CN108898212A - 一种基于差分进化狼群算法的欺骗干扰识别方法及装置 - Google Patents
一种基于差分进化狼群算法的欺骗干扰识别方法及装置 Download PDFInfo
- Publication number
- CN108898212A CN108898212A CN201810604678.9A CN201810604678A CN108898212A CN 108898212 A CN108898212 A CN 108898212A CN 201810604678 A CN201810604678 A CN 201810604678A CN 108898212 A CN108898212 A CN 108898212A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- frequency
- signal
- sequence
- secret
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 50
- 241000282461 Canis lupus Species 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 150000001875 compounds Chemical group 0.000 claims description 3
- 230000021615 conjugation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于演化算法技术领域,公开了一种基于差分进化狼群算法的欺骗干扰识别方法及装置,装置设置有外壳,外壳侧端卡接有数据输入端,数据输入端通过导线连接储存硬盘与实施编码器,实施编码器通过导线连接算法运算器,算法运算器通过导线连接差分迭代运算编程器;算法运算器通过导线连接AD采样输出串口,AD采样输出串口通过导线连接显示屏;外壳上开槽有与差分迭代运算编程器导线连接的编码接口、网线接口;同时公开一种基于差分进化狼群算法的欺骗干扰识别方法。本发明算法可编辑,具有实体按钮可操作不同基于差分进化狼群算法,输入数据可储存,具显示屏可直观显示出运算结果。
Description
技术领域
本发明属于演化算法技术领域,尤其涉及一种基于差分进化狼群算法的欺骗干扰识别方法及装置。
背景技术
目前,业内常用的现有技术是这样的:
目前,基于差分进化狼群算法是一种新兴的进化计算技术,采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略,降低了遗传操作的复杂性。现有的基于差分进化狼群算法装置中,算法数据已经固定,无法后期自己编辑算法;数据无法进行保存,无法查看演化算法历史数据;算法操作比较麻烦,多个算法需要手动操作选择代码进行,没有实体按键代替一系列算法操作。
综上所述,现有技术存在的问题是:
现有的基于差分进化狼群算法装置中,算法数据已经固定,无法后期自己编辑算法;数据无法进行保存,无法查看演化算法历史数据;
算法操作比较麻烦,多个算法需要手动操作选择代码进行,没有实体按键代替一系列算法操作。
随着日益增长的网络信息威胁,网络信息通信的风险和易受到截获及干扰的程度也随之增加,为了确保测控系统通信的安全和可靠性,迫切的需要提出新的简单实用的抗截获方法。
传统的分层属性加密方案在加密过程中将第0层的属性单独列出来进行加密;
传统的分层属性加密方案在解密过程没有考虑全面导致某些解密不成功。从而影响了网络信息安全的应用。
发明内容
针对现有技术存在的问题,本发明提供了一种基于差分进化狼群算法的欺骗干扰识别方法。
本发明是这样实现的,一种基于差分进化狼群算法的欺骗干扰识别方法,所述基于差分进化狼群算法的欺骗干扰识别方法包括:
通过实时编码器将输入的数据按基于差分进化狼群算法进行编码;编码中,将真实信息即码字的1和0序列经过N倍扩展后,分别与对应时间顺序的混沌序列进行异或,得到信息码字相应的伪码;信息发送端将由伪码发生器生成的跳频序列每N个点分为一组,每个码字相应的N个伪码元对应于跳频序列N个周期内的频点,且伪码的1和0分别代表相应跳频周期上是否发送载频,形成调制图样,由调制图样将伪码序列进行非常规调制,再与由频率合成器生成的跳频图案进行混频,进行发送;信息接收端接收到信号后,对发射端载波频率的发送规律进行估计,再与已知跳频频率序列进行比较,与相应时间上的载波频率相等则记为1,与相应时间上的载波频率不相等记为0;将比较得到的序列与发送端相同的混沌序列异或,经N倍压缩即可得到真实的信息;
编码后的数据通过编码接口或网线接口传输给差分迭代运算编程器,差分迭代运算编程器对编码后的数据进行下载网络程序;将下载的网络程序编码内容传送到算法运算器内进行运算;运算中,首先输入包含所有属性的属性集合U,属性在不同的分层中;然后选择一个阶为N=p1p2p3双线性复合群G,p1、p2、p3为不相同的素数,令表示阶为pt的子群,i=1,2,3;然后选择随机指数a和α、随机群元素其中,a,α∈ZN,ZN表示1至N-1的整数;对于U中的|U|个属性元素,选择对应的群元素则公共参数PK和主密钥MSK分别为:PK={N,g,gα,e(g,g)a,h1,......,h|U|};MSK={α,X3};其中,e(g,g)a表示双线性对;
