CN110944002A - 一种基于指数平均数据增强的物理层认证方法 - Google Patents

一种基于指数平均数据增强的物理层认证方法 Download PDF

Info

Publication number
CN110944002A
CN110944002A CN201911240775.5A CN201911240775A CN110944002A CN 110944002 A CN110944002 A CN 110944002A CN 201911240775 A CN201911240775 A CN 201911240775A CN 110944002 A CN110944002 A CN 110944002A
Authority
CN
China
Prior art keywords
channel information
edge computing
sample set
node
physical layer
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
Application number
CN201911240775.5A
Other languages
English (en)
Other versions
CN110944002B (zh
Inventor
宁柏锋
佟强
文红
廖润发
何山
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.)
Shenzhen Power Supply Co ltd
University of Electronic Science and Technology of China
Original Assignee
Shenzhen Power Supply Co ltd
University of Electronic Science and Technology of China
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 Shenzhen Power Supply Co ltd, University of Electronic Science and Technology of China filed Critical Shenzhen Power Supply Co ltd
Priority to CN201911240775.5A priority Critical patent/CN110944002B/zh
Publication of CN110944002A publication Critical patent/CN110944002A/zh
Application granted granted Critical
Publication of CN110944002B publication Critical patent/CN110944002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0807—Network architectures or network communication protocols for network security for authentication of entities using tickets, e.g. Kerberos
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/16—Implementing security features at a particular protocol layer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于指数平均数据增强的物理层认证方法，包括以下步骤：构建第k个已知节点的信道信息数据集；采用指数平均数据增强方法构造一个新的伪信道信息样本；重复上一步骤，得到多个新的伪信道信息样本；将得到的多个伪信道信息样本加入输入样本集中；对平均数据增强后的输入样本集构建标签矩阵作为输出样本集，然后构建新的信道信息数据集；重复上述所有步骤，得到Q个已知节点的训练数据集，加入一个总的训练数据集中；利用总的训练数据集训练分类器模型，完成未知节点的物理层认证。本发明利用指数加权平均的方法从直接提取的信道信息去构造新的信道信息样本，获得更多的训练数据，有利于得到足够的信道信息样本，提高认证的准确率。

