CN110536299B - 基于边缘计算和离散随机卷积的数据包合法性确认方法 - Google Patents

基于边缘计算和离散随机卷积的数据包合法性确认方法 Download PDF

Info

Publication number
CN110536299B
CN110536299B CN201910832461.8A CN201910832461A CN110536299B CN 110536299 B CN110536299 B CN 110536299B CN 201910832461 A CN201910832461 A CN 201910832461A CN 110536299 B CN110536299 B CN 110536299B
Authority
CN
China
Prior art keywords
channel matrix
terminal equipment
convolution
neural network
convolution kernel
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.)
Active
Application number
CN201910832461.8A
Other languages
English (en)
Other versions
CN110536299A (zh
Inventor
谢非佚
许爱东
文红
蒋屹新
张宇南
徐鑫辰
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.)
University of Electronic Science and Technology of China
CSG Electric Power Research Institute
Original Assignee
University of Electronic Science and Technology of China
CSG Electric Power Research 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 University of Electronic Science and Technology of China, CSG Electric Power Research Institute filed Critical University of Electronic Science and Technology of China
Priority to CN201910832461.8A priority Critical patent/CN110536299B/zh
Publication of CN110536299A publication Critical patent/CN110536299A/zh
Priority to PCT/CN2019/129458 priority patent/WO2021042639A1/zh
Application granted granted Critical
Publication of CN110536299B publication Critical patent/CN110536299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/08—Access security

Abstract

本发明公开了一种基于边缘计算和离散随机卷积的数据包合法性确认方法，包括以下步骤：在边缘服务器与已知终端设备中预存原始导频信号；已知终端设备在发送信号中插入已知的原始导频信号发送给边缘服务器；边缘服务器对接收信号进行导频分离，得到接收到的导频信号矩阵；计算信道矩阵的估计值；对于已知终端设备，测得多个信道矩阵的估计值的集合；对于不同的已知终端设备，测得对应的信道矩阵估计的集合，构建训练集合；建立卷积核与卷积核移动规则，训练得到成熟的神经网络分类器；测得待验证终端设备信道矩阵估计的集合；对待验证终端设备的信道矩阵进行分类。本发明提高了卷积神经网络构建的分类器在MIMO信道矩阵中识别效果，提高识别的准确率。

