CN109587681A - 一种鉴权方法及装置 - Google Patents

一种鉴权方法及装置 Download PDF

Info

Publication number
CN109587681A
CN109587681A CN201710909211.0A CN201710909211A CN109587681A CN 109587681 A CN109587681 A CN 109587681A CN 201710909211 A CN201710909211 A CN 201710909211A CN 109587681 A CN109587681 A CN 109587681A
Authority
CN
China
Prior art keywords
user equipment
channel information
preset condition
norms
connection
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.)
Pending
Application number
CN201710909211.0A
Other languages
English (en)
Inventor
蒋华
张东升
张昕然
胡荣磊
候梦茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE
Original Assignee
BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE filed Critical BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE
Priority to CN201710909211.0A priority Critical patent/CN109587681A/zh
Publication of CN109587681A publication Critical patent/CN109587681A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供了一种鉴权方法，包括接收用户设备发送的建立连接请求信息；根据接收的建立连接请求信息，获取信道信息；当信道信息满足预设条件时，与用户设备建立连接。在本发明中，首先接收用户设备发送的建立请求的信息，并根据建立请求的信息确定是否与用户设备建立连接，能够增强用户身份的保密性，保证用户信息不被恶意的第三方获取，在本发明中能够及时根据用户设备发送的建立请求的信息获取信道信息，并在信道信息满足预设条件时，及时与用户设备建立连接，过程简单，保证通信的实时性，本发明能够在提高物理层安全性的同时满足实时性的条件。

