经元状态的激励。

本发明实施例中利用忆阻器作为神经元的突触连接，混沌神经网络的结构简单，能耗低，可扩展性强。而且，基于忆阻器的动力学特性，可以更好地模拟大脑信息处理方式，具有更强的随机性和不可预测性。

应理解，实时神经元可以为基于当前时刻t的神经元，时滞神经元可以为基于历史时刻t-τ的神经元。也就是说，实时神经元和时滞神经元可以为不同时刻的某个神经元。实时信号处理单元可以处理实时神经元的实时信号，时滞信号处理单元可以处理时滞神经元的时滞信号。其中，实时信号可以为实时神经元状态，时滞信号可以为时滞神经元状态。

神经元状态可以为神经元的相关参数，例如，电压值或者电流值等。本发明实施例基于电压驱动的忆阻电路设计网络装置的网络架构，也可以基于电流或其他参数值作为驱动的忆阻电路设计网络装置的网络架构，本发明实施例并不限于此。具体地，实时神经元状态可以为实时神经元的电压值，时滞神经元状态可以为时滞神经元的电压值。

RC振荡电路可以包括并联的电阻和电容，RC振荡电路的一端接地，则RC振荡电路的电压值可以为并联的电阻的电压值，也可以为并联的电容的电压值。

可选地，作为一个实施例，m个用于连接实时神经元的忆阻器可以为串联方式相互连接，n个用于连接时滞神经元的忆阻器也可以为串联方式相互连接。

可选地，作为另一实施例，实时信号处理单元根据RC振荡电路的实时电压值确定实时神经元状态的激励，时滞信号处理单元根据RC振荡电路的时滞电压值确定时滞神经元状态的激励。

可选地，作为另一实施例，实时信号处理单元基于非线性处理函数对实时神经元状态进行处理，得到实时神经元状态的激励，时滞信号处理单元基于非线性处理函数对时滞神经元状态进行处理，得到时滞神经元状态的激励。

具体地，实时信号处理单元可以对实时神经元状态(例如RC振荡电路的实时电压值)进行处理，该处理函数可以为非线性处理函数。线性处理函数为一次函数，其图像为一条直线。其它函数则为非线性处理函数，其图像是除直线以外的图像。也就是说，实时神经元状态(例如RC振荡电路的实时电压值)可以作为实时信号处理单元的输入，实时神经元状态的激励可以作为实时信号处理单元的输出。

类似地，时滞信号处理单元可以对时滞神经元状态(例如RC振荡电路的实时电压值)进行处理，该处理函数可以为非线性处理函数。线性处理函数为一次函数，其图像为一条直线。其它函数则为非线性处理函数，其图像是除直线以外的图像。也就是说，时滞神经元状态(例如RC振荡电路的实时电压值)可以作为时滞信号处理单元的输入，时滞神经元状态的激励可以作为时滞信号处理单元的输出。

可选地，作为另一实施例，实时信号处理单元为第一场效晶体管电路，时滞信号处理单元为第二场效晶体管电路。

应理解，实时信号处理单元和时滞信号处理单元为场效晶体管电路仅仅为本发明的一个实施例，本发明实施例中对实时信号处理单元和时滞信号处理单元的电路并不做限定，仅仅需要该电路满足非线性处理函数即可。

可选地，作为另一实施例，至少两个忆阻器的个数为2N。

可选地，作为另一实施例，m和n相等且均等于N。

具体地，网络装置包括的忆阻器的个数可以与电路单元的个数相关，即该至少两个忆阻器的个数可以为电路单元的个数N的2倍。可选地，连接实时神经元的忆阻器的个数可以与连接时滞神经元的忆阻器的个数相等，即m＝n＝N。例如，若网络装置包括一个电路单元(即N＝1时)，该网络装置可以包括2个忆阻器。该2个忆阻器中一个用于连接实时神经元，一个用于连接时滞神经元。若网络装置包括两个电路单元(即N＝2时)，该网络装置可以包括4个忆阻器。该4个忆阻器中的两个忆阻器用于连接实时神经元，两个忆阻器用于连接时滞神经元。