Description

一种基于指数平均数据增强的物理层认证方法
技术领域
本发明涉及边缘计算安全认证接入，特别是涉及一种基于指数平均数据增强的物理层认证方法。
背景技术
物理层认证方法因其采用两个实体间的物理信道信息，而具有不可克隆的高安全无线认证方法，同时物理层认证也是一种非对称的认证方法，在主机对节点的认证中，可以直接在主机对接收到的来自节点的信息包的信道信息进行抽取、进而识别，节点几乎可以不做任何计算和存储，其对节点来说是一种轻量级的认证方法，在一些特点的场景，例如，边缘计算系统尤其适用。
边缘计算以其近节点部署，物联接近物联网节点的特点，克服了云计算中心的长距离传输延迟、计算负载、减缓了网络拥塞，将原有的云计算模型的部分或者全部计算任务迁移到网络边缘设备上，使得物联网在匹配海量边缘数据、实时性、隐私保护、能耗等主要方面更能满足需求。但是边缘计算靠近众多节点，节点受部署在各种不同的应用场景下，是收集执行系统的数据或者执行命令的终端，其因分布广泛极易受到攻击，又因为能量和计算存储受到限制，节点安全防范比较薄弱，这使得边缘计算节点面临着一系列的安全挑战。
然后边缘计算近节点部署，节点信息包通常直接与边缘计算侧进行通信，使得边缘计算侧可以很好地直接提取节点通信信息包的信道信息，边缘计算侧的计算资源也为物理层认证提供了计算支撑，使得机器学习等复杂的方法可以用以改进物理层认证的认证率，实现高安全认证。
物理层认证方法利用无线信道信息的空时唯一性，通过比较连续帧之间的信道信息相似性来判断用户身份，在实际应用中，信道信息数据获取的有限性，使得特征提取中对数据量有一定要求时，会比较费时，如果数据量不足也会导致认证准确性低，从而影响认证准确率。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于指数平均数据增强的物理层认证方法，利用指数加权平均的方法从直接提取的信道信息去构造新的信道信息样本，以获得更多的训练数据，有利于获得足够的信道信息样本，提高认证的准确率。
本发明的目的是通过以下技术方案来实现的：一种基于指数平均数据增强的物理层认证方法，包括以下步骤：
S1.边缘计算设备根据第k个已知节点的信道信息和标签，构建第k个已知节点的信道信息数据集Dk：
Dk＝{Xk,Yk}
其中，Xk为输入样本集，Yk为输出样本集：
Figure BDA0002306162780000021
Figure BDA0002306162780000022
式中，k＝1,2,...Q，Q表示已知节点的总数目；
Figure BDA0002306162780000023
表示在t时隙上第k个已知节点的信道信息向量，Nk表示第k个已知节点时隙总数；Yk中包含Nk个相同Ik，其中Ik表示第k个已知节点的标签；
S2.边缘计算设备根据输入样本集Xk中的第n个数据
Figure BDA0002306162780000024
采用指数平均数据增强方法构造一个新的伪信道信息样本
Figure BDA0002306162780000025
Figure BDA0002306162780000026
其中，
Figure BDA0002306162780000027
β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大；
Figure BDA0002306162780000028
为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；
S3.边缘计算设备在n＝1,2,...,Mk时，重复步骤S2，得到Mk个新的伪信道信息样本：
Figure BDA0002306162780000029
其中，1≤Mk≤Nk；
S4.边缘计算设备将得到的Mk个新的伪信道信息样本
Figure BDA00023061627800000210
加入输入样本集Xk，得到平均数据增强后的输入样本集
Figure BDA00023061627800000211
为：
Figure BDA00023061627800000212
该输入样本集
Figure BDA00023061627800000213
中共包含Mk+Nk个样本；
S5.边缘计算设备对平均数据增强后的输入样本集
Figure BDA00023061627800000214
构建标签矩阵作为输出样本集
Figure BDA00023061627800000215
Figure BDA00023061627800000216
Figure BDA0002306162780000031
中包含Mk+Nk个相同Ik，其中Ik表示第k个已知节点的标签；
然后构建新的信道信息数据集
Figure BDA0002306162780000032
作为第k个已知节点训练数据集：
Figure BDA0002306162780000033
S6.在k＝1,2,...Q时，重复步骤S1～S5，得到Q个已知节点的训练数据集
