CN107592635B - 认知无线电中基于som神经网络的恶意用户判别方法 - Google Patents

Abstract

本发明公开了一种认知无线电中基于自组织映射神经网络的恶意用户判别方法，本发明利用自组织映射(简称SOM)神经网络学习输入能量矩阵的分布特征，并根据学习结果对输入量进行有效的分类。首先引入“可疑度”的概念，其大小根据每次训练后每种类别所包含的次级用户的个数进行分配。为了消除传统的SOM神经网络的缺陷，本发明进一步提出了“平均可疑度”的概念。具体步骤包括：获得能量矩阵，利用SOM神经网络算法对能量矩阵进行训练得到分类矩阵，计算每个次级用户的“可疑度”，构造索引矩阵并重复训练过程，并将每次得到的“可疑度”取平均值，即“平均可疑度”，并利用“平均可疑度”对次级用户进行分类，识别出恶意用户或是正常用户。

Description

认知无线电中基于SOM神经网络的恶意用户判别方法

技术领域

本发明涉及一种基于自组织映射神经网络的恶意攻击的应对技术,属于认知无线电技术领域。

背景技术

无线通信技术的发展日新月异，这种高速发展直接导致了频谱资源变得愈发稀缺。为了解决这个问题，协作频谱感知应运而生。一种常见的中心式协作频谱感知模型包含一个主用户、一个融合中心和多个次级用户。当主用户处于空闲状态时，次级用户被允许接入主用户。感知的具体过程为：

(1)在完成检测后，所有的次级用户将报告发送给融合中心进行判决。

(2)融合中心将接收到的数据进行融合并将融合结果与门限值进行比较，如果融合结果大于门限值，则判决结果为主用户处于被占用状态，否则判决结果为主用户处于空闲状态。

然而，在实际的感知过程中，次级用户中往往会包含一些恶意用户，这些恶意用户会采用某种攻击模型对发送给融合中心的数据进行伪造或篡改，从而导致感知性能的下降，甚至破坏协作频谱感知网络的正常运行。

为了降低进而消除恶意用户带来的负面影响，多种应对策略已经被提出。目前，主流的策略主要分为两个大类：硬判决和软判决。这两种判决方案的区别在于，硬判决需要将数据量化为0和1，而软判决无需量化过程。相比较而言，硬判决系统的物理可实现性更高，但量化过程导致了一定程度的数据丢失，对判决结果的准确度造成了一定影响。与此同时，机器学习已经受到了越来越多的关注，尤其是人工神经网络。考虑到人工神经网络在认知无线电领域还未得到足够的重视，本发明便着重考虑在软判决条件下利用人工神经网络中的SOM神经网络解决恶意用户的协作频谱感知问题。

发明内容

发明目的：本发明目的在于提供一种基于自组织映射(简称SOM)神经网络的恶意用户判别方法，该方法适用于软判决模型，在传统SOM神经网络的基础上进行了一定的改进，为解决恶意用户攻击问题提供了新的思路。

技术方案：为实现上述发明目的，本发明采用如下技术方案：认知无线电中基于SOM神经网络的恶意用户判别方法，包括如下步骤：

(1)建立能量矩阵并进行归一化，所述能量矩阵的行数为待判决的主用户最大状态数，列数为次级用户总数，矩阵元素为次级用户发送给融合中心的能量值；

(2)构建SOM神经网络，对归一化的能量矩阵进行训练并测试得到分类结果矩阵，所述分类结果矩阵的行数为最大训练次数，列数为次级用户总数，矩阵元素为次级用户所属神经元的序号；

(3)根据分类结果矩阵计算每一个次级用户的“可疑度”，“可疑度”大小根据每个神经元所包含的次级用户的个数进行分配，对于每一行的分类结果向量，降低包含次级用户个数最多的神经元对应的次级用户的“可疑度”，增加包含次级用户个数最少的神经元对应的次级用户的“可疑度”；