图2是本发明一个实施例的网络装置的电路结构示意图。

图2中的网络装置的混沌神经网络电路包括N个对称的电路单元并行互联，每个电路单元包括神经元和2N个忆阻器。2N个忆阻器中的两组忆阻器分别与神经元连接，每组忆阻器的个数为N。神经元可以包括一个RC振荡电路、实时信号处理单元和时滞信号处理单元。其中，实时信号处理单元为场效晶体管电路，时滞信号处理单元为场效晶体管电路。RC振荡电路的一端接地，另一端分别与两个忆阻器以及两个场效晶体管电路连接。

每个电路单元具有外部输入电流，则N个电路单元对应N个外部输入电流I₁、I₂……I_N。每个电路单元的外部输入电流分流后分别连接两组忆阻器。第i个电路单元中，两组个数为N的忆阻器分别为a₁₁……a_N1和b₁₁……b_N1。N个电路单元包括2N个场效晶体管电路。其中，第1个电路单元的两个场效晶体管电路的处理函数可以为f₁(t)和f₁(t-τ)，第2个电路单元的两个场效晶体管电路的处理函数可以为f₂(t)和f₂(t-τ)，第N个电路单元的两个场效晶体管电路的处理函数可以为f_N(t)和f_N(t-τ)。第1个电路单元的RC振荡电路的电阻为R₁，电容为C₁，第2个电路单元的RC振荡电路的电阻为R₂，电容为C₂，第N个电路单元的RC振荡电路的电阻为R_N，电容为C_N。

图3是本发明一个实施例的用于网络同步的方法的示意性流程图。图3所示的方法可以由图1或图2所示的网络装置执行。图3所示的方法可以应用于图1或图2所示的网络装置。图3所示的方法包括：

310，确定基于网络装置的驱动网络的神经元状态和基于网络装置的响应网络的神经元状态的差值；

320，根据差值和至少两个忆阻器，确定响应网络的外部输入电流，外部输入电流用于实现驱动网络的神经元状态与响应网络的神经元状态同步。

本发明实施例基于网络装置设计的混沌神经网络进行网络同步，该混沌同步协议的设计简单，易于实现。而且，该混沌同步协议能够保证基于该网络装置的驱动网络的神经元状态和基于该网络装置的响应网络的神经元状态同步且实现指数收敛。

应理解，基于图1或图2所示的网络装置，该网络装置的混沌神经网络可以根据基尔霍夫定律建立该混沌神经网络电路的动态方程。该动态方程可以为图1所示的至少两个忆阻器、实时信号处理单元、时滞状态处理单元、外部输入电流和RC振荡电路电压值的关系。

具体地，基于图1或图2所示的网络装置，由基尔霍夫定律可以得到该动态方程：

其中，u_i为N个电路单元中的第i个电路单元中神经元的状态，即该电路单元中的RC振荡电路的电压值。C为RC振荡电路的电容值。R为RC振荡电路的电阻值。f_i(u_i)为第i个电路单元以当前时刻t的电压值u_i作为实时信号处理单元的输入得到的输出。即实时信号处理单元用于根据实时神经元状态确定该实时神经元状态的激励。f_i(u_i(t-τ_i))为第i个电路单元以历史时刻t-τ的电压值u_i(t-τ_i)作为时滞信号处理单元的输入得到的输出。即时滞信号处理单元用于根据时滞神经元状态确定该时滞神经元状态的激励。a_ji(u_i)为与第i个电路单元中的实时神经元相连的忆阻器阻值，b_ji(u_i,u_i(t-τ_i))为与第i个电路单元中的时滞神经元相连的忆阻器阻值。I_i为第i个电路单元的外部输入电流。

假设一个N维的驱动忆阻混沌神经网络模型如下：

与其对应的响应忆阻混沌神经网络模型可以为：

其中，w_i为第i个电路单元中响应忆阻混沌神经网络的外部输入电流。因此，通过设计w_i的取值，可以实现响应网络的神经元状态与驱动网络的神经元状态同步。即实现如下公式：