Figure BDA0002306162780000034
边缘计算设备将Q个已知节点的训练数据集
Figure BDA0002306162780000035
加入到一个总的训练数据集D中；
S7.边缘计算设备构建基于识别算法的分类器模型，并利用总的训练数据集D对生成的分类器模型进行训练，得到成熟的分类器模型，并利用成熟的分类器模型完成未知节点的物理层认证。
本发明的有益效果是：本发明利用指数加权平均的方法从直接提取的信道信息去构造新的信道信息样本，以获得更多的训练数据，有利于获得足够的信道信息样本，提高认证的准确率。
附图说明
图1为本发明的方法流程图。
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。
本发明是对基于机器学习、深度学习下的物理层认证方法的改进，目前基于机器学习、深度学习下的物理层认证方法的模型训练和认证中，都是直接采用从解调的同步头中通过信道估计提取信道信息，然后对这些提取的信道信息打标签用于模型训练，这样获得的信道信息特征数据不足，会导致认证准确性低，从而影响认证准确率。本发明是利用指数加权平均的方法从直接提取的信道信息去构造新的信道信息样本，以获得更多的训练数据，具体地，
如图1所示，一种基于指数平均数据增强的物理层认证方法，包括以下步骤：
S1.边缘计算设备根据第k个已知节点的信道信息和标签，构建第k个已知节点的信道信息数据集Dk：
Dk＝{Xk,Yk}
其中，Xk为输入样本集，Yk为输出样本集：
Figure BDA0002306162780000036
Figure BDA0002306162780000037
式中，k＝1,2,...Q，Q表示已知节点的总数目；
Figure BDA0002306162780000041
表示在t时隙上第k个已知节点的信道信息向量，Nk表示第k个已知节点时隙总数；Yk中包含Nk个相同Ik，其中Ik表示第k个已知节点的标签；在本申请的实施例中，所述的标签采用节点编号；
S2.边缘计算设备根据输入样本集Xk中的第n个数据
Figure BDA0002306162780000042
采用指数平均数据增强方法构造一个新的伪信道信息样本
Figure BDA0002306162780000043
Figure BDA0002306162780000044
其中，
Figure BDA0002306162780000045
β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大，例如，β＝0.9表示新构造的伪信道信息主要受其前面10个(即，1/1-β＝10信道信息向量的影响(而再之前的信道信息，由于其加权系数太小可忽略不计)，β＝0.99表示新的信道信息向量主要受其前面的100个信道信息向量的影响；
Figure BDA0002306162780000046
为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；
S3.边缘计算设备在n＝1,2,...,Mk时，重复步骤S2，得到Mk个新的伪信道信息样本：
Figure BDA0002306162780000047
其中，1≤Mk≤Nk；
S4.边缘计算设备将得到的Mk个新的伪信道信息样本
Figure BDA0002306162780000048
加入输入样本集Xk，得到平均数据增强后的输入样本集
Figure BDA0002306162780000049
为：
Figure BDA00023061627800000410
该输入样本集
Figure BDA00023061627800000411
中共包含Mk+Nk个样本；
S5.边缘计算设备对平均数据增强后的输入样本集
Figure BDA00023061627800000412
构建标签矩阵作为输出样本集
Figure BDA00023061627800000413
Figure BDA00023061627800000414
Figure BDA00023061627800000415
中包含Mk+Nk个相同Ik，其中Ik表示第k个已知节点的标签；
然后构建新的信道信息数据集
Figure BDA0002306162780000051
作为第k个已知节点训练数据集：
Figure BDA0002306162780000052
S6.在k＝1,2,...Q时，重复步骤S1～S5，得到Q个已知节点的训练数据集
Figure BDA0002306162780000053
边缘计算设备将Q个已知节点的训练数据集
Figure BDA0002306162780000054
加入到一个总的训练数据集D中；
S7.边缘计算设备构建基于识别算法的分类器模型，并利用总的训练数据集D对生成的分类器模型进行训练，得到成熟的分类器模型，并利用成熟的分类器模型完成未知节点的物理层认证。