令属性集合S为属性集合U的分层子集,根据属性集合S、公共参数PK、消息M和一个提前生成的分层门限访问结构(MV,ρ)将属性集合U所有层次的属性均用一个表达式进行加密得到密文CT,其中,函数ρ表示分层访问结构MV中的行到属性的映射;令属性集合S的每一层的属性数量超过该层门限,使S满足分层的访问结构;通过主密钥MSK和属性集合S,结合步骤S1中的子群生成密钥SK;通过访问结构MV对应的密文CT和属性集合S对应的密钥SK恢复出消息;
将运算程序传送到AD采样输出串口,通过AD采样输出串口将数据通过显示屏进行显示。
进一步,再与由频率合成器生成的跳频图案进行混频,进行发送中,包括:
(1)由伪码序列z[1∶5000]的1和0控制生成调制图样,伪码序列z进行非常规BPSK调制,为1,则对应时间内基带信号为cos(2πfc_bpskt),为0,则对应时间内基带信号全为0,生成基带调制信号fbpsk[1∶100000];
(2)由伪随机码发生器产生伪随机序列,通过指令译码器,控制频率合成器生成跳频图案X;
(3)将基带调制信号fbpsk与跳频图案X经混频器混频后,得到发送信号rs再进行发送;
信息接收端接收到信号后,对发射端载波频率的发送规律进行估计,再与已知跳频频率序列进行比较进一步包括:
第一步,通过短时傅里叶变换谱图法对接收信号r进行处理,得到信号的粗估计时频脊线r1;
第二步,对得到的粗估的时频脊线r1作一阶差分,凸显信号的跳变位置,差分后的信号为r2;
第三步,在一阶差分后的信号中选取若干峰值位置,利用最小二乘法作线性拟合得一条直线;
第四步,估计出跳速R后,进一步估计出跳变时刻αTh,其中Th=1/R为跳频周期,α则由下式得出:
第五步,估计出跳速R和跳变时刻αTh后,对每个跳变周期内的单频信号进行估频,在接收到的单频信号中任取一段长度为10的数据rt,t=0,1,2,...,9,依据下式:
其中.符合*表示取共轭,∠表示求信号rt和信号rt+1的相位差,估计出信号载波频率f[1∶5000],以及信号的时频脊线;
第六步,将估计出的载波频率f[1∶5000]与已知跳频频率序列fsend[1∶5000]进行比较,与相应时间上载波频率相等记为1,与相应时间上载波频率不相等记为0,得到序列rz[1∶5000]。
进一步,利用最小二乘法作线性拟合得一条直线具体方法包括:
在r2中选取=250个峰值位置p(i),i=1,2,3,…,M,编号并转换为(i,p(i))坐标形式,其中,i代表时隙编号,即第几个跳频时隙,p(i)代表帧号,即跳变时刻;将选取的M个坐标点代入最小二乘算法公式:
p=ki+b;
直线p的斜率k是跳频点平均占有的数据帧的数目,用帧数k乘以短时傅里叶变换滑窗步长s=256是跳频时隙,用数据点数c表示跳频时隙,即:
c=k×s;
再根据采样率Fs_real与单个频点持续时间的固有关系得出计算下式:
估计出跳速R;
将比较得到的序列与发送端相同的混沌序列异或,经N倍压缩即可得到真实的信息进一步包括:
(1)利用与信号发送端相同的混沌序列y与伪随机序列rz进行异或得到rx:
(2)将rx[1∶5000]进行5倍压缩,每5个码字一组,11111压缩为1,00000压缩为0,得到序列rx[1∶1000],即接收到的真实有效信息。
进一步,所述分层门限访问结构(MV,ρ)的生成方法具体如下:
1)系统初始化
定义函数f的运算规则如下:每进行一次f运算,就将多项式的常数项变为0,自变量的系数不变,次数减1,设a、b、c、d为确定的常实数,则有:
f(a+bx+cxd)=0+b+cxd-1;
f(1+2x+3x4)=0+2+3x3;
设(k,n)是一个分层的秘密共享系统,主要由一个秘密分发者D和n个参与者组成,属性集合U是n个参与者的集合,且包含m个层次,即其中对于i≠j,Ui∩Uj=φ;令是一个单调递增的整数序列0<k0<k1<...<km,并且km-1<km-1,ki是每一层的门限值,则(k,n)分层的门限访问结构就是要为属性集合U中每个参与者u分配秘密信息s的一个秘密份额σ(u),使其满足以下访问结构:
满足上式所描述的访问结构的分层的参与者子集S称为授权子集,恢复主秘密,而不满足上述访问结构的任何用户子集将无法获得关于主秘密的任何信息;
2)子秘密分发
秘密分发者D任意选取i-1个随机数a1,...,at-1和一个大素数q,然后构造多项式P(x)=s+a1x+...+at-1xt-1,其中s是需要被共享的主秘密;系统中的每个参与者u对应域里面的一个元素表示其身份,用uf表示,D根据参与者所处的层次i计算参与者的秘密份额其中:
P0(x)=P(x);
P1(x)=f1(P(x))=f(P(x));
Pt(u)=f(Pt-1(u));
表示多项式P(x)经过kt-1次f运算后在域元素uj处的值;kt-1是第i-1层的门限值且令k-1=0,D公开lm表示第m层中拥有属性集合S的元素数量;
3)秘密恢复
令|S|表示S所具有的元素数量,设定满足:
其中,U0,…,Um表示集合U的第0至m层,0≤l0≤l1≤...≤lm=|S|,当且仅当对于所有的0≤i≤m,li≥ki,S为一个授权子集,即符合访问结构,则S中所有的参与者合作时,可以组成系数矩阵MV,其中系数矩阵按行编写为:
S中的所有参与者可以合作解出如下的方程组:
即:
可以看出,若S满足访问结构,就可以重构出多项式P(x),从而恢复出秘密s。
进一步,这个访问结构可以等价于分层矩阵的LSSS的访问结构,即令被定义为I={j:ρ(j)∈S},如果令是秘密s的一个子秘密,则存在常数{ωl∈ZN}使得其中,ZN表示1到N的整数集合;ωj在秘密共享生成矩阵Mv大小的多项式时间内总可以被找到,就恢复出来主秘密。
本发明的另一目的在于提供一种实现所述基于差分进化狼群算法的欺骗干扰识别方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于差分进化狼群算法的欺骗干扰识别方法的计算机。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于差分进化狼群算法的欺骗干扰识别方法。
本发明的另一目的在于提供一种实现所述基于差分进化狼群算法的欺骗干扰识别方法的基于差分进化狼群算法的欺骗干扰识别装置,所述基于差分进化狼群算法的欺骗干扰识别装置设置有:
外壳;
所述外壳侧端卡接有数据输入端,数据输入端通过导线连接储存硬盘与实施编码器,实施编码器通过导线连接算法运算器,算法运算器通过导线连接差分迭代运算编程器;
算法运算器通过导线连接AD采样输出串口,AD采样输出串口通过导线连接显示屏;
外壳上开槽有与差分迭代运算编程器导线连接的编码接口、网线接口,外壳上键接有与差分迭代运算编程器导线连接的算法按钮。
进一步,所述算法按钮包括三个,分别是变异按钮、交叉按钮、选择按钮;
所述差分迭代运算编程器通过螺钉固定在外壳内侧下端,算法运算器通过螺钉固定在外壳内部;实施编码器通过螺钉固定在外壳内部侧端,实施编码器位置与数据输入端紧密接触;储存硬盘通过螺钉固定在外壳内部,AD采样输出串口通过螺钉固定在算法运算器左侧;
所述外壳外侧连接有电源线,电源线通过导线连接数据输入端、AD采样输出串口、差分迭代运算编程器、算法运算器、实时编码器、储存硬盘。
本发明的优点及积极效果为:
本发明通过编码接口连接编码线,可对内部差分迭代运算编程器算法进行编程,网线接口可连接RJ45网线在网络上下载数据;实施编码器对输入的数据进行编码转化,并通过储存硬盘可对编码数据进行储存,方便查看计算历史数据;设置有三个实体按钮,可一键进行变异、交叉、选择计算,算法操作更加简易;AD采样输出串口将数据通过显示屏直观显示,方便人们进行观察数据变化。
本发明算法可编辑,具有实体按钮可操作不同基于差分进化狼群算法,输入数据可储存,具显示屏可直观显示出运算结果。
本发明基于现有跳频体制的抗截获性能,结合混沌保密通信理论及图样调制跳频方法,提出一种图样调制跳频抗截获方法,通过系统载波的发送位置规律来表示信息,只需检测频点的发送规律来解信息,发送端由伪码“1”和“0”控制跳频周期内是否发送载波,将真实信息隐藏在调制图样中,同时由于混沌序列的无周期性、无收敛性和不可逆性质,将其应用于本方法的发送端可增强调制图样的随机性,因此与现有常规的基于跳频的抗截获技术相比,本发明在信噪比为10时可达到几乎可达100%的抗截获性能。
本发明所提出的抗截获增强方法可用于电子测控的抗跟踪干扰以及网络抗干扰领域。
本发明通过采用改进的分层的访问结构,使运算次数更少效率更高,还在加密时对于分层的每个属性都将分层的访问结构的对应行嵌入进去,从而实现分层和细粒度访问结构相结合;另外根据双系统加密技术加入混合阶双线性群元素;从而在标准模型下实现分层属性加密的完全安全级别。
本发明采用分层的访问结构,将属性对应到访问结构的生成矩阵里,根据属性的重要性,控制f运算的次数,重要的属性进行的f运算次数少,因而包含的秘密多,然后将生成的f运算结果映射到生成矩阵中去,从而实现相对于现有的分层属性加密方案,运算次数更少效率更高;
本发明加密时对于分层的每个属性都将分层的访问结构的对应行嵌入进去,从而实现分层和细粒度访问结构相结合;
传统的分层属性加密方案在加密过程中将第0层的属性单独列出来进行加密,而本发明将所有层次的属性均用一种表达式进行加密,简化了密文格式;
传统的分层属性加密方案在解密过程没有考虑全面导致某些解密不成功,而本方案充分考虑这一点并重新构造了解密算法,经过验证得出可以成功解密所有情况。
附图说明
图1是本发明实施例提供的基于差分进化狼群算法的欺骗干扰识别装置结构示意图;
图2是本发明实施例提供的基于差分进化狼群算法的欺骗干扰识别装置内部连接图;
图3是本发明实施例提供的基于差分进化狼群算法的欺骗干扰识别装置原理图。
图中:1、外壳;2、显示屏;3、编码接口;4、网线接口;5、算法按钮;6、数据输入端;7、AD采样输出串口;8、差分迭代运算编程器;9、算法运算器;10、实时编码器;11、储存硬盘。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1至图3所示,本发明实施例提供的基于差分进化狼群算法的欺骗干扰识别装置,包括:外壳1、显示屏2、编码接口3、网线接口4、算法按钮5、数据输入端6、AD采样输出串口7、差分迭代运算编程器8、算法运算器9、实时编码器10、储存硬盘11。