该公式表示，在一段时间之后，驱动网络的神经元状态(RC振荡电路的电压值)和响应网络的神经元状态(RC振荡电路的电压值)同步。

可选地，作为另一实施例，在步骤320中，本发明实施例可以根据至少两个忆阻器，确定第一阈值和第二阈值；根据差值、第一阈值和第二阈值，确定外部输入电流。

具体地，本发明实施例中的混沌同步协议如下：

w_i＝p_i(u_i(t)-v_i(t))+q_isgn(u_i(t)-v_i(t)),i＝1...N

其中，p_i为第i个电路单元中的第一阈值，u_i(t)为驱动网络的神经元的状态，v_i(t)为响应网络的神经元的状态，d为RC振荡电路的电阻值与电容值的乘积的倒数，

为该m个忆阻器中绝对值最大的忆阻值，

为该n个忆阻器中绝对值最大的忆阻值，l和M_j为该神经元的激励函数的特性，q为该第二阈值，a'_j为m个忆阻器施加正向变化电压时的忆阻值，a″_j为m个忆阻器施加负向变化电压时的忆阻值，b'_j为n个忆阻器施加正向变化电压的忆阻值，b″_j为n个忆阻器施加负向变化电压时的忆阻值。

具体地，若采用常用的tanh激励函数，则M_i＝1，l_i＝1。对于其他的激励函数，l_i和M_j的取值需要满足不等式|f_i(u)|≤M_i,|f_i(u)-f_i(v)|≤l_i|u-v|。

应理解，u(t)的取值在初始时刻，即t＝0的时候，可以测量得到，v(t)和w_i的取值可以基于上述响应忆阻混沌神经网络模型和混沌同步协议这两个公式同时计算得出。

下面将以两个电路单元为例，进行具体说明：

若网络装置包括两个电路单元，即N＝2，CR＝1。则基于上文描述的混沌神经网络模型得到该包括两个电路单元的网络装置的混沌神经网络模型为：

其中，8个忆阻器的组织分别为：

a₁₁(t)＝2，a₂₂(t)＝4.5，b₁₁(t)＝-1.5，b₁₂(t)＝-0.1

其中，f₁₂(t)为tanh(t)，f₁₂(s)为tanh(s)。f₂₁(t)为tanh(t)，f₂₁(s)为tanh(s)若令神经元的初始状态为(0.1,0.1)，即u₁(0)＝0.1，u₂(0)＝0.1时，则驱动网络和神经网络实现同步的外部输入电流如下：

其中，e₁(t)＝u₁(t)-v₁(t)，e₂(t)＝u₂(t)-v₂(t)。

因此，p₁可以取8，p₂可以取8，q₁可以取1，q₂可以取4。

则，

因此，基于上述已知量，可以由上文描述的包含两 个电路单元的网络装置的混沌神经网络模型和该w(t)的计算公式确定出w(t)和v(t)。

图4是本发明一个实施例的混沌信号的状态图。图4所示的混沌信号的状态图基于两个电路单元的网络装置且神经元的初始状态为(0.1,0.1)时(即u₁(0)＝0.1，u₂(0)＝0.1)所得。

x₁为位于第1个电路单元中的第1个神经元的状态值，x₂为位于第2个电路单元中的第2个神经元的状态值。

图5是本发明一个实施例的驱动网络和响应网络的状态图。图5所示的状态图基于两个电路单元的网络装置且神经元的初始状态为(0.1,0.1)时(即u₁(0)＝0.1，u₂(0)＝0.1)所得。

图5中，x1为驱动网络的第一个神经元的状态曲线，y1为响应网络的第一个神经元的状态曲线。x2为驱动网络的第二个神经元的状态曲线，y2为响应网络的第二个神经元的状态曲线。从图5可以得出，两个忆阻混沌神经网络的状态信号能够实现同步。

图6是本发明一个实施例的通信方法的示意性流程图。该方法应用的发送端设备包括图1或图2中涉及的网络装置，该方法包括：

610，将待发送的明文信息驱动网络装置，得到混沌信息；

620，将明文信息与混沌信息进行叠加，并将叠加后的信息进行加密，得到加密信息；

630，发送加密信息。

本发明实施例中在发送端设备处将明文信息和忆阻神经网络的混沌信息叠加后进行二次加密。由于混沌信息具有长期不可预测性和高度复杂性，因此，基于混沌神经网络的保密通信易于实现且具有强抗截获能力。