Description

一种鉴权方法及装置
技术领域
本发明涉及通信技术领域，特别涉及一种鉴权方法及装置。
背景技术
欧盟于2012年正式启动了METIS(mobile and wireless communicationsenables for the 2020 information society)项目，对第五代移动通信技术5G移动通信网络展开研究。随后，英国、韩国和中国相继成立了5G研究组，致力于推进5G的发展。随着第五代移动通信技术的研究，大规模多天线阵列将引起衰落的多径现象加以利用，通过发送端和接收端的多个天线实现多发多收，创造出多个并行空间信道，在不增加频谱资源和天线发射功率的情况下提高了系统信道容量，而被视为下一代移动通信的核心技术。
物理层是开放式系统互联(英文全称：Open System Interconnection，英文缩写：OSI)协议架构的最底层，通常用来规定信号传输的物理特性，同时又由于无线通信的广播特性使得物理层很容易受到攻击，极易受到窃听和干扰等安全威胁。
由于传统物理层安全理论大多依赖于极其复杂的凸优化模型和网络模型，以及发送端和接收端之间的信道状态信息，使得具体实现较为困难，因此大部分研究结果都停留在理论层面，物理层鉴权没有得到充分发展。
以支持向量机(英文全称：Support Vector Machine，英文缩写：SVM)和卷积神经网络(英文全称：Convolutional Neural Network，英文缩写：CNN)为代表的智能科学，是近年发展起来的高效识别方法。前者简化了高维空间问题的求解难度，后者的权值共享网络结构降低了网络模型的复杂度，因此得到了广泛关注和应用。
物理层传输技术模型可以引申为物理层安全模型，从而可以利用智能科学理论建立物理层鉴权模型，降低求解或者网络模型的复杂度。鉴权时先获取MIMO创造出的多个并行空间信道的物理层信息，分别输入SVM和CNN进行训练，当有待鉴权用户时获取相应的物理层信息并输入经训练过的SVM和CNN，输出识别结果，达到物理层鉴权的目的。
发明内容
本发明实施例提供了一种鉴权方法及装置，旨在解决如何在提高物理层安全性的同时满足实时性的条件。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本发明实施例的第一方面，提供了一种鉴权方法，包括接收用户设备发送的建立连接请求信息；根据接收的建立连接请求信息，获取信道信息；当信道信息满足预设条件时，与用户设备建立连接。
根据本发明实施例的第二方面，提供一种鉴权装置，包括接收器，用于接收用户设备发送的建立连接请求信息；处理器，用于根据接收的建立连接请求信息，获取信道信息；及当信道信息满足预设条件时，与用户设备建立连接
在本发明中，首先接收用户设备发送的建立请求的信息，并根据建立请求的信息确定是否与用户设备建立连接，能够增强用户身份的保密性，保证用户信息不被恶意的第三方获取，在本发明中能够及时根据用户设备发送的建立请求的信息获取信道信息，并在信道信息满足预设条件时，及时与用户设备建立连接，保证通信的实时性，本发明能够在提高物理层安全性的同时满足实时性的条件。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种鉴权方法的流程示意图；
图2是根据一示例性实施例示出的一种鉴权方法的流程示意图；
图3是根据一示例性实施例示出的一种鉴权方法的流程示意图；
图4是根据一示例性实施例示出的一种建模方法的示意图；
图5是根据一示例性实施例示出的一种鉴权装置的结构示意图。
附图标记说明：10、接收器；20、处理器。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明实施例公开的技术方案，可以适用于大规模多输入多输出(英文全称：Massive Multiple-Input Multiple-Output，英文简称：Massive MIMO)技术场景。
示例性的，可以根据现有的Massive MIMO互耦信道模型，对信道进行建模，由于互耦信道模型包含有天线到达角的信息，因此可用于对用户进行鉴权分析以及提高信道估计的准确性。导向矩阵Rm可表示为：
其中，θm,i表示第m个用户的到达角。
对于线形天线阵列，导向向量a(θm,i)可表示为：
其中d是相邻天线间的距离，λ是载波频率。
对于矩形天线阵列，导向向量a(θm,i)可表示为：