(4)对能量矩阵的列的排列顺序进行调整，重复步骤(2)、(3)至设定的最大训练次数，计算每个次级用户的“可疑度”均值得到“平均可疑度”，并利用“平均可疑度”对次级用户进行分类。

进一步地，所述步骤(2)中包括：

(2.1)构建一个随机的SOM神经网络，该网络为一行T列的一维拓扑结构，T为竞争层的神经元的个数，构建并初始化分类结果矩阵，记为Y_c，令训练次数m＝1；

(2.2)对归一化的能量矩阵进行训练；

(2.3)利用训练之后的神经网络进行测试，并得到能量矩阵的分类结果，该结果为一个一行J列的分类结果向量，记为Y′，J为次级用户总数；

(2.4)将矩阵Y_c的第m行替换为Y′，之后将Y′清零；

(2.5)判断m是否达到最大训练次数M，如达到则退出并输出分类结果矩阵Y_c，否则令m＝m+1并转入步骤(2.2)。

优选地，SOM神经网络中竞争层的神经元的个数T的值满足：T≤0.4×J。

进一步地，步骤(3)中计算次级用户“可疑度”的步骤包括：

(3.1)输入分类结果矩阵Y_c，次级用户的总数J，最大训练次数M以及竞争层的神经元最大个数T，令训练次数m，神经元序号t与列数j的初值均为1；

(3.2)构建一个包含J个元素的“可疑度”向量，记为

(3.3)构建一个两行T列的空矩阵，记为temp；

(3.4)将矩阵Y_c的第m行出现过的神经元的序号赋给矩阵temp的第一行；

(3.5)将矩阵Y_c的第m行中每一个神经元对应的次级用户个数赋给矩阵temp的第二行；

(3.6)判断temp第二行第t列的值是否为该行的最大值，是则用-1替换，否则判断该值是否为该行的最小值，是则用1替换，否则用0替换；

(3.7)判断t是否不小于T，是则进入步骤(3.8)，否则令t＝t+1并返回步骤(3.6)；

(3.8)将Y_c第m行的值用在temp中对应值所在列的第二行的值进行替换；

(3.9)判断m是否不小于M，是则进入步骤(3.10)，否则令m＝m+1并返回步骤(3.3)；

(3.10)将Y_c的第j列的每一行的值进行求和，求和的结果赋给的第j个元素；

(3.11)判断j是否不小于J，是则退出并输出向量否则令j＝j+1并返回步骤(3.10)。

优选地，步骤(4)中依据索引矩阵对能量矩阵的列的排列顺序进行调整，所述索引矩阵是一个行数与列数都等于J的方阵，方阵的每一行为一个从1到J随机排列的正整数序列，每次依据索引矩阵的一行数字序列对初始能量矩阵的列进行调整，J为次级用户的总数。

有益效果：本发明方法填补了SOM神经网络在协作频谱感知领域研究工作的空白，通过引入“可疑度”与“平均可疑度”的概念从一定程度上消除了传统SOM神经网络的一些缺点，使其能够更加适用于实际的应用。通过本发明可以看出，SOM神经网络在协作频谱感知领域极具潜力，随着对其研究的不断深入，未来将会拥有广阔的发展空间。

附图说明

图1为中心式协作频谱感知模型示意图。

图2为本发明实施例的方法流程图。

图3为本发明实施例中的基于SOM神经网络的分类算法流程图。

图4为本发明实施例中的“可疑度”计算方法流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请要求所限定的范围。

图1所示了一个中心式协作频谱感知模型，包含一个主用户，一个融合中心和J个次级用户，这些次级用户中包含了若干的恶意用户。在该模型中，次级用户之间相互独立，而且所有的本地感知信号被同时发送到融合中心进行判决。假设每一个次级用户采样N次并且采用能量检测。以第j个用户为例，其能量值的统计量可以用如下的公式表示：