Description

基于边缘计算和离散随机卷积的数据包合法性确认方法
技术领域
本发明涉及通信系统的数据包合法性确认，特别是涉及基于边缘计算和离散随机卷积的通信系统数据包合法性确认方法。
背景技术
数据包接入的合法性确认是保证边缘计算数据包传输安全的一种重要方法。物理层信道特征的数据包合法确认方法是通过比较连续帧之间的信道信息相似性来判断发送方身份信息,具有快速高效的优势,十分适用于边缘计算中资源受限的微型终端设备。传统的信道特征的数据包合法确认方法采用阈值进行判定，识别准确率较低，且不稳定。机器学习与深度学习通过对大量样本的训练，得到分类器，可以有效地提升识别准确率。随着多输入-多输出(MIMO)技术在边缘计算传输中普及，使得一维信道估计向量变为了接收机-信道估计值的二维矩阵样本(称之为信道矩阵)。
某些适用于图像处理中的技术，如卷积神经网络应用于此，可以进一步地提升识别准确率。但接收机数量远小于信道估计向量中元素的数量，且接收机具有一定的独立性(即相邻接收机并不具有更高的相关性)，使得卷积神经网络无法直接应用于此，得到较好的识别结果。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于边缘计算和离散随机卷积的数据包合法性确认方法，解决了卷积神经网络在MIMO信道矩阵中识别效果不够理想的问题。
本发明的目的是通过以下技术方案来实现的：基于边缘计算和离散随机卷积的数据包合法性确认方法，包括以下步骤：
S1.在边缘服务器与多个已知终端设备中预存统一的原始导频信号X(p)；
S2.已知终端设备在发送信号的数据包中按照设定规则插入已知的原始导频信号后，使用单天线或多天线发送给边缘服务器；
S3.边缘服务器使用多天线接收阵列接收已知终端设备发送的数据包，并对每个天线接收到的信号进行导频分离，得到接收到的导频信号矩阵：
Y(p)＝[Y1(p),Y2(p),…,YK(p)]；
S4.边缘服务器计算信道矩阵的估计值
Figure GDA0002381487620000011
Figure GDA0002381487620000012
其中，X(p)-1代表X(p)的逆矩阵；
S5.对于任一已知终端设备，重复步骤S2～S4进行多次数据采样和信道矩阵估计，得到多个信道矩阵的估计值的集合：
Figure GDA0002381487620000021
其中，
Figure GDA0002381487620000022
代表对第m个已知终端设备第n次采样估计得到的信道矩阵；n＝1,2,3,...,N，N表示对终端设备进行数据采集和信道矩阵估计的次数；
S6.对于不同的已知终端设备，重复步骤S2～S5，得到各个已知终端设备的信道矩阵估计的集合S1,S2,…,SM，其中，Sm代表第m个设备的信道矩阵估计的集合，m＝1,2,3,...,M；
S7.根据各已知终端设备的信道矩阵估计集合S1,S2,…,SM，构建训练集合
Figure GDA0002381487620000023
S8.建立卷积核与卷积核移动规则：卷积核在纵向的移动为连续平移，在横向为离散随机跳动：
S801.建立卷积核为M′×N′矩阵，表达为：
CK＝[L1,L2,…,LN′]
其中Ln′为维数为M′的列向量,M′＜M,N′＜N；
S802.卷积核纵向移动规则与传统卷积神经网络相同，为连续平移，步长设为1；
S803.卷积核横向移动规则为离散随机跳动，具体如下：
卷积核初始位置为CK0＝[L1,L2,…,LN′]，传统步长为1的平移后为CK1′＝[L2,L3,…,LN′+1]，可理解为删除第一列，并添加最后一列右侧列；离散随机跳动规则为：删除第一列，并在最后添加除上一步卷积核所包含列外的随机一列，即：
Figure GDA0002381487620000024
S9.根据S8中建立的卷积核和卷积核移动规则，采用卷积神经网络构建神经网络分类器，并利用步骤S7中的训练集合对分类器进行训练，得到成熟的神经网络分类器；
S10.对待验证的终端设备，重复步骤S2～S5，得到待验证终端设备信道矩阵估计的集合Sm′；使用成熟的神经网络分类器对待验证终端设备的信道矩阵进行分类，判断其是否合法，从而实现该设备的数据包合法性确认。
优选地，所述导频信号X(p)为一维列矩阵。
其中，所述步骤S7包括：
对于每个已知终端设备的信道矩阵集合，以对应的终端设备编号为反馈，得到训练集合
Figure GDA0002381487620000031
其中，第m个已知终端设备的信道矩阵集合对应的训练集
Figure GDA0002381487620000032
为：
Figure GDA0002381487620000033
其中，所述步骤S9中，以每个已知终端设备的信道矩阵集合中的每一个样本
Figure GDA0002381487620000034
作为输入，以各样本对应的设备编号m作为输出，对神经网络分类器进行训练，其中m＝1,2,3,...,M，n＝1,2,3,...,N。