所述外壳1侧端卡接有数据输入端6,数据输入端通过导线连接储存硬盘11与实施编码器10,实施编码器10通过导线连接算法运算器9,算法运算器9通过导线连接差分迭代运算编程器8;
算法运算器9通过导线连接AD采样输出串口7,AD采样输出串口7通过导线连接显示屏2;
外壳1上开槽有与差分迭代运算编程器8导线连接的编码接口3、网线接口4,外壳1上键接有与差分迭代运算编程器8导线连接的算法按钮5。
算法按钮5包括三个,分别是变异按钮、交叉按钮、选择按钮。差分迭代运算编程器8通过螺钉固定在外壳1内侧下端,算法运算器9通过螺钉固定在外壳1内部;实施编码器10通过螺钉固定在外壳1内部侧端,实施编码器10位置与数据输入端6紧密接触;储存硬盘11通过螺钉固定在外壳1内部,AD采样输出串口7通过螺钉固定在算法运算器9左侧。外壳1外侧连接有电源线,电源线通过导线连接数据输入端6、AD采样输出串口7、差分迭代运算编程器8、算法运算器9、实时编码器10、储存硬盘11。
本发明的工作原理:将U盘或USB数据线连接数据输入端6,通过实时编码器10将输入的数据按基于差分进化狼群算法进行编码;将编码线连接编码接口,将RJ45网线连接网线接口,可对差分迭代运算编程器8进行下载网络程序或手动编码,按下算法按钮的变异按钮、较差按钮、选择按钮可一键进行相应运算,将编码内容传送到算法运算器9内,从而可通过算法运算器9进行运算;将运算程序传送到AD采样输出串口7,进而通过AD采样输出串口7将数据通过显示屏2进行显示,方便人们进行观察数据变化。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的基于差分进化狼群算法的欺骗干扰识别方法,包括:
通过实时编码器将输入的数据按基于差分进化狼群算法进行编码;编码中,将真实信息即码字的1和0序列经过N倍扩展后,分别与对应时间顺序的混沌序列进行异或,得到信息码字相应的伪码;信息发送端将由伪码发生器生成的跳频序列每N个点分为一组,每个码字相应的N个伪码元对应于跳频序列N个周期内的频点,且伪码的1和0分别代表相应跳频周期上是否发送载频,形成调制图样,由调制图样将伪码序列进行非常规调制,再与由频率合成器生成的跳频图案进行混频,进行发送;信息接收端接收到信号后,对发射端载波频率的发送规律进行估计,再与已知跳频频率序列进行比较,与相应时间上的载波频率相等则记为1,与相应时间上的载波频率不相等记为0;将比较得到的序列与发送端相同的混沌序列异或,经N倍压缩即可得到真实的信息;
编码后的数据通过编码接口或网线接口传输给差分迭代运算编程器,差分迭代运算编程器对编码后的数据进行下载网络程序;将下载的网络程序编码内容传送到算法运算器内进行运算;运算中,首先输入包含所有属性的属性集合U,属性在不同的分层中;然后选择一个阶为N=p1p2p3双线性复合群G,p1、p2、p3为不相同的素数,令表示阶为pi的子群,i=1,2,3;然后选择随机指数a和α、随机群元素其中,a,α∈ZN,ZN表示1至N-1的整数;对于U中的|U|个属性元素,选择对应的群元素则公共参数PK和主密钥MSK分别为:PK={N,g,gα,e(g,g)a,h1,......,h|U|};MSK={α,X3};其中,e(g,g)a表示双线性对;
令属性集合S为属性集合U的分层子集,根据属性集合S、公共参数PK、消息M和一个提前生成的分层门限访问结构(MV,ρ)将属性集合U所有层次的属性均用一个表达式进行加密得到密文CT,其中,函数ρ表示分层访问结构MV中的行到属性的映射;令属性集合S的每一层的属性数量超过该层门限,使S满足分层的访问结构;通过主密钥MSK和属性集合S,结合步骤S1中的子群生成密钥SK;通过访问结构MV对应的密文CT和属性集合S对应的密钥SK恢复出消息;
将运算程序传送到AD采样输出串口,通过AD采样输出串口将数据通过显示屏进行显示。
再与由频率合成器生成的跳频图案进行混频,进行发送中,包括:
(1)由伪码序列z[1∶5000]的1和0控制生成调制图样,伪码序列z进行非常规BPSK调制,为1,则对应时间内基带信号为cos(2πfc_bpskt),为0,则对应时间内基带信号全为0,生成基带调制信号fbpsk[1∶100000];
(2)由伪随机码发生器产生伪随机序列,通过指令译码器,控制频率合成器生成跳频图案X;
(3)将基带调制信号fbpsk与跳频图案X经混频器混频后,得到发送信号rs再进行发送;
信息接收端接收到信号后,对发射端载波频率的发送规律进行估计,再与已知跳频频率序列进行比较进一步包括:
第一步,通过短时傅里叶变换谱图法对接收信号r进行处理,得到信号的粗估计时频脊线r1;
第二步,对得到的粗估的时频脊线r1作一阶差分,凸显信号的跳变位置,差分后的信号为r2;
第三步,在一阶差分后的信号中选取若干峰值位置,利用最小二乘法作线性拟合得一条直线;
第四步,估计出跳速R后,进一步估计出跳变时刻αTh,其中Th=1/R为跳频周期,α则由下式得出:
第五步,估计出跳速R和跳变时刻αTh后,对每个跳变周期内的单频信号进行估频,在接收到的单频信号中任取一段长度为10的数据rt,t=0,1,2,...,9,依据下式:
其中:符合*表示取共轭,∠表示求信号rt和信号rt+1的相位差,估计出信号载波频率f[1∶5000],以及信号的时频脊线;