其中和分别表示到达角(azimuth of arrival，AoA)和到达高度角(elevation ofarrival，EoA)。θ和φ分别表示Kronecker乘积和矩阵的矢量化。
具体的，信道矩阵G＝HD，G＝[g1,g2,...,gK]，H＝[h1,h2,...,hK]表示快衰落矩阵，表示大尺度传播损耗，其中满足在大规模多天线互阻抗信道模型下，快衰落矩阵hk＝ZRkvk，其中，
Z＝(ZA+ZL)(Γ+ZLI)-1
上式中Z∈CN×N表示互阻抗矩阵，由天线配置决定，ZA、ZL、ZM表示互阻抗常数，Rk表示方向系数矩阵，其形式根据天线阵列形状的改变而改变，vk为高斯随机因子。
应知，上述信道模型仅为示例，本领域技术人员可以根据上述示例公开的内容，结合现有技术，获得其他相同或相似的信道模型，本发明对此并不限定，本发明公开的技术方案可以适用于任一种类似的Massive MIMO无线信道。
结合上述示例性的信道模型，本发明第一实施例提供了一种鉴权方法，如图1所示，包括：
步骤S101：接收用户设备发送的建立连接请求信息。
步骤S102：根据接收的建立连接请求信息，获取信道信息。
步骤S103：当信道信息满足预设条件时，与用户设备建立连接。
在本发明中，首先通过步骤S101接收用户设备发送的建立请求的信息，最后根据建立请求的信息确定是否与用户设备建立连接，能够增强用户身份的保密性，保证用户信息不被恶意的第三方获取，在本发明中能够及时根据用户设备发送的建立请求的信息获取信道信息，并在信道信息满足预设条件时，及时与用户设备建立连接，保证通信的实时性，本发明能够在提高物理层安全性的同时满足实时性的条件。
可选的，步骤S102中，网络侧设备，可以通过接收到的物理层信号，提取物理层信息，并根据物理层信息，获取信道信息，其中，接收到的物理层信号可以为用户设备发送的用于承载建立连接请求信息的物理层信号，或用户设备发送的其他物理层信号，如同步信号等。进一步的，网络侧设备可以在接收到用户设备发送的建立连接请求信息后，获取信道信息。
进一步可选的，步骤S102中，获取的信道信息具体为Massive MIMO信道信息。
可选的，步骤S102中，网络侧设备，也可以根据用户设备发送的建立连接请求信息中携带的信道信息，直接获取信道信息。
可选的，在上述实施例中，步骤S102可以包括：
步骤S1021：根据接收的建立连接请求信息，获取路损信息和到达角信息。
步骤S1022：根据路损信息和到达角信息，获取信道信息。
其中，在步骤S1021中，路损信息和到达角信息为物理层信息，网络侧设备可以根据接收到的物理层信号获取上述信息，本领域技术人员应知，网络侧设备可以获取的物理层信息有多种，只要能够根据获取的物理层信息进一步获取信道信息即可，对物理层信息的具体内容和格式，本发明并不限定，上述步骤仅为具体实例。
可选的，在上述任一实施例中，信道信息可以包括方向系数矩阵的二范数和大尺度衰落因子。
可选的，在上述实施例中，步骤S103可以包括：当方向系数矩阵的二范数和大尺度衰落因子满足预设条件时，与用户设备建立连接。
在上述实施例中，当方向系数矩阵的二范数和大尺度衰落因子满足预设条件时，与用户设备建立连接的实施方式有多种，作为一种可选的实施方式，包括：
步骤S301：根据方向系数矩阵的二范数和大尺度衰落因子，获取决策函数值。
步骤S302：当决策函数值满足预设条件时，与用户设备建立连接。
作为本发明实施例的一种实施方式，利用支持向量机(英文全称：Support VectorMachines，英文简称：SVM)模型构建信道模型。SVM是基于结构风险最小化准则一种新的机器学习技术，通过非线性变换将输入样本空间变换到一个高维特征空间，然后在这个新空间中求取最优超平面。假设已知一组独立同分布的训练样本N为样本总数，输入数据xn∈Rm，常数m表示维数，输出数据yn∈R，利用非线性映射函数将样本从原空间映射到高维特征空间Rc，即：在这个空间中构造线性最优回归函数：
其中，w∈Rc为权向量，b∈R为偏差(也称为门限，阀值)。将训练样本带入式(1)得到：
根据统计学习理论中的结构风险最小化(英文全称：Structral RiskMinimization，英文简称：SRM)对于任意损失函数，SVM回归估计可归结为如下的规划问题：
其中，n＝1，…，N，γ>0是惩罚系数，c(ξn)表示损失函数，ε是观测值和预测值之间的误差不会超过的事先给定的小正数，ξn和是松弛变量。采用拉格朗日(英文全称：Largrange)乘子方法和核方法，上式的优化问题可以转化为其对偶问题求解，并得到最优Lagrange乘子αn和那些Lagrange乘子对差不为零(即)的训练样本被称为支持向量，则最优回归估计函数为：
其中，偏差b同样利用KKT条件计算得到。
最小二乘支持向量机(英文全称：Least Squares SVM，英文简称：LS-SVM)将最小二乘引入了SVM中，优化指标采用平方项(使用ξ的平方函数)，并用等式约束代替了标准支持向量机的不等式约束(此时ξ＝0)：
其中，n＝1，…，N，采用Largrange乘子方法和核方法求解出参数αn和b，则最优回归估计函数为：
本发明中利用步骤根据接收的建立连接请求信息，获取路损信息和到达角信息，提取二维参数：xi＝[αi,βi]T，其中αi＝||Ri||2是方向系数矩阵的二范数，βi是大尺度衰落因子。
对于非线性问题，一方面通过引入松弛变量放松约束，另一方面引进从输入空间Rn到Hilbert空间H的变换φ把数据样本集映射，得到原始问题：
((ω·xi)+b)≥1-ξi,i＝1,…,l
ξi≥0,i＝1,…,l
定义拉格朗日函数后，对各个变量求偏导数，再带入原Lagrange函数，得到对偶问题的最优解
最后构造决策函数用于区分检测到的二维参数是否为合法用户的二维参数。
本实施例利用了LS-SVM和SVM判断方向系数矩阵的二范数和所述大尺度衰落因子是否满足预设条件，且当方向系数矩阵的二范数和大尺度衰落因子满足预设条件时，与用户设备建立连接，不仅简化了计算的复杂性，求解速度相对加快，而且还保证了安全性，防止用户的信息被泄露。
作为本发明实施例的另一种实施方式，可选的，在上述实施例中，如图4所示，步骤301还包括：
步骤S3011：根据方向系数矩阵的二范数和大尺度衰落因子，通过卷积神经网络模型，获取文本向量集合。
步骤S3012：根据文本向量集合，获取决策函数值。
利用卷积神经网络(英文全称：Convolutional Neural Network，英文简称：CNN))构建信道模型。首先给定提取后的二维参数集合x＝{x1,x2,…,xm}，以及类别集合y＝{y1,y2,…,ym}，其中的可能值为-1,1，利用CNN训练将集合x＝{x1,x2,…,xm}映射成文本向量集合T＝{T1,T2,…,Tm},其中T为矩阵。最后使用多分类算法处理集合T，得到鉴权类别估计值集合y'＝{y1',y2',…,ym'}，y'的性质与y类似。模型的训练目标是找到一个映射f，使y'和y的偏差达到最小。
如图5所示，输入矩阵的下一层为卷积层，用于特征检测。卷积层的核心是过滤器，不同过滤器在不同范围内组合局部信息，从而挖掘物理层信道数据中不同类型的特征。每个卷积层有一个大小固定的滑动窗口，每次只处理窗口内的信息。作为一种可选的实施例，利用过滤器的局部感受域和权值共享，计算每个窗口内的二维参数数据:ci＝fc(Wcxi:i+n-1+bc)从而使它们抽象成若干个特征向量，形式均为c＝[c1,c2,…,cn-rs+1]每维上的数值ci表示该二维参数隐含的某种情感特征.其中:xi:i+n-1为输入二维复信道数据矩阵X在某过滤器滑动窗口内的信息，即向量化后的二维参数数据，n为窗口大小；Wc∈Rrs×d表示该过滤器的权重矩阵，用于映射窗口内的数据，rs为该过滤器的区域大小；bc为偏置因子；fc为激活函数(采用ReLU函数)。
经过卷积层的处理，较利于二维参数分类的特征已经凸显，在此基础上，池化层从全局角度上筛选特征，进一步选择最能代表二维参数包含的信息的特征.这里采用最大池化，对于输入的物理层特征向量c:
池化层既能减少模型参数的数量，又能过滤一些噪音.拼接池化后的所有结果，得到图4中的文本向量V，作为下一层的输入.为了将特征进一步抽象以挖掘更深层次的语义，在池化层后设置若干个全连接层，具体计算如下:
V'＝fa(WaV+ba)其中其中，V为上一层得到的向量，Wa为全连接层的权重矩阵，ba为偏置因子，fa为激活函数(采用ReLU函数)。最终，在某个滑动窗口内的二维参数数据被转换成一个定长向量V”。
为了得到类别估计值，需要使用分类函数处理向量V”。采用softmax分类函数:
其中，θ为模型的参数，V"(i)为第i个二维信道参数，计算结果：
p(y(i)＝j|V"(i))
θ表示二维参数类别为j的概率，最终把二维参数数据归入到概率最大的那个类别中，θ定义为
θ＝[X,Wc,Wa1,Wa2,bc,ba1,ba2]
从而鉴权该二维数据是否合法，当二维数据合法时，与用户设备建立连接。
本发明实施例还提供了一种鉴权装置，包括接收器10，用于接收用户设备发送的建立连接请求信息；处理器20，用于根据接收的建立连接请求信息，获取信道信息；及当信道信息满足预设条件时，与用户设备建立连接。
在本发明中，首先通过接收器10接收用户设备发送的建立请求的信息，处理器20根据建立请求的信息确定是否与用户设备建立连接，能够增强用户身份的保密性，保证用户信息不被恶意的第三方获取，在本发明中能够及时根据用户设备发送的建立请求的信息获取信道信息，并在信道信息满足预设条件时，及时与用户设备建立连接，保证通信的实时性，本发明能够在提高物理层安全性的同时满足实时性的条件。
可选的，在上述实施例中，处理器20还用于根据接收的建立连接请求信息，获取路损信息和到达角信息；并根据路损信息和到达角信息，获取信道信息。
可选的，在上述任一装置实施例中，信道信息包括方向系数矩阵的二范数和大尺度衰落因子。
可选的，在上述实施例中，处理器20还用于当方向系数矩阵的二范数和大尺度衰落因子满足预设条件时，与用户设备建立连接。
可选的，在上述实施例中，处理器20还用于根据方向系数矩阵的二范数和大尺度衰落因子，获取决策函数值；并当决策函数值满足预设条件时，与用户设备建立连接。
可选的，在上述实施例中，处理器20还用于根据方向系数矩阵的二范数和大尺度衰落因子，通过卷积神经网络模型，获取文本向量集合；并根据文本向量集合，获取决策函数值。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种鉴权方法，其特征在于，包括：
接收用户设备发送的建立连接请求信息；
根据接收的所述建立连接请求信息，获取信道信息；
当所述信道信息满足预设条件时，与所述用户设备建立连接。
2.如权利要求1所述的鉴权方法，其特征在于，所述信道信息包括方向系数矩阵的二范数和大尺度衰落因子。
3.如权利要求2所述的鉴权方法，其特征在于，当所述信道信息满足预设条件时，与所述用户设备建立连接，包括：
当所述方向系数矩阵的二范数和所述大尺度衰落因子满足预设条件时，与所述用户设备建立连接。
4.如权利要求3所述的鉴权方法，其特征在于，当所述方向系数矩阵的二范数和所述大尺度衰落因子满足预设条件时，与所述用户设备建立连接，包括：
根据所述方向系数矩阵的二范数和所述大尺度衰落因子，获取决策函数值；
当所述决策函数值满足预设条件时，与所述用户设备建立连接。
5.如权利要求4所述的鉴权方法，其特征在于，根据所述方向系数矩阵的二范数和所述大尺度衰落因子，获取所述决策函数值，包括：
根据所述方向系数矩阵的二范数和所述大尺度衰落因子，通过卷积神经网络模型，获取文本向量集合；
根据所述文本向量集合，获取所述决策函数值。
6.一种鉴权装置，其特征在于，包括：
接收器，用于接收用户设备发送的建立连接请求信息；
处理器，用于根据接收的所述建立连接请求信息，获取信道信息；及当所述信道信息满足预设条件时，与所述用户设备建立连接。
7.如权利要求6所述的鉴权装置，其特征在于，所述信道信息包括方向系数矩阵的二范数和大尺度衰落因子。
8.如权利要求7所述的鉴权装置，其特征在于，所述处理器还用于当所述方向系数矩阵的二范数和所述大尺度衰落因子满足预设条件时，与所述用户设备建立连接。
9.如权利要求8所述的装置，其特征在于，所述处理器还用于根据所述方向系数矩阵的二范数和所述大尺度衰落因子，获取决策函数值；并当所述决策函数值满足预设条件时，与所述用户设备建立连接。
10.如权利要求9所述的鉴权装置，其特征在于，所述处理器还用于根据所述方向系数矩阵的二范数和所述大尺度衰落因子，通过卷积神经网络模型，获取文本向量集合；并根据所述文本向量集合，获取所述决策函数值。
CN201710909211.0A 2017-09-29 2017-09-29 一种鉴权方法及装置 Pending CN109587681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710909211.0A CN109587681A (zh) 2017-09-29 2017-09-29 一种鉴权方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710909211.0A CN109587681A (zh) 2017-09-29 2017-09-29 一种鉴权方法及装置