其中，H₀代表主用户处于空闲状态，H₁代表主用户处于占用状态。Y_j代表第j个用户在采样N次之后发送给融合中心的能量值。h_j代表第j个用户的信道增益，h_js(i)代表次级用户在第i次采样获得的信号量。为了简化分析，n_j(i)为加性高斯白噪声信号，该信号的均值为0，方差为h_js(i)和n_j(i)之间相互独立。

当N足够大时，根据中心极限定理，Y_j的分布可近似为正态分布，如下：

其中

融合中心将所有从次级用户那里收到的本地检测值进行融合，融合结果Z_c如下所示：

其中w_j为第j个用户本地检测量的权重且由于每一个Y_j均为高斯分布，Z_c的概率密度函数可以用高斯分布进行近似，如下：

Z_c和本地门限γ_c进行比较，然后本地检测量如下式表达：

如图2所示，本发明实施例公开的一种认知无线电中基于SOM神经网络的恶意用户判别方法，主要包括(1)建立能量矩阵并进行归一化；(2)构建SOM神经网络，对归一化的能量矩阵进行训练并测试得到分类结果矩阵；(3)根据分类结果矩阵计算每一个次级用户的“可疑度”；(4)对能量矩阵的列的排列顺序进行调整，重复步骤(2)、(3)至设定的最大训练次数，计算每个次级用户的“平均可疑度”，利用“平均可疑度”对次级用户进行分类。

在本发明中，神经网络的输入能量矩阵的行数为待判决的主用户最大状态数(记为K)，K是一个自选的值，在实际场景中该值的取值大于800，列数为次级用户总数(记为J)，该矩阵的每一列的分布为服从(2)式所示的随机高斯分布。为了简化模型，假设模型中的噪声为高斯白噪声(均值为0，方差为1)，即令(2)式中δ_j为1。

在训练之前，SOM神经网络的输入量需要进行归一化。归一化的目的是消除由维度不同而可能带来的问题。归一化的基本公式如下所示：

式中，x_i——输入或输出数据，x_min——数据变化范围内的最小值，x_max——数据变化范围内的最大值。

具体到本发明中，对输入矩阵归一化的过程如下：

(1)输入能量矩阵(记为Y),次级用户总数J，待判决的主用户最大状态数K，用户序号(记为j)，待判决的主用户状态数(记为k)的初值均为1，输出的归一化矩阵记为Y_g。

(2)计算矩阵Y中每一列的最小值，并依次排列后构成序列(记为)。同理，得到最大值序列(记为)。

(3)归一化公式为：(其中Y_g(k,j)和Y(k,j)分别为矩阵Y_g与Y中第k行第j列的值，为的第j个值，为的第j个值)。

(4)直到k不小于K，j不小于J时退出并输出归一化矩阵Y_g，否则返回第(3)步。

图2展示了基于SOM神经网络的分类算法的具体流程。训练的具体过程与传统的SOM算法无异，本方法的主要创新在于确定算法的输入量以及输出结果。输入量为归一化的能量矩阵，输出结果为分类结果矩阵，矩阵的行数为训练次数(记为M)，列数为J。具体过程如下：

I.对下列参量进行初始化：

a)确定SOM神经网络中竞争层的神经元的个数(记为T)，构建一个随机的SOM神经网络，该网络为一行T列的一维拓扑结构。

b)构建分类结果矩阵(记为Y_c)，初始为一个空矩阵，行数为M，列数为J。

c)训练次数(记为m)的初值为1。

II.设置训练步长(记为Q)，对归一化的能量矩阵进行训练。

III.利用训练之后的神经网络进行测试，并得到初始能量矩阵的分类结果，该结果为一个一行J列的分类结果向量(记为Y′)。

IV.将矩阵Y_c的第m行替换为Y′，之后将Y′清零。

V.判断m是否达到最大训练次数M，如达到则退出并输出分类结果矩阵Y_c，否则m＝m+1并转入第II步。

第III步中，每次得到的分类结果为一个矢量，矢量的个数为J，每个矢量的大小为1到T之间的某个整数，它代表在这次分类中该用户所属神经元的序号，在本发明中，对T的值的要求是：T≤0.4×J。可以确定的是每个神经元序号(即1到T之间的所有整数)至少会出现一次，显然，正常用户之间存在相似性而正常用户与恶意用户之间存在差异性，某些神经元所代表的数字会多次出现，这些数字表明对应的次级用户为正常用户；与之相对应的是某些数字只会出现一次，它们对应的次级用户被认为是恶意用户。换句话说，设每一个神经元包含的次级用户个数为P_t，则：