第六步,将估计出的载波频率f[1∶5000]与已知跳频频率序列fsend[1∶5000]进行比较,与相应时间上载波频率相等记为1,与相应时间上载波频率不相等记为0,得到序列rz[1∶5000]。
利用最小二乘法作线性拟合得一条直线具体方法包括:
在r2中选取=250个峰值位置p(i),i=1,2,3,…,M,编号并转换为(i,p(i))坐标形式,其中,i代表时隙编号,即第几个跳频时隙,p(i)代表帧号,即跳变时刻;将选取的M个坐标点代入最小二乘算法公式:
p=ki+b;
直线p的斜率k是跳频点平均占有的数据帧的数目,用帧数k乘以短时傅里叶变换滑窗步长s=256是跳频时隙,用数据点数c表示跳频时隙,即:
c=k×s;
再根据采样率Fs_real与单个频点持续时间的固有关系得出计算下式:
估计出跳速R;
将比较得到的序列与发送端相同的混沌序列异或,经N倍压缩即可得到真实的信息进一步包括:
(1)利用与信号发送端相同的混沌序列y与伪随机序列rz进行异或得到rx:
(2)将rx[1∶5000]进行5倍压缩,每5个码字一组,11111压缩为1,00000压缩为0,得到序列rx[1∶1000],即接收到的真实有效信息。
所述分层门限访问结构(MV,ρ)的生成方法具体如下:
1)系统初始化
定义函数f的运算规则如下:每进行一次f运算,就将多项式的常数项变为0,自变量的系数不变,次数减1,设a、b、c、d为确定的常实数,则有:
f(a+bx+cxd)=0+b+cxd-1;
f(1+2x+3x4)=0+2+3x3;
设(k,n)是一个分层的秘密共享系统,主要由一个秘密分发者D和n个参与者组成,属性集合U是n个参与者的集合,且包含m个层次,即其中对于i≠j,Ui∩Uj=φ;令是一个单调递增的整数序列0<k0<k1<...<km,并且km-1<km-1,ki是每一层的门限值,则(k,n)分层的门限访问结构就是要为属性集合U中每个参与者u分配秘密信息s的一个秘密份额σ(u),使其满足以下访问结构:
满足上式所描述的访问结构的分层的参与者子集S称为授权子集,恢复主秘密,而不满足上述访问结构的任何用户子集将无法获得关于主秘密的任何信息;
2)子秘密分发
秘密分发者D任意选取t-1个随机数a1,...,at-1和一个大素数q,然后构造多项式P(x)=s+a1x+...+at-1xt-1,其中s是需要被共享的主秘密;系统中的每个参与者u对应域里面的一个元素表示其身份,用uj表示,D根据参与者所处的层次i计算参与者的秘密份额其中:
P0(x)=P(x);
P1(x)=f1(P(x))=f(P(x));
Pl(u)=f(Pl-1(u));
表示多项式P(x)经过kt-1次f运算后在域元素uj处的值;kt-1是第i-1层的门限值且令k-1=0,D公开lm表示第m层中拥有属性集合S的元素数量;
3)秘密恢复
令|S|表示S所具有的元素数量,设定满足:
其中,U0,…,Um表示集合U的第0至m层,0≤l0≤l1≤...≤lm=|S|,当且仅当对于所有的0≤i≤m,ll≥kl,S为一个授权子集,即符合访问结构,则S中所有的参与者合作时,可以组成系数矩阵MV,其中系数矩阵按行编写为:
S中的所有参与者可以合作解出如下的方程组:
即:
可以看出,若S满足访问结构,就可以重构出多项式P(x),从而恢复出秘密s。
这个访问结构可以等价于分层矩阵的LSSS的访问结构,即令被定义为I={j,ρ(j)∈S},如果令是秘密s的一个子秘密,则存在常数{ωj∈ZN}使得其中,ZN表示1到N的整数集合;ωj在秘密共享生成矩阵Mv大小的多项式时间内总可以被找到,就恢复出来主秘密。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于差分进化狼群算法的欺骗干扰识别方法,其特征在于,所述基于差分进化狼群算法的欺骗干扰识别方法包括:
通过实时编码器将输入的数据按基于差分进化狼群算法进行编码;编码中,将真实信息即码字的1和0序列经过N倍扩展后,分别与对应时间顺序的混沌序列进行异或,得到信息码字相应的伪码;信息发送端将由伪码发生器生成的跳频序列每N个点分为一组,每个码字相应的N个伪码元对应于跳频序列N个周期内的频点,且伪码的1和0分别代表相应跳频周期上是否发送载频,形成调制图样,由调制图样将伪码序列进行非常规调制,再与由频率合成器生成的跳频图案进行混频,进行发送;信息接收端接收到信号后,对发射端载波频率的发送规律进行估计,再与已知跳频频率序列进行比较,与相应时间上的载波频率相等则记为1,与相应时间上的载波频率不相等记为0;将比较得到的序列与发送端相同的混沌序列异或,经N倍压缩即可得到真实的信息;
编码后的数据通过编码接口或网线接口传输给差分迭代运算编程器,差分迭代运算编程器对编码后的数据进行下载网络程序;将下载的网络程序编码内容传送到算法运算器内进行运算;运算中,首先输入包含所有属性的属性集合U,属性在不同的分层中;然后选择一个阶为N=p1p2p3双线性复合群G,p1、p2、p3为不相同的素数,令表示阶为pi的子群,i=1,2,3;然后选择随机指数a和α、随机群元素其中,a,α∈ZN,ZN表示1至N-1的整数;对于U中的|U|个属性元素,选择对应的群元素则公共参数PK和主密钥MSK分别为:PK={N,g,gα,e(g,g)a,h1,......,h|U|};MSK={α,X3};其中,e(g,g)a表示双线性对;