图7是本发明另一实施例的通信方法的示意性流程图。该方法应用的接收端设备包括图1或图2中涉及的网络装置，该方法包括：

710，将接收到的待解密信息进行解密，得到明文信息和混沌信息，明文信息为发送端设备待发送的信息，混沌信息为明文信息驱动发送端设备的第一网络装置得到的信息；

720，将明文信息和混沌信息驱动接收端设备的第二网络装置，得到神经网络状态信息，神经网络状态信息与混沌信息同步；

730，确定明文信息和混沌信息的总和与神经网络状态信息的差值为解密后的信息。

本发明实施例中在接收端设备处经过解密方法将信息解密为明文信息和忆阻神经网络的混沌信息的叠加信息，然后给予同步协议实现接收端的忆阻神经网络和发射端的忆阻神经网络同步，进而用叠加信息减去同步信息得到明文信息。由于混沌信息具有长期不可预测性和高度复杂性，因此，基于混沌神经网络的保密通信易于实现且具有强抗截获能力。

图6和图7的实施例可以基于图8所示的基于忆阻混沌神经网络的通信结构示意图进行描述。

如图8所示，发送端设备输出明文信息r(t)，将r(t)驱动图1所示的网络装置的忆阻混沌神经网络可以得到混沌信息u(t)，将r(t)和u(t)叠加得到r(t)+u(t)，进行加密并发送该加密信息。应理解，该加密方法可以为现有的加密方法，本发明实施例对加密方法不做限定。

接收端设备接收到该加密信息(即待解密信息)后进行相应解密，得到明文信息r(t)+u(t)。然后根据图3所示的同步协议和忆阻混沌神经网络模型可以求出w和v(t)，将r(t)+u(t)减去v(t)可以最终得到明文信息r(t)。

图9是本发明一个实施例的发送端设备的示意框图。图9所示的发送端设备90包括：

驱动单元91将待发送的明文信息驱动网络装置，得到混沌信息；

叠加单元92将明文信息与混沌信息进行叠加；

加密单元93将叠加后的信息进行加密，得到加密信息；

发送单元94发送加密信息。

本发明实施例中在发送端设备处将明文信息和忆阻神经网络的混沌信息叠加后进行二次加密。由于混沌信息具有长期不可预测性和高度复杂性，因此，基于混沌神经网络的保密通信易于实现且具有强抗截获能力。

图10是本发明一个实施例的接收端设备的示意框图。图10所示的发送端设备1000包括：

解密单元1001将接收到的待解密信息进行解密，得到明文信息和混沌信息，明文信息为发送端设备待发送的信息，混沌信息为明文信息驱动发送端设备的第一网络装置得到的信息；

驱动单元1002将明文信息和混沌信息驱动接收端设备的第二网络装置，得到神经网络状态信息，神经网络状态信息与混沌信息同步；

确定单元1003确定明文信息和混沌信息的总和与神经网络状态信息的差值为解密后的信息。

本发明实施例中在接收端设备处经过解密方法将信息解密为明文信息和忆阻神经网络的混沌信息的叠加信息，然后给予同步协议实现接收端的忆阻神经网络和发射端的忆阻神经网络同步，进而用叠加信息减去同步信息得到明文信息。由于混沌信息具有长期不可预测性和高度复杂性，因此，基于混沌神经网络的保密通信易于实现且具有强抗截获能力。

图11是本发明另一实施例的发送端设备的示意框图。图11的发送端设备1100可以用于实现上述方法实施例中各步骤及方法。图11的发送端设备1100包括处理器1101、存储器1102、发射电路1104。处理器1101、存储器1102和发射电路1104通过总线系统1109连接。

此外，发送端设备1100还可以包括天线1105等。处理器1101控制发送端设备1100的操作。存储器1102可以包括只读存储器和随机存取存储器，并向处理器1101提供指令和数据。发送端设备1100的各个组件通过总线系统1109耦合在一起，其中总线系统1109除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图中将各种总线都标为总线系统1109。

处理器1101可能是一种集成电路芯片，具有信号的处理能力。上述的处理器1101可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器1101读取存储器1102中的信息，结合其硬件控制发送端设备1100的各个部件。