在本申请的实施例中，可以在利用总的训练数据集中所有样本对分类器模型进行训练后，就认为得到了成熟的分类器模型，训练停止；也可以将总的训练数据集划分为训练集合测试集；利用训练集中的数据进行训练，并利用测试集中的数据对模型进行测试，当模型输出参数的误差小于设定阈值时，即可认为得到了成熟的分类器模型，训练停止。
所述步骤S1包括以下子步骤：
S101.边缘计算设备接收来自第k个已知节点的信号后，提取各个时隙中第k个已知节点的信道信息向量，获得第k个已知节点的信道信息矩阵Xk：
Figure BDA0002306162780000055
其中，k＝1,2,...Q，Q表示已知节点的总数目；
Figure BDA0002306162780000056
表示在t时隙上第k个已知节点的信道信息向量，Nk表示第k个已知节点的信道信息个数，也就是时隙总数；
S102.边缘计算设备构建输出样本Yk：
Figure BDA0002306162780000057
即输出样本Yk中包含Nk个相同Ik，其中Ik表示第k个已知节点的标签；
S103.边缘计算设备将Xk作为输入样本，Yk作为输出样本，构建第k个已知节点的信道信息数据集Dk：
Dk＝{Xk,Yk}。
在本申请的实施例中，边缘计算设备采集信道信息的方法可以是最小均方误差(MMSE)，最小二乘(LS)等信道估计方法，也可以是这些方法的改进信道估计方法。
在本申请的实施例中，步骤S7的识别算法包括但不限于机器类学习算法或深度神经网络学习算法；考虑到深度神经网络具有出色的拟合和分类能力，因此使用深度神经网络进行物理层认证具有好的性能,故本申请在实际实施过程中采用深度神经网络。但是，当数据集相对较小时，深度神经网络有其局限性，对无线信道信息的时间相关性要求，或一些其他的限制性要求，无法获取比较大的信道样本集。那么，在相关时间内从收集信道响应中获取足够的数据集非常重要的情况下，指数平均数据增强可以通过一些现有数据的相关性特性，从现有数据集中重新生成伪数据集，这是扩展有限训练数据集以实现神经网络训练，提高认证率的有效方式；
在本申请的实施例中，所述步骤S7中对未知节点进行物理层认证的过程包括：
S701.边缘计算设备接收来自未知节点l的信号，提取各个时隙中未知节点l的信道信息向量，获得未知节点l的信道信息矩阵Xl：
Figure BDA0002306162780000061
Figure BDA0002306162780000062
表示在t时隙上未知节点l的信道信息向量，Nl表示未知节点l时隙总数；
S702.边缘计算设备根据输入样本集Xl中的第n个数据
Figure BDA0002306162780000063
采用指数平均数据增强方法构造一个新的伪信道信息样本
Figure BDA0002306162780000064
Figure BDA0002306162780000065
其中，
Figure BDA0002306162780000066
β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大；
Figure BDA0002306162780000067
为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；
S703.边缘计算设备在n＝1,2,...,Ml时，重复步骤S702，得到Ml个新的伪信道信息样本：
Figure BDA0002306162780000068
其中，1≤Ml≤Nl；
S704.边缘计算设备将得到的Ml个新的伪信道信息样本
Figure BDA0002306162780000069
加入输入样本集Xl，得到平均数据增强后的输入样本集
Figure BDA00023061627800000610
为：
Figure BDA00023061627800000611
该输入样本集
Figure BDA00023061627800000612
中共包含Ml+Nl个样本；一般情况下，Ml与Mk相等，Nl与Nk相等。
S705.边缘计算设备将输入样本集
Figure BDA0002306162780000071
输入到成熟的分类器模型中，根据成熟的分类器模型输出结果是实现未知节点l的物理层认证；在该实施例中，可以将输入样本集
Figure BDA0002306162780000072
中的任一样本输入成熟的分类器模型中，若成熟的分类器模型输出的信息为已知节点的标签，则未知节点l合法，物理层认证通过，否则，物理层认证不通过；在该实施例中，还可以将输入样本集
Figure BDA0002306162780000073
中的每一样本分别送入成熟的分类器模型中，统计成熟的分类器输出次数最多的输出信息，该信息若为已知节点的标签，则未知节点l合法，物理层认证通过，否则，物理层认证不通过。
综上，本发明利用指数加权平均的方法从直接提取的信道信息去构造新的信道信息样本，以获得更多的训练数据，有利于获得足够的信道信息样本，提高认证的准确率。
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 (4)