令属性集合S为属性集合U的分层子集,根据属性集合S、公共参数PK、消息M和一个提前生成的分层门限访问结构(MV,ρ)将属性集合U所有层次的属性均用一个表达式进行加密得到密文CT,其中,函数ρ表示分层访问结构MV中的行到属性的映射;令属性集合S的每一层的属性数量超过该层门限,使S满足分层的访问结构;通过主密钥MSK和属性集合S,结合步骤S1中的子群生成密钥SK;通过访问结构MV对应的密文CT和属性集合S对应的密钥SK恢复出消息;
将运算程序传送到AD采样输出串口,通过AD采样输出串口将数据通过显示屏进行显示。
2.如权利要求1所述基于差分进化狼群算法的欺骗干扰识别方法,其特征在于,再与由频率合成器生成的跳频图案进行混频,进行发送中,包括:
(1)由伪码序列z[1∶5000]的1和0控制生成调制图样,伪码序列z进行非常规BPSK调制,为1,则对应时间内基带信号为cos(2πfc_bpskt),为0,则对应时间内基带信号全为0,生成基带调制信号fbpsk[1∶100000];
(2)由伪随机码发生器产生伪随机序列,通过指令译码器,控制频率合成器生成跳频图案X;
(3)将基带调制信号fbpsk与跳频图案X经混频器混频后,得到发送信号rs再进行发送;
信息接收端接收到信号后,对发射端载波频率的发送规律进行估计,再与已知跳频频率序列进行比较进一步包括:
第一步,通过短时傅里叶变换谱图法对接收信号r进行处理,得到信号的粗估计时频脊线r1;
第二步,对得到的粗估的时频脊线r1作一阶差分,凸显信号的跳变位置,差分后的信号为r2;
第三步,在一阶差分后的信号中选取若干峰值位置,利用最小二乘法作线性拟合得一条直线;
第四步,估计出跳速R后,进一步估计出跳变时刻αTh,其中Th=1/R为跳频周期,α则由下式得出:
第五步,估计出跳速R和跳变时刻αTh后,对每个跳变周期内的单频信号进行估频,在接收到的单频信号中任取一段长度为10的数据r1,t=0,1,2,...,9,依据下式:
其中:符合*表示取共轭,∠表示求信号rt和信号rt+1的相位差,估计出信号载波频率f[1∶5000],以及信号的时频脊线;
第六步,将估计出的载波频率f[1∶5000]与已知跳频频率序列fsend[1∶5000]进行比较,与相应时间上载波频率相等记为1,与相应时间上载波频率不相等记为0,得到序列rz[1∶5000]。
3.如权利要求1所述基于差分进化狼群算法的欺骗干扰识别方法,其特征在于,利用最小二乘法作线性拟合得一条直线具体方法包括:
在r2中选取=250个峰值位置p(i),i=1,2,3,…,M,编号并转换为(i,p(i))坐标形式,其中,i代表时隙编号,即第几个跳频时隙,p(i)代表帧号,即跳变时刻;将选取的M个坐标点代入最小二乘算法公式:
p=ki+b;
直线p的斜率k是跳频点平均占有的数据帧的数目,用帧数k乘以短时傅里叶变换滑窗步长s=256是跳频时隙,用数据点数c表示跳频时隙,即:
c=k×s;
再根据采样率Fs_real与单个频点持续时间的固有关系得出计算下式:
估计出跳速R;
将比较得到的序列与发送端相同的混沌序列异或,经N倍压缩即可得到真实的信息进一步包括:
(1)利用与信号发送端相同的混沌序列y与伪随机序列rz进行异或得到rx:
(2)将rx[1∶5000]进行5倍压缩,每5个码字一组,11111压缩为1,00000压缩为0,得到序列rx[1∶1000],即接收到的真实有效信息。
4.如权利要求1所述基于差分进化狼群算法的欺骗干扰识别方法,其特征在于,所述分层门限访问结构(MV,ρ)的生成方法具体如下:
1)系统初始化
定义函数f的运算规则如下:每进行一次f运算,就将多项式的常数项变为0,自变量的系数不变,次数减1,设a、b、c、d为确定的常实数,则有:
f(a+bx+cxd)=0+b+cxd-1;
f(1+2x+3x4)=0+2+3x3;
设(k,n)是一个分层的秘密共享系统,主要由一个秘密分发者D和n个参与者组成,属性集合U是n个参与者的集合,且包含m个层次,即其中对于i≠j,Ui∩Uj=φ;令是一个单调递增的整数序列0<k0<k1<...<km,并且km-1<km-1,ki是每一层的门限值,则(k,n)分层的门限访问结构就是要为属性集合U中每个参与者u分配秘密信息s的一个秘密份额σ(u),使其满足以下访问结构:
满足上式所描述的访问结构的分层的参与者子集S称为授权子集,恢复主秘密,而不满足上述访问结构的任何用户子集将无法获得关于主秘密的任何信息;
2)子秘密分发
秘密分发者D任意选取t-1个随机数a1,...,at-1和一个大素数q,然后构造多项式P(x)=s+a1x+...+at-1xt-1,其中s是需要被共享的主秘密;系统中的每个参与者u对应域里面的一个元素表示其身份,用uj表示,D根据参与者所处的层次i计算参与者的秘密份额其中:
P0(x)=P(x);
P1(x)=f1(P(x))=f(P(x));
Pi(u)=f(Pi-1(u));
表示多项式P(x)经过ki-1次f运算后在域元素uj处的值;ki-1是第i-1层的门限值且令k-1=0,D公开lm表示第m层中拥有属性集合S的元素数量;
3)秘密恢复
令|S|表示S所具有的元素数量,设定满足:
…