图6的方法可以在图11的发送端设备1100中实现，为避免重复，不再详细描述。

具体地，在处理器1101的控制之下，发送端设备1100完成以下操作：

将待发送的明文信息驱动网络装置，得到混沌信息；

将明文信息与混沌信息进行叠加，并将叠加后的信息进行加密，得到加密信息；

发送加密信息。

本发明实施例中在发送端设备处将明文信息和忆阻神经网络的混沌信息叠加后进行二次加密。由于混沌信息具有长期不可预测性和高度复杂性，因此，基于混沌神经网络的保密通信易于实现且具有强抗截获能力。

图12是本发明另一实施例的接收端设备的示意框图。图12的接收端设备1200可以用于实现上述方法实施例中各步骤及方法。图12的接收端设备1200包括处理器1201、存储器1202、接收电路1203。处理器1201、存储器1202和接收电路1203通过总线系统1209连接。

此外，接收端设备1200还可以包括天线1205等。处理器1201控制发送端设备1200的操作。存储器1202可以包括只读存储器和随机存取存储器，并向处理器1201提供指令和数据。接收端设备1200的各个组件通过总线系统1209耦合在一起，其中总线系统1209除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图中将各种总线都标为总线系统1209。

处理器1201可能是一种集成电路芯片，具有信号的处理能力。上述的处理器1201可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器1201读取存储器1202中的信息，结合其硬件控制发送端设备1200的各个部件。

图7的方法可以在图12的接收端设备1200中实现，为避免重复，不再详细描述。

具体地，在处理器1201的控制之下，接收端设备1200完成以下操作：

将接收到的待解密信息进行解密，得到明文信息和混沌信息，明文信息为发送端设备待发送的信息，混沌信息为明文信息驱动发送端设备的第一网络装置得到的信息；

将明文信息和混沌信息驱动接收端设备的第二网络装置，得到神经网络状态信息，神经网络状态信息与混沌信息同步；

确定明文信息和混沌信息的总和与神经网络状态信息的差值为解密后的信息。

本发明实施例中在接收端设备处经过解密方法将信息解密为明文信息和忆阻神经网络的混沌信息的叠加信息，然后给予同步协议实现接收端的忆阻神经网络和发射端的忆阻神经网络同步，进而用叠加信息减去同步信息得到明文信息。由于混沌信息具有长期不可预测性和高度复杂性，因此，基于混沌神经网络的保密通信易于实现且具有强抗截获能力。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

另外，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应理解，在本发明实施例中，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可以用硬件实现，或固件实现，或它们的组合方式来实现。当使用软件实现时，可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。此外。任何连接可以适当的成为计算机可读介质。

总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种网络装置，其特征在于，包括：

并联的N个电路单元，每个电路单元包括神经元和至少两个忆阻器，所述至少两个忆阻器中的m个忆阻器用于连接实时神经元，所述至少两个忆阻器中的n个忆阻器用于连接时滞神经元，N、m和n为大于零的正整数；

其中，所述神经元包括电阻电容RC振荡电路、实时信号处理单元和时滞信号处理单元，所述RC振荡电路的一端接地，另一端分别与所述至少两个忆阻器、所述实时信号处理单元和所述时滞信号处理单元相连，所述实时信号处理单元用于根据实时神经元状态确定所述实时神经元状态的激励，所述时滞信号处理单元用于根据时滞神经元状态确定所述时滞神经元状态的激励；

所述实时神经元为基于当前时刻t的神经元，时滞神经元为基于历史时刻t-τ的神经元。

2.根据权利要求1所述的网络装置，其特征在于，所述实时信号处理单元根据所述RC振荡电路的实时电压值确定所述实时神经元状态的激励，所述时滞信号处理单元根据所述RC振荡电路的时滞电压值确定所述时滞神经元状态的激励。

3.根据权利要求1或2所述的网络装置，其特征在于，所述实时信号处理单元基于非线性处理函数对所述实时神经元状态进行处理，得到所述实时神经元状态的激励，所述时滞信号处理单元基于非线性处理函数对所述时滞神经元状态进行处理，得到所述时滞神经元状态的激励。

4.根据权利要求1或2所述的网络装置，其特征在于，所述实时信号处理单元为第一场效晶体管电路，所述时滞信号处理单元为第二场效晶体管电路。

5.根据权利要求1或2所述的网络装置，其特征在于，所述至少两个忆阻器的个数为2N。

6.根据权利要求5所述的网络装置，其特征在于，m和n相等且均等于N。

7.一种用于网络同步的方法，其特征在于，所述方法应用于如权利要求1-6中任一项的网络装置，所述方法包括：

确定基于所述网络装置的驱动网络的神经元状态和基于所述网络装置的响应网络的神经元状态的差值；

根据所述差值和所述至少两个忆阻器，确定所述响应网络的外部输入电流，所述外部输入电流用于实现所述驱动网络的神经元状态与所述响应网络的神经元状态同步；

所述根据所述差值和所述至少两个忆阻器，确定所述响应网络的外部输入电流，包括：

根据所述至少两个忆阻器，确定第一阈值和第二阈值；

根据所述差值、所述第一阈值和所述第二阈值，确定所述外部输入电流；

所述根据所述至少两个忆阻器，确定第一阈值和第二阈值，包括：

根据公式

确定所述第一阈值；

根据公式

确定所述第二阈值；

其中，p为所述第一阈值，d为所述RC振荡电路的电阻值与电容值的乘积的倒数，

为所述m个忆阻器中绝对值最大的忆阻值，

为所述n个忆阻器中绝对值最大的忆阻值，l和M_j为所述神经元的激励函数的特性，q为所述第二阈值，a′_j为所述m个忆阻器施加正向变化电压时的忆阻值，a″_j为所述m个忆阻器施加负向变化电压时的忆阻值，b′_j为所述n个忆阻器施加正向变化电压时的忆阻值，b″_j为所述n个忆阻器施加负向变化电压时的忆阻值。

8.根据权利要求7所述的方法，其特征在于，所述根据所述差值和所述至少两个忆阻器，确定所述响应网络的外部输入电流，包括：

根据公式w＝p(u(t)-v(t))+qsgn(u(t)-v(t))，确定所述外部输入电流；

其中，p为所述第一阈值，q为所述第二阈值，u(t)为所述驱动网络的神经元的状态，v(t)为所述响应网络的神经元的状态。

9.一种通信方法，其特征在于，所述方法应用的发送端设备包括权利要求1-6中任一项的网络装置，所述方法包括：

使用待发送的明文信息驱动所述网络装置，得到混沌信息；

将所述明文信息与所述混沌信息进行叠加，并将叠加后的信息进行加密，得到加密信息；

发送所述加密信息。

10.一种通信方法，其特征在于，所述方法应用的接收端设备包括权利要求1-6中任一项的网络装置，所述方法包括：

将接收到的待解密信息进行解密，得到明文信息和混沌信息，所述明文信息为发送端设备待发送的信息，所述混沌信息为所述明文信息驱动所述发送端设备的第一网络装置得到的信息；

使用所述明文信息和所述混沌信息驱动所述接收端设备的第二网络装置，得到神经网络状态信息，所述神经网络状态信息与所述混沌信息同步；

确定所述明文信息和所述混沌信息的总和与所述神经网络状态信息的差值为解密后的信息。

11.一种发送端设备，其特征在于，所述发送端设备包括权利要求1-6中任一项的网络装置，所述发送端设备还包括：

驱动单元，用于使用待发送的明文信息驱动所述网络装置，得到混沌信息；

叠加单元，用于将所述明文信息与所述混沌信息进行叠加；

加密单元，用于将叠加后的信息进行加密，得到加密信息；

发送单元，用于发送所述加密信息。

12.一种接收端设备，其特征在于，所述接收端设备包括权利要求1-6中任一项的网络装置，所述接收端设备还包括：

解密单元，用于将接收到的待解密信息进行解密，得到明文信息和混沌信息，所述明文信息为发送端设备待发送的信息，所述混沌信息为所述明文信息驱动所述发送端设备的第一网络装置得到的信息；

驱动单元，用于使用所述明文信息和所述混沌信息驱动所述接收端设备的第二网络装置，得到神经网络状态信息，所述神经网络状态信息与所述混沌信息同步；

确定单元，用于确定所述明文信息和所述混沌信息的总和与所述神经网络状态信息的差值为解密后的信息。

Images