Publications (1)

Publication Number Publication Date
CN109587681A true CN109587681A (zh) 2019-04-05

Family

ID=65918909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710909211.0A Pending CN109587681A (zh) 2017-09-29 2017-09-29 一种鉴权方法及装置

Country Status (1)

Country Link
CN (1) CN109587681A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104010293A (zh) * 2014-05-14 2014-08-27 上海交通大学 基于物理层安全的接入准则的d2d用户配对方法
CN104601297A (zh) * 2015-01-30 2015-05-06 北京邮电大学 协作无线能量传输方法和系统
CN105635125A (zh) * 2015-12-25 2016-06-01 电子科技大学 基于射频指纹和信道信息的物理层联合认证方法
CN105978692A (zh) * 2016-04-18 2016-09-28 南京邮电大学 一种3gpp认证与密钥协商协议的实现方法
CN106937286A (zh) * 2017-03-02 2017-07-07 北京邮电大学 一种用户接入认证方法及装置
CN107071773A (zh) * 2016-11-24 2017-08-18 奇酷互联网络科技（深圳）有限公司 一种网络连接建立方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104010293A (zh) * 2014-05-14 2014-08-27 上海交通大学 基于物理层安全的接入准则的d2d用户配对方法
CN104601297A (zh) * 2015-01-30 2015-05-06 北京邮电大学 协作无线能量传输方法和系统
CN105635125A (zh) * 2015-12-25 2016-06-01 电子科技大学 基于射频指纹和信道信息的物理层联合认证方法
CN105978692A (zh) * 2016-04-18 2016-09-28 南京邮电大学 一种3gpp认证与密钥协商协议的实现方法
CN107071773A (zh) * 2016-11-24 2017-08-18 奇酷互联网络科技（深圳）有限公司 一种网络连接建立方法及装置
CN106937286A (zh) * 2017-03-02 2017-07-07 北京邮电大学 一种用户接入认证方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴迪: "分布式网络中的通信信号检测与接收技术研究", 《中国优秀硕士学位论文期刊全文数据库》 *

Similar Documents

Publication Publication Date Title
Wang et al. Federated learning for automatic modulation classification under class imbalance and varying noise condition
Hu et al. Robust and secure sum-rate maximization for multiuser MISO downlink systems with self-sustainable IRS
CN110912598B (zh) 基于长短时注意力机制的大规模mimo系统csi反馈方法
CN107770263A (zh) 一种基于边缘计算的物联网终端安全接入方法及系统
Chen et al. Physical‐Layer Channel Authentication for 5G via Machine Learning Algorithm
CN107332598A (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN101917368B (zh) 基于格基规约的mimo检测的软输出方法
Dai et al. Energy‐efficient resource allocation for device‐to‐device communication with WPT
Zhang et al. Per-antenna constant envelope precoding and antenna subset selection: A geometric approach
CN109714091B (zh) 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法
CN112637950B (zh) 基于角度相似性的指纹定位方法
Wang et al. Coupled phase-shift STAR-RISs: A general optimization framework
Huang et al. Unsupervised learning-inspired power control methods for energy-efficient wireless networks over fading channels
CN110430150A (zh) 一种基于神经网络的蜂窝移动通信系统接收机设计方法
Li et al. Asynchronous activity detection for cell-free massive MIMO: From centralized to distributed algorithms
CN103856299B (zh) 一种mimo放大转发中继网络的信号安全传输方法
Meng et al. Residual-adaptive key provisioning in quantum-key-distribution enhanced internet of things (q-iot)
CN109446327A (zh) 一种移动通信客户投诉的诊断方法及系统
Li et al. One bit aggregation for federated edge learning with reconfigurable intelligent surface: Analysis and optimization
Nan et al. Weighted compressive sensing based uplink channel estimation for time division duplex massive multi‐input multi‐output systems
CN109587681A (zh) 一种鉴权方法及装置
Huang et al. Near‐optimal hybrid precoding for millimeter wave massive MIMO systems via cost‐efficient Sub‐connected structure
He et al. Joint transceiver optimization for two-way MIMO relay systems with MSE constraints
Tong et al. A MIMO-NOMA framework with complex-valued power coefficients
Wang et al. Sliced lattice Gaussian sampling: Convergence improvement and decoding optimization

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190405