其中，所述步骤S10中，将待验证终端设备的信道矩阵估计集合Sm′中任一样本输入成熟的神经网络分类器中，得到分类结果，据此判断待验证终端设备是否合法，从而实现该设备的数据包合法性确认。
本发明的有益效果是：本发明通过离散的卷积神经网络的卷积核，能够随机选择离散的接收天线，使得卷积神经网络可以在接收天线维度上获得足够多的样本特征，提高卷积神经网络构建的分类器在MIMO信道矩阵中识别效果，从而提高识别的准确率。
附图说明
图1为本发明的方法流程图；
图2为实施例中8发8收MIMO信道矩阵波形图；
图3为卷积核离散随机移动规则示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，基于边缘计算和离散随机卷积的数据包合法性确认方法，包括以下步骤：
S1.边缘服务器与各终端根据规定选择统一的导频信号X(p)，其中X(p)为一维列矩阵，在本申请的实施例中，可以采用ZC序列；
S2.终端设备在发送信号的数据包中按照设定规则插入已知的原始导频信号后，使用单天线或多天线发送给边缘服务器，在本申请的实施例中，以发射天线数为8为例；
S3.边缘服务器使用多天线接收阵列接收终端设备发送的数据包，并对每个天线接收到的信号进行导频分离，得到接收到的导频信号矩阵。
Y(p)＝[Y1(p),Y2(p),…,Y8(p)]
在本申请的实施例中，接收天线数为8，如图2所示，为8发8收MIMO信道矩阵波形图。
S4.边缘服务器计算信道矩阵的估计值
Figure GDA0002381487620000041
Figure GDA0002381487620000042
S5.重复S2～S4多次，对同一终端设备进行多次数据采集和信道矩阵估计，得到多个信道矩阵的估计值的集合。在本申请的实施例中，每个设备采样数为1000，则对第一个已知终端设备的信道矩阵估计值的集合为：
Figure GDA0002381487620000043
Figure GDA0002381487620000044
代表第一个设备第n次采样估计得到的信道矩阵，n＝1,2,...,1000；
S6.对于不同的已知终端设备，重复步骤S2～S5，得到各个已知终端设备的信道矩阵估计的集合。在本申请的实施例中，设备数为3，则得到三个直至终端设备的信道矩阵估计值S1,S2,S3，其中：
Figure GDA0002381487620000045
式中，m＝1,2,3；
S7.对每个终端设备的信道矩阵集合，以对应的终端设备编号为反馈，得到训练集合
Figure GDA0002381487620000046
Figure GDA0002381487620000047
根据神经网络训练需求，m可以是十进制数字，二进制数字，或01序列。在本申请的实施例中，m为其设备编号对应的01序列，即：
m1＝[1,0,0]
m2＝[0,1,0]；
m3＝[0,0,1]
S8.建立卷积核与卷积核移动规则：卷积核在纵向的移动为连续平移，在横向为离散随机跳动：
具体包括以下步骤：
S801.建立卷积核为M′×N′矩阵，在本申请的实施例中，卷积核为40×3矩阵，可表达为：
CK＝[L1,L2,L3]
其中Ln′为维数为40的列向量，如图3所示；
S802.卷积核纵向移动规则与传统卷积神经网络相同，为连续平移，步长设为1；
S803.卷积核横向移动规则为离散随机跳动，如图3所示，具体如下：
卷积核初始位置为CK0＝[L1,L2,L3]，离散随机跳动规则为：删除第一列，并在最后添加除上一步卷积核所包含列外的随机一列，即：
Figure GDA0002381487620000051
S9.以信道矩阵
Figure GDA0002381487620000052
为训练样本，编号m为反馈，根据S8构建的卷积核和卷积核移动规则，对卷积神经网络进行训练，得到成熟的的神经网络分类器；
S10.对待验证的终端设备，重复步骤S2～S5，得到待验证终端设备信道矩阵估计的集合Sm′；使用训练好的神经网络分类器对待验证设备的信道矩阵进行分类，判定其所属设备：将待验证终端设备的信道矩阵估计集合Sm′中任一样本输入成熟的神经网络分类器中，得到分类结果，据此判断待验证终端设备是否合法，从而实现该设备的数据包合法性确认,在本申请的实施例中，若神经网络分类器输出的分类结果为已知设备编号，则待验证的终端设备为已知设备，该设备发送的数据包合法，对该设备发送的数据包进行接收；否则，待验证的设备为非法设备，该设备发送的数据包不合法，丢弃该设备发送的数据包。
本发明通过离散的卷积神经网络的卷积核，能够随机选择离散的接收天线，使得卷积神经网络可以在接收天线维度上获得足够多的样本特征，提高卷积神经网络构建的分类器在MIMO信道矩阵中识别效果，从而提高识别的准确率。
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.基于边缘计算和离散随机卷积的数据包合法性确认方法，其特征在于：包括以下步骤：
S1.在边缘服务器与多个已知终端设备中预存统一的原始导频信号X(p)；
S2.已知终端设备在发送信号的数据包中按照设定规则插入已知的原始导频信号后，使用单天线或多天线发送给边缘服务器；
S3.边缘服务器使用多天线接收阵列接收已知终端设备发送的数据包，并对每个天线接收到的信号进行导频分离，得到接收到的导频信号矩阵：
Y(p)＝[Y1(p),Y2(p),…,YK(p)]；
S4.边缘服务器计算信道矩阵的估计值
Figure FDA0002381487610000011
Figure FDA0002381487610000012
其中，X(p)-1代表X(p)的逆矩阵；
S5.对于任一已知终端设备，重复步骤S2～S4进行多次数据采样和信道矩阵估计，得到多个信道矩阵的估计值的集合：
Figure FDA0002381487610000013
其中，
Figure FDA0002381487610000014
代表对第m个已知终端设备第n次采样估计得到的信道矩阵,m＝1,2,3,...,M；n＝1,2,3,...,N，N表示对终端设备进行数据采集和信道矩阵估计的次数；
S6.对于不同的已知终端设备，重复步骤S2～S5，得到各个已知终端设备的信道矩阵估计的集合S1,S2,…,SM，其中，Sm代表第m个设备的信道矩阵估计的集合，m＝1,2,3,...,M；
S7.根据各已知终端设备的信道矩阵估计集合S1,S2,…,SM，构建训练集合
Figure FDA0002381487610000015
S8.建立卷积核与卷积核移动规则：卷积核在纵向的移动为连续平移，在横向为离散随机跳动：
S801.建立卷积核为M′×N′矩阵，表达为：
CK＝[L1,L2,…,LN′]
其中Ln′为维数为M′的列向量,M′＜M,N′＜N；
S802.卷积核纵向移动规则与传统卷积神经网络相同，为连续平移，步长设为1；
S803.卷积核横向移动规则为离散随机跳动，具体如下：
卷积核初始位置为CK0＝[L1,L2,…,LN′]，传统步长为1的平移后为CK1′＝[L2,L3,…,LN′+1]，可理解为删除第一列，并添加最后一列右侧列；离散随机跳动规则为：删除第一列，并在最后添加除上一步卷积核所包含列外的随机一列，即：
Figure FDA0002381487610000021
S9.根据S8中建立的卷积核和卷积核移动规则，采用卷积神经网络构建神经网络分类器，并利用步骤S7中的训练集合对分类器进行训练，得到成熟的神经网络分类器；
S10.对待验证的终端设备，重复步骤S2～S5，得到待验证终端设备信道矩阵估计的集合Sm′；使用成熟的神经网络分类器对待验证终端设备的信道矩阵进行分类，判断其是否合法，从而实现该设备的数据包合法性确认。
2.根据权利要求1所述的基于边缘计算和离散随机卷积的数据包合法性确认方法，其特征在于：所述导频信号X(p)为一维列矩阵。
3.根据权利要求1所述的基于边缘计算和离散随机卷积的数据包合法性确认方法，其特征在于：所述步骤S7包括：
对于每个已知终端设备的信道矩阵集合，以对应的终端设备编号为反馈，得到训练集合
Figure FDA0002381487610000022
其中，第m个已知终端设备的信道矩阵集合对应的训练集
Figure FDA0002381487610000023
为：
Figure FDA0002381487610000024
4.根据权利要求3所述的基于边缘计算和离散随机卷积的数据包合法性确认方法，其特征在于：所述步骤S9中，以每个已知终端设备的信道矩阵集合中的每一个样本
Figure FDA0002381487610000025
作为输入，以各样本对应的设备编号m作为输出，对神经网络分类器进行训练，其中m＝1,2,3,...,M，n＝1,2,3,...,N。
5.根据权利要求3所述的基于边缘计算和离散随机卷积的数据包合法性确认方法，其特征在于：所述步骤S10中，将待验证终端设备的信道矩阵估计集合Sm′中任一样本输入成熟的神经网络分类器中，得到分类结果，据此判断待验证终端设备是否合法，从而实现该设备的数据包合法性确认。
CN201910832461.8A 2019-09-04 2019-09-04 基于边缘计算和离散随机卷积的数据包合法性确认方法 Active CN110536299B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910832461.8A CN110536299B (zh) 2019-09-04 2019-09-04 基于边缘计算和离散随机卷积的数据包合法性确认方法
PCT/CN2019/129458 WO2021042639A1 (zh) 2019-09-04 2019-12-27 基于边缘计算和离散随机卷积的数据包合法性确认方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910832461.8A CN110536299B (zh) 2019-09-04 2019-09-04 基于边缘计算和离散随机卷积的数据包合法性确认方法

Publications (2)

Publication Number Publication Date
CN110536299A CN110536299A (zh) 2019-12-03
CN110536299B true CN110536299B (zh) 2020-04-14

Family

ID=68666842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910832461.8A Active CN110536299B (zh) 2019-09-04 2019-09-04 基于边缘计算和离散随机卷积的数据包合法性确认方法

Country Status (2)

Country Link
CN (1) CN110536299B (zh)
WO (1) WO2021042639A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110536299B (zh) * 2019-09-04 2020-04-14 电子科技大学 基于边缘计算和离散随机卷积的数据包合法性确认方法
CN115022134B (zh) * 2022-06-28 2024-01-30 河南工业大学 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6735719B2 (ja) * 2017-09-29 2020-08-05 Kddi株式会社 ノード装置及びその制御方法、並びにプログラム
CN108012121A (zh) * 2017-12-14 2018-05-08 安徽大学 一种边缘计算和云计算融合的实时视频监控方法及系统
CN108846476A (zh) * 2018-07-13 2018-11-20 电子科技大学 一种基于卷积神经网络的智能终端安全等级分类方法
CN109005538B (zh) * 2018-07-27 2021-03-02 安徽大学 面向无人驾驶车辆与多移动边缘计算服务器间的消息认证方法
CN110007961B (zh) * 2019-02-01 2023-07-18 中山大学 一种基于risc-v的边缘计算硬件架构
CN110139244B (zh) * 2019-04-15 2020-11-24 江苏中达智能交通产业研究院有限公司 一种基于边缘计算中心的v2v安全认证结构及其认证流程
CN110084165B (zh) * 2019-04-19 2020-02-07 山东大学 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN110536299B (zh) * 2019-09-04 2020-04-14 电子科技大学 基于边缘计算和离散随机卷积的数据包合法性确认方法

Also Published As

Publication number Publication date
CN110536299A (zh) 2019-12-03
WO2021042639A1 (zh) 2021-03-11

Similar Documents

Publication Publication Date Title
Ye et al. Deep Learning Based End-to-End Wireless Communication Systems Without Pilots.
CN113507426B (zh) 基于otfs调制的联合信道估计与信号检测方法及装置
CN108387864B (zh) 一种到达角计算方法及装置
CN110536299B (zh) 基于边缘计算和离散随机卷积的数据包合法性确认方法
CN111555992B (zh) 一种基于深度卷积神经网络的大规模多天线信道估计方法
CN108646213B (zh) 一种室内多径环境下直达波aoa判定方法
CN113748614A (zh) 一种信道估计模型训练方法及设备
CN108809460B (zh) 一种稀疏活跃设备检测下的信号辅助信道估计的方法
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN107884751A (zh) 一种利用单通道接收信号作信源数目估计的方法
CN111541632A (zh) 一种基于主成分分析和残差网络的物理层认证方法
CN116192209A (zh) 一种mimo信道下空中计算联邦学习的梯度上传方法
US8842754B2 (en) Process for estimating the channel in a OFDM communication system, and receiver for doing the same
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
CN110944002B (zh) 一种基于指数平均数据增强的物理层认证方法
CN114500322A (zh) 免授权大规模接入场景下设备活跃检测和信道估计方法
CN108566227B (zh) 一种多用户检测方法
KR100934170B1 (ko) 다중 안테나 무선통신 시스템에서 채널 추정 장치 및 방법
CN113037668A (zh) 一种毫米波点对点通信信道均衡方法
CN114826832A (zh) 信道估计方法、神经网络的训练方法及装置、设备
CN114362851B (zh) 一种基于机器学习的无线信道数据去噪方法
CN112566129B (zh) 一种可抗多径干扰的射频指纹提取与识别方法
Kim et al. Partial sample transmission and deep neural decoding for URLLC-based V2X systems
Alrufaiaat et al. A new DOA estimation approach for QPSK Alamouti STBC using ICA technique‐based PSO algorithm
CN106911375A (zh) 低复杂度差分检测方法

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