其中,U0,…,Um表示集合U的第0至m层,0≤l0≤l1≤...≤lm=|S|,当且仅当对于所有的0≤i≤m,li≥ki,S为一个授权子集,即符合访问结构,则S中所有的参与者合作时,可以组成系数矩阵MV,其中系数矩阵按行编写为:
S中的所有参与者可以合作解出如下的方程组:
即:
可以看出,若S满足访问结构,就可以重构出多项式P(x),从而恢复出秘密s。
5.如权利要求4所述基于差分进化狼群算法的欺骗干扰识别方法,其特征在于,这个访问结构可以等价于分层矩阵的LSSS的访问结构,即令被定义为如果令是秘密s的一个子秘密,则存在常数{ωj∈ZN}使得其中,ZN表示1到N的整数集合;ωj在秘密共享生成矩阵MV大小的多项式时间内总可以被找到,就恢复出来主秘密。
6.一种实现权利要求1~5任意一项所述基于差分进化狼群算法的欺骗干扰识别方法的计算机程序。
7.一种实现权利要求1~5任意一项所述基于差分进化狼群算法的欺骗干扰识别方法的计算机。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于差分进化狼群算法的欺骗干扰识别方法。
9.一种实现权利要求1~5任意一项所述基于差分进化狼群算法的欺骗干扰识别方法的基于差分进化狼群算法的欺骗干扰识别装置,其特征在于,所述基于差分进化狼群算法的欺骗干扰识别装置设置有:
外壳;
所述外壳侧端卡接有数据输入端,数据输入端通过导线连接储存硬盘与实施编码器,实施编码器通过导线连接算法运算器,算法运算器通过导线连接差分迭代运算编程器;
算法运算器通过导线连接AD采样输出串口,AD采样输出串口通过导线连接显示屏;
外壳上开槽有与差分迭代运算编程器导线连接的编码接口、网线接口,外壳上键接有与差分迭代运算编程器导线连接的算法按钮。
10.如权利要求9所述基于差分进化狼群算法的欺骗干扰识别装置,其特征在于,所述算法按钮包括三个,分别是变异按钮、交叉按钮、选择按钮;
所述差分迭代运算编程器通过螺钉固定在外壳内侧下端,算法运算器通过螺钉固定在外壳内部;实施编码器通过螺钉固定在外壳内部侧端,实施编码器位置与数据输入端紧密接触;储存硬盘通过螺钉固定在外壳内部,AD采样输出串口通过螺钉固定在算法运算器左侧;
所述外壳外侧连接有电源线,电源线通过导线连接数据输入端、AD采样输出串口、差分迭代运算编程器、算法运算器、实时编码器、储存硬盘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810604678.9A CN108898212B (zh) | 2018-06-13 | 2018-06-13 | 一种基于差分进化狼群算法的欺骗干扰识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810604678.9A CN108898212B (zh) | 2018-06-13 | 2018-06-13 | 一种基于差分进化狼群算法的欺骗干扰识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898212A true CN108898212A (zh) | 2018-11-27 |
CN108898212B CN108898212B (zh) | 2024-03-29 |
Family
ID=64344602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810604678.9A Active CN108898212B (zh) | 2018-06-13 | 2018-06-13 | 一种基于差分进化狼群算法的欺骗干扰识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898212B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014095651A1 (fr) * | 2012-12-19 | 2014-06-26 | Thales | Procede de leurrage d' un systeme d' interception et de brouillage par insertion de motifs de synchronisation factices dans le signal emis et emetteur mettant en oeuvre le procede |
CN104035104A (zh) * | 2014-06-26 | 2014-09-10 | 桂林电子科技大学 | 一种抗欺骗伪卫星系统及信号产生方法 |
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN105281847A (zh) * | 2015-09-14 | 2016-01-27 | 杭州电子科技大学 | 基于模型参数辨识的欺骗干扰识别方法 |
-
2018