利用上述结果中得到的P_t，本发明提出了“可疑度”的概念。算法的具体流程已在图3中展示，过程如下：

(1)输入之前得到的分类结果矩阵Y_c，次级用户的总数J，训练次数M以及竞争层的神经元个数T。训练次数m，神经元序号(记为t)与列数(记为j)的初值均为1。

(2)构建一个包含J个元素的“可疑度”向量(记为)。

(3)构建一个两行T列的空矩阵(记为temp)

(4)将矩阵Y_c的第m行出现过的神经元的序号赋给矩阵temp的第一行。

(5)将矩阵Y_c的第m行中每一个神经元对应的次级用户个数P_t赋给矩阵temp的第二行。

(6)判断temp第二行第t列的值是否为该行的最大值，是用-1替换，否则判断该值是否为该行的最小值，是用1替换，否用0替换。

(7)判断t是否不小于T，是则进入第(7)步，否则t＝t+1并返回第(6)步。

(8)遍历Y_c，由于Y_c第m行的值即为temp第一行的值，因此将Y_c第m行的值在temp中对应值所在列的第二行的值(即第(7)步中替换成的0，-1和1)进行替换。

(9)判断m是否不小于M，是则进入下一步，否则m＝m+1并返回第(3)步。

(10)完成上述替换后，将Y_c的第j列的每一行的值进行求和，求和的结果赋给

(11)判断j是否不小于J，是则退出并输出向量否则j＝j+1并返回第(10)步。

输出向量的每一个分量为对应的次级用户的“可疑度”，恶意用户的“可疑度”要明显高于正常用户，利用这一特点我们可对次级用户进行分类。

上述算法得到的“可疑度”拥有对次级用户进行分类的能力。然而，这种方法存在一个固有的问题：有时一个神经元的初始权值向量离输入向量太远以至于它从未在竞争中获胜，因而也从未得到学习，这将形成毫无用处的“死”神经元。简单来说，分类结果会受到输入向量的拓扑结构的影响，在本问题中，拓扑结构体现在次级用户的排列顺序上。这个问题利用“索引矩阵”可以有效的解决，它是一个行数与列数都等于J的方阵，方阵的每一行为一个从1到J随机排列的正整数序列，这个序列就是“索引”。利用方阵的J行代表的J个“索引”序列，我们将原分类结果矩阵的各列重新排列，再分别计算它们的“可疑度”并构建“可疑度”矩阵。以下面的“可疑度”矩阵(记为S)为例：

“可疑度”矩阵的每一行为一个“可疑度”向量，一共可以得到J个“可疑度”向量。计算这J个“可疑度”向量的均值，从而得到“平均可疑度”。

以(8)中的矩阵为例，计算“平均可疑度”的公式为：其中Q＝{(m,n)|x_mn＝i}(i＝1,2,...,J)，x_mn为“索引矩阵”第m行第n列的元素。由上述结果可以看出，“平均可疑度”为一个不小于0的整数，其中“平均可疑度”为0的次级用户为确定的正常用户，拥有最大“平均可疑度”的次级用户为确定的恶意用户。对于其他的次级用户而言，我们取最大“平均可疑度”的二分之一作为判决门限，“平均可疑度”大于该值的次级用户被视为恶意用户，对于不存在恶意用户的场景而言，该方法可能会将正常用户判为恶意用户，出现这种情况的原因在于虽然输入的能量矩阵中每一列的能量值服从正态分布，但具体的值是随机的，换句话说，这些列中有较多的值偏离正常的正态分布均值，从而导致这些列所对应的次级用户表现不佳，从而被判为恶意用户。因此，将它们判为恶意用户是合理的，因为相比较其他次级用户而言，它们严重影响了系统的性能。“平均可疑度”小于该值的次级用户被视为正常用户。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (2)

1.认知无线电中基于SOM神经网络的恶意用户判别方法，其特征在于：该方法包括如下步骤：

(1)建立能量矩阵并进行归一化，所述能量矩阵的行数为待判决的主用户最大状态数，列数为次级用户总数，矩阵元素为次级用户发送给融合中心的能量值；

(2)构建SOM神经网络，对归一化的能量矩阵进行训练并测试得到分类结果矩阵，所述分类结果矩阵的行数为最大训练次数，列数为次级用户总数，矩阵元素为次级用户所属神经元的序号；

(3)根据分类结果矩阵计算每一个次级用户的“可疑度”，“可疑度”大小根据每个神经元所包含的次级用户的个数进行分配，对于每一行的分类结果向量，降低包含次级用户个数最多的神经元对应的次级用户的“可疑度”，增加包含次级用户个数最少的神经元对应的次级用户的“可疑度”；

(4)依据索引矩阵对能量矩阵的列的排列顺序进行调整，重复步骤(2)、(3)至设定的最大训练次数，计算每个次级用户的“可疑度”均值得到“平均可疑度”，并利用“平均可疑度”对次级用户进行分类；所述索引矩阵是一个行数与列数都等于J的方阵，方阵的每一行为一个从1到J随机排列的正整数序列，每次依据索引矩阵的一行数字序列对初始能量矩阵的列进行调整，J为次级用户的总数；

所述步骤(2)中包括：

(2.1)构建一个随机的SOM神经网络，该网络为一行T列的一维拓扑结构，T为竞争层的神经元的个数，构建并初始化分类结果矩阵，记为Y_c，令训练次数m＝1；

(2.2)对归一化的能量矩阵进行训练；

(2.3)利用训练之后的神经网络进行测试，并得到能量矩阵的分类结果，该结果为一个一行J列的分类结果向量，记为Y′，J为次级用户总数；

(2.4)将矩阵Y_c的第m行替换为Y′，之后将Y′清零；

(2.5)判断m是否达到最大训练次数M，如达到则退出并输出分类结果矩阵Y_c，否则令m＝m+1并转入步骤(2.2)；

所述步骤(3)中计算次级用户“可疑度”的步骤包括：

(3.1)输入分类结果矩阵Y_c，次级用户的总数J，最大训练次数M以及竞争层的神经元最大个数T，令训练次数m，神经元序号t与列数j的初值均为1；

(3.2)构建一个包含J个元素的“可疑度”向量，记为

(3.3)构建一个两行T列的空矩阵，记为temp；

(3.4)将矩阵Y_c的第m行出现过的神经元的序号赋给矩阵temp的第一行；

(3.5)将矩阵Y_c的第m行中每一个神经元对应的次级用户个数赋给矩阵temp的第二行；

(3.6)判断temp第二行第t列的值是否为该行的最大值，是则用-1替换，否则判断该值是否为该行的最小值，是则用1替换，否则用0替换；

(3.7)判断t是否不小于T，是则进入步骤(3.8)，否则令t＝t+1并返回步骤(3.6)；

(3.8)将Y_c第m行的值用在temp中对应值所在列的第二行的值进行替换；

(3.9)判断m是否不小于M，是则进入步骤(3.10)，否则令m＝m+1并返回步骤(3.3)；

(3.10)将Y_c的第j列的每一行的值进行求和，求和的结果赋给的第j个元素；

(3.11)判断j是否不小于J，是则退出并输出向量否则令j＝j+1并返回步骤(3.10)。

2.根据权利要求1所述的认知无线电中基于SOM神经网络的恶意用户判别方法，其特征在于：SOM神经网络中竞争层的神经元的个数T的值满足：T≤0.4×J。