1.一种基于指数平均数据增强的物理层认证方法，其特征在于：包括以下步骤：
S1.边缘计算设备根据第k个已知节点的信道信息和标签，构建第k个已知节点的信道信息数据集Dk：
Dk＝{Xk,Yk}
其中，Xk为输入样本集，Yk为输出样本集：
Figure FDA0002306162770000011
Figure FDA0002306162770000012
式中，k＝1,2,...Q，Q表示已知节点的总数目；
Figure FDA0002306162770000013
表示在t时隙上第k个已知节点的信道信息向量，Nk表示第k个已知节点时隙总数；Yk中包含Nk个相同Ik，其中Ik表示第k个已知节点的标签；
S2.边缘计算设备根据输入样本集Xk中的第n个数据
Figure FDA0002306162770000014
采用指数平均数据增强方法构造一个新的伪信道信息样本
Figure FDA0002306162770000015
Figure FDA0002306162770000016
其中，
Figure FDA0002306162770000017
β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大；
Figure FDA0002306162770000018
为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；
S3.边缘计算设备在n＝1,2,...,Mk时，重复步骤S2，得到Mk个新的伪信道信息样本：
Figure FDA0002306162770000019
其中，1≤Mk≤Nk；
S4.边缘计算设备将得到的Mk个新的伪信道信息样本
Figure FDA00023061627700000110
加入输入样本集Xk，得到平均数据增强后的输入样本集
Figure FDA00023061627700000111
为：
Figure FDA00023061627700000112
该输入样本集
Figure FDA00023061627700000113
中共包含Mk+Nk个样本；
S5.边缘计算设备对平均数据增强后的输入样本集
Figure FDA00023061627700000114
构建标签矩阵作为输出样本集
Figure FDA00023061627700000115
Figure FDA0002306162770000021
Figure FDA0002306162770000022
中包含Mk+Nk个相同Ik，其中Ik表示第k个已知节点的标签；
然后构建新的信道信息数据集
Figure FDA0002306162770000023
作为第k个已知节点训练数据集：
Figure FDA0002306162770000024
S6.在k＝1,2,...Q时，重复步骤S1～S5，得到Q个已知节点的训练数据集
Figure FDA0002306162770000025
边缘计算设备将Q个已知节点的训练数据集
Figure FDA0002306162770000026
加入到一个总的训练数据集D中；
S7.边缘计算设备构建基于识别算法的分类器模型，并利用总的训练数据集D对生成的分类器模型进行训练，得到成熟的分类器模型，并利用成熟的分类器模型完成未知节点的物理层认证。
2.根据权利要求1所述的一种基于指数平均数据增强的物理层认证方法，其特征在于：所述步骤S1包括以下子步骤：
S101.边缘计算设备接收来自第k个已知节点的信号后，提取各个时隙中第k个已知节点的信道信息向量，获得第k个已知节点的信道信息矩阵Xk：
Figure FDA0002306162770000027
其中，k＝1,2,...Q，Q表示已知节点的总数目；
Figure FDA0002306162770000028
表示在t时隙上第k个已知节点的信道信息向量，Nk表示第k个已知节点的信道信息个数，也就是时隙总数；
S102.边缘计算设备构建输出样本Yk：
Figure FDA0002306162770000029
即输出样本Yk中包含Nk个相同Ik，其中Ik表示第k个已知节点的标签；
S103.边缘计算设备将Xk作为输入样本，Yk作为输出样本，构建第k个已知节点的信道信息数据集Dk：
Dk＝{Xk,Yk}。
3.根据权利要求1所述的一种基于指数平均数据增强的物理层认证方法，其特征在于：步骤S7的识别算法包括但不限于机器类学习算法或深度神经网络学习算法。
4.根据权利要求1所述的一种基于指数平均数据增强的物理层认证方法，其特征在于：所述步骤S7中对未知节点进行物理层认证的过程包括：
S701.边缘计算设备接收来自未知节点l的信号，提取各个时隙中未知节点l的信道信息向量，获得未知节点l的信道信息矩阵Xl：
Figure FDA0002306162770000031
Figure FDA0002306162770000032
表示在t时隙上未知节点l的信道信息向量，Nl表示未知节点l时隙总数；
S702.边缘计算设备根据输入样本集Xl中的第n个数据
Figure FDA0002306162770000033
采用指数平均数据增强方法构造一个新的伪信道信息样本
Figure FDA0002306162770000034
Figure FDA0002306162770000035
其中，
Figure FDA0002306162770000036
β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大；
Figure FDA0002306162770000037
为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；
S703.边缘计算设备在n＝1,2,...,Ml时，重复步骤S702，得到Ml个新的伪信道信息样本：
Figure FDA0002306162770000038
其中，1≤Ml≤Nl；
S704.边缘计算设备将得到的Ml个新的伪信道信息样本
Figure FDA0002306162770000039
加入输入样本集Xl，得到平均数据增强后的输入样本集
Figure FDA00023061627700000310
为：
Figure FDA00023061627700000311
该输入样本集
Figure FDA00023061627700000312
中共包含Ml+Nl个样本；
S705.边缘计算设备将输入样本集
Figure FDA00023061627700000313
输入到成熟的分类器模型中，根据成熟的分类器模型输出结果是实现未知节点l的物理层认证。
CN201911240775.5A 2019-12-06 2019-12-06 一种基于指数平均数据增强的物理层认证方法 Active CN110944002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911240775.5A CN110944002B (zh) 2019-12-06 2019-12-06 一种基于指数平均数据增强的物理层认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911240775.5A CN110944002B (zh) 2019-12-06 2019-12-06 一种基于指数平均数据增强的物理层认证方法

Publications (2)

Publication Number Publication Date
CN110944002A true CN110944002A (zh) 2020-03-31
CN110944002B CN110944002B (zh) 2020-08-21

Family

ID=69909693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911240775.5A Active CN110944002B (zh) 2019-12-06 2019-12-06 一种基于指数平均数据增强的物理层认证方法

Country Status (1)

Country Link
CN (1) CN110944002B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113784349A (zh) * 2021-11-09 2021-12-10 电子科技大学 5g边缘计算下基于深度学习的提高安全认证的方法
CN114501446A (zh) * 2022-01-17 2022-05-13 河北大学 动态工业场景下基于PU bagging策略的物理层认证方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100246825A1 (en) * 2007-09-07 2010-09-30 University Of Maryland Wireless communication method and system for transmission authentication at the physical layer
CN108304877A (zh) * 2018-02-02 2018-07-20 电子科技大学 一种基于机器学习的物理层信道认证方法
CN108566642A (zh) * 2018-03-22 2018-09-21 成都阿莱夫信息技术有限公司 一种基于机器学习的二维联合特征认证方法
CN108718292A (zh) * 2018-03-29 2018-10-30 南京邮电大学 一种无线通信物理层认证方法
CN108924836A (zh) * 2018-07-04 2018-11-30 南方电网科学研究院有限责任公司 一种基于深度神经网络的边缘侧物理层信道认证方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100246825A1 (en) * 2007-09-07 2010-09-30 University Of Maryland Wireless communication method and system for transmission authentication at the physical layer
CN108304877A (zh) * 2018-02-02 2018-07-20 电子科技大学 一种基于机器学习的物理层信道认证方法
CN108566642A (zh) * 2018-03-22 2018-09-21 成都阿莱夫信息技术有限公司 一种基于机器学习的二维联合特征认证方法
CN108718292A (zh) * 2018-03-29 2018-10-30 南京邮电大学 一种无线通信物理层认证方法
CN108924836A (zh) * 2018-07-04 2018-11-30 南方电网科学研究院有限责任公司 一种基于深度神经网络的边缘侧物理层信道认证方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
R. LIAO ET AL: ""Multiuser Physical Layer Authentication in Internet of Things With Data Augmentation"", 《IEEE INTERNET OF THINGS JOURNAL》 *
廖润发: ""基于无线信道特征和智能算法的物理层安全技术研究"", 《中国博士学位论文全文数据库（电子期刊）信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113784349A (zh) * 2021-11-09 2021-12-10 电子科技大学 5g边缘计算下基于深度学习的提高安全认证的方法
CN114501446A (zh) * 2022-01-17 2022-05-13 河北大学 动态工业场景下基于PU bagging策略的物理层认证方法
CN114501446B (zh) * 2022-01-17 2023-07-25 河北大学 动态工业场景下基于PU bagging策略的物理层认证方法

Also Published As

Publication number Publication date
CN110944002B (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN108304877A (zh) 一种基于机器学习的物理层信道认证方法
Li et al. Spatio-temporal representation with deep neural recurrent network in MIMO CSI feedback
WO2018176889A1 (zh) 一种数字通信信号调制方式自动识别方法
CN110012029B (zh) 一种区分加密和非加密压缩流量的方法和系统
CN108932535B (zh) 一种基于机器学习的边缘计算克隆节点识别方法
CN109617843B (zh) 一种基于knn的弹性光网络调制格式识别方法
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN113572708B (zh) 一种dft信道估计改进方法
CN110944002B (zh) 一种基于指数平均数据增强的物理层认证方法
Wang et al. Sparse Bayesian learning based user detection and channel estimation for SCMA uplink systems
CN108960138A (zh) 一种基于卷积神经网络的设备认证特征识别方法
CN110149342B (zh) 一种联合门限与机器学习的边缘设备物理层认证方法
CN108683526B (zh) 一种识别竞争类mac协议的方法
CN112688772B (zh) 一种机器学习叠加训练序列帧同步方法
Tsai et al. Refined autoencoder-based CSI hidden feature extraction for indoor spot localization
Struminsky et al. A new approach for sparse Bayesian channel estimation in SCMA uplink systems
Wang et al. Compressive sensing based user activity detection and channel estimation in uplink NOMA systems
Zhang et al. Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding
Wang et al. A cooperative spectrum sensing method based on signal decomposition and K-medoids algorithm
CN112383488B (zh) 一种适用于加密与非加密数据流的内容识别方法
Wang et al. User detection and channel estimation for SCMA uplink system in dispersive channel
CN114978593B (zh) 基于图匹配的不同网络环境的加密流量分类方法及系统
CN114866301B (zh) 基于直推图的加密流量识别与分类方法及系统
CN110912906B (zh) 一种边缘计算恶意节点识别方法
CN115052288A (zh) 一种基于深度学习的多用户物理层认证方法

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