- 2018-06-13 CN CN201810604678.9A patent/CN108898212B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014095651A1 (fr) * | 2012-12-19 | 2014-06-26 | Thales | Procede de leurrage d' un systeme d' interception et de brouillage par insertion de motifs de synchronisation factices dans le signal emis et emetteur mettant en oeuvre le procede |
CN104035104A (zh) * | 2014-06-26 | 2014-09-10 | 桂林电子科技大学 | 一种抗欺骗伪卫星系统及信号产生方法 |
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN105281847A (zh) * | 2015-09-14 | 2016-01-27 | 杭州电子科技大学 | 基于模型参数辨识的欺骗干扰识别方法 |
Non-Patent Citations (2)
Title |
---|
孙艺笑等: "一种基于不放回抽样的图像混沌加密算法" * |
孙闽红等: "基于差分进化狼群算法的GNSS欺骗干扰检测" * |
Also Published As
Publication number | Publication date |
---|---|
CN108898212B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bloch et al. | An overview of information-theoretic security and privacy: Metrics, limits and applications | |
CN105812126B (zh) | 健康区块链数据加密密钥的轻量级备份与高效恢复方法 | |
JP5621907B2 (ja) | 共通鍵暗号を用いた認証システム | |
CN102165458B (zh) | 认证装置和用户 | |
Bui et al. | Biometric methods for secure communications in body sensor networks: resource-efficient key management and signal-level data scrambling | |
CN109151053A (zh) | 基于公共非对称密钥池的抗量子计算云存储方法和系统 | |
JP4906732B2 (ja) | データ送信装置、データ受信装置、及びデータ通信装置 | |
CN109150519A (zh) | 基于公共密钥池的抗量子计算云存储安全控制方法和系统 | |
CN108989309B (zh) | 基于窄带物联网的加密通信方法及其加密通信装置 | |
WO2018158065A1 (en) | Elliptic curve isogeny based key agreement protocol | |
US11798102B2 (en) | Methods, systems, apparatus and articles of manufacture to obfuscate metered data using a mask | |
CN107172043B (zh) | 一种基于同态加密的智能电网用户售电方法 | |
JP4668428B2 (ja) | 効果的なキー長制御方法及び装置 | |
CN108075879A (zh) | 一种数据加密和解密的方法、装置及系统 | |
CN115834060B (zh) | 基于密码学的电子公文安全导入导出方法及系统 | |
CN108696518A (zh) | 区块链上用户通信加密方法、装置、终端设备及存储介质 | |
US7349542B2 (en) | Systems, methods and computer program products for encryption and decryption using wavelet transforms | |
CN111490875B (zh) | 一种基于代理重加密的云数据半量子安全共享方法及系统 | |
CN116669022A (zh) | 无线通信系统数据安全传输方法 | |
CN107465508B (zh) | 一种软硬件结合构造真随机数的方法、系统和设备 | |
CN108768642A (zh) | 一种数据聚合方法、装置、计算机设备及存储介质 | |
CN113271201A (zh) | 一种动态的aes物理层数据加密方法 | |
CN108898212A (zh) | 一种基于差分进化狼群算法的欺骗干扰识别方法及装置 | |
US20030097559A1 (en) | Qualification authentication method using variable authentication information | |
CN109412788A (zh) | 基于公共密钥池的抗量子计算代理云存储安全控制方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |