CN111262803A - 一种基于深度学习的物理层安全通信方法、装置及系统 - Google Patents
一种基于深度学习的物理层安全通信方法、装置及系统 Download PDFInfo
- Publication number
- CN111262803A CN111262803A CN202010145364.4A CN202010145364A CN111262803A CN 111262803 A CN111262803 A CN 111262803A CN 202010145364 A CN202010145364 A CN 202010145364A CN 111262803 A CN111262803 A CN 111262803A
- Authority
- CN
- China
- Prior art keywords
- matrix
- deep learning
- state information
- channel state
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于深度学习的物理层安全通信方法、装置及系统,包括波束成形矩阵生成模块、信道估计模块、深度学习模块;深度学习模块,用于采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;利用所述深度学习模型对所述非理想信道状态信息进行校准;所述波束成形矩阵生成模块,用于计算窃听用户的信道衰落矩阵的自相关矩阵;对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵;本发明技术方案能够提升合法用户的信道质量,从而提升系统的安全容量。
Description
技术领域
本发明涉及无线通信技术领域,尤其是涉及一种基于深度学习的物理层安全通信方法、装置及系统。
背景技术
目前,随着无线通信业务的蓬勃发展,无线通信系统面临的干扰日益严重。现有技术大多假设发送端能够准确获知信道状态信息CSI(channnelstate information)。但是,事实上无线信道具有快速时变性。在真实的通信系统中,信道状态信息通常需要经过接收端估计,再将估计得到的信道状态信息反馈到发送端。由于信道估计误差和反馈延迟等原因的影响,发送端能够获得的信道状态信息往往并不准确,因此发送端信道状态信息是非理想的,即非理想信道状态信息。
现有技术公开了在非理想信道状态信息条件下,通过广播机制提升安全通信容量的方法,但是,该方法只能被动地回避非理想信道状态信息对物理层安全通信的影响作用,无法主动提升安全通信容量。
发明内容
针对上述技术问题,本发明提供了一种基于深度学习的物理层安全通信方法、装置及系统,能够提升合法用户的信道质量,从而提升系统的安全容量。所述技术方案如下:
第一方面,本发明实施例提供了一种基于深度学习的物理层安全通信方法,步骤包括:
接收导频信号,并通过信道估计得到非理想信道状态信息;
采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;
利用所述深度学习模型对所述非理想信道状态信息进行校准;
基于经过校准的非理想信道状态信息,接收多天线接收信号及波束成形矩阵并解析得到原始信息。
在本发明第一方面的第一种可能的实现方式中,所述的基于深度学习的物理层安全通信方法,步骤包括:
将所有原始信息与经过校准的非理想信道状态信息进行匹配,以获得各个原始信息的似然比,并选择最大似然比的原始信息作为最终输出。
在本发明第一方面的第二种可能的实现方式中,所述选择最大似然比的原始信息作为最终输出,具体为:
第二方面,本发明实施例提供了一种基于深度学习的物理层安全通信装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的基于深度学习的物理层安全通信方法。
第三方面,本发明实施例提供了一种基于深度学习的物理层安全通信方法,步骤包括:
计算窃听用户的信道衰落矩阵的自相关矩阵;
对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;
对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵;
将所述波束成形矩阵发送给接收机,以获得原始信息。
在本发明第三方面的第一种可能的实现方式中,所述自相关矩阵等于所述窃听用户的信道衰落矩阵与窃听用户的信道衰落矩阵的共轭转置矩阵的乘积。
在本发明第三方面的第二种可能的实现方式中,所述对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵,具体为:
截取特征值矩阵中的前若干个向量,截取向量的数目为发射机天线数与窃听用户天线数之差。
第四方面,本发明实施例提供了一种基于深度学习的物理层安全通信装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如第二方面所述的基于深度学习的物理层安全通信方法。
第五方面,本发明实施例提供了一种基于深度学习的物理层安全通信系统,包括发射机和接收机;其中,接收机包括合法用户接收机和窃听用户接收机;
所述发射机,用于将波束成形矩阵发送给合法用户接收机;所述发射机还包括波束成形矩阵生成模块;
所述波束成形矩阵生成模块用于:
计算窃听用户的信道衰落矩阵的自相关矩阵;
对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;
对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵;
所述合法用户接收机,用于基于经过校准的非理想信道状态信息,接收多天线接收信号及波束成形矩阵并解析得到原始信息;
所述合法用户接收机,还包括:
信道估计模块,用于接收导频信号,并通过信道估计得到非理想信道状态信息;
深度学习模块,用于采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;利用所述深度学习模型对所述非理想信道状态信息进行校准。
在本发明第五方面的第一种可能的实现方式中,所述的基于深度学习的物理层安全通信系统,还包括:
最大似然检测模块,用于将所有原始信息与经过校准的非理想信道状态信息进行匹配,以获得各个原始信息的似然比,并选择最大似然比的原始信息作为最终输出。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供一种基于深度学习的物理层安全通信方法、装置及系统,利用信道估计算法,根据接收到的导频信号估算出非理想信道状态信息,基于深度学习技术,通过大量信道参数数据训练深度学习模型,并且利用经过训练的深度学习模型,对非理想信道状态信息进行校正,从而直接、有效地提高合法用户的信道质量,进而提升系统的安全容量。
同时,采用零空间波束成形算法,使得窃听用户等效信道矩阵为全零矩阵,即窃听用户信道容量为零,完全抑制窃听用户信道容量,阻止窃听用户占用通信信道,从而实现物理层安全通信同时提高合法用户的信道质量,进而提升系统的安全容量。
附图说明
图1是本发明实施例中的一种基于深度学习的物理层安全通信系统的示意图;
图2是本发明实施例中的一种基于深度学习的物理层安全通信系统的具体运行流程图;
图3是本发明实施例中的一种基于深度学习的物理层安全通信方法的第一流程图;
图4是本发明实施例中的一种基于深度学习的物理层安全通信方法的第二流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,一种基于深度学习的物理层安全通信系统,包括发射机和接收机;其中,接收机包括合法用户接收机和窃听用户接收机;
可以理解的是,所述基于深度学习的物理层安全通信系统,由发射机和接收机组成;其中,接收机包括合法用户接收机和窃听用户接收机;发射机向接收机通过无线信道传输信号,接收机根据根据传输信号还原得到发射机所要传达的原始信息;由于无线通信系统的开放性,存在窃听用户可以截获无线信号并进行窃听。
所述发射机,用于将波束成形矩阵发送给合法用户接收机;所述发射机还包括波束成形矩阵生成模块;
所述波束成形矩阵生成模块用于:
计算窃听用户的信道衰落矩阵的自相关矩阵;
其中,所述自相关矩阵等于所述窃听用户的信道衰落矩阵与窃听用户的信道衰落矩阵的共轭转置矩阵的乘积;
可以理解的是,在无线通信系统中,发射机和接收机之间的传播路径是非常复杂的,并且具有极度的时变随机性,特别难以分析,为此,人们建立了多种数学及实验模型来分析无线信道对电信号所引起的衰落特性。对于多天线的通信系统,利用信道衰落矩阵描述通信信号的衰落特性。
对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;可以理解的是,自相关矩阵分解后,获得特征值及其对应的特征值向量,特征值按绝对值升序排序得到特征值矩阵;
对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵。
其中,截取特征值矩阵中的前若干个向量,截取向量的数目为发射机天线数与窃听用户天线数之差。
本实施例由于采用了零空间波束成形算法,使得窃听用户等效信道矩阵为全零矩阵,即窃听用户信道容量为零,完全抑制窃听用户信道容量,阻止窃听用户占用通信信道,从而实现物理层安全通信同时提高合法用户的信道质量。
所述合法用户接收机,用于基于经过校准的非理想信道状态信息,接收多天线接收信号及波束成形矩阵并解析得到原始信息;
所述合法用户接收机,还包括:
信道估计模块,用于接收导频信号,并通过信道估计得到非理想信道状态信息;
可以理解的是,所述信道估计,可采用ZF信道估计或MMSE信道估计算法从接收数据中将信道模型的模型参数估计出来;非理想信道状态信息,如信道的阶数、多普勒频移和多径时延或者信道的冲激响应等参数。
深度学习模块,用于采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;利用所述深度学习模型对所述非理想信道状态信息进行校准。
可以理解的是,对接收信号进行处理,通过对多天线阵元接收到的各路信号进行加权合成,形成所需的理想信号。
例如,发射机给接收机周期性发送信号,接收机将信道状态信息反馈给接收机,于是接收机可根据信道状态发送导向数据包给接收机。
在本实施例中,深度学习模型的实现框架可采用一般的卷积神经网络(CNN)或者全连接神经网络(DNN)方法,模型的深度可根据训练目标进行适当配置,一般配置值为5-8层。以及,模型训练的损失函数为均方差损失函数,训练方法采用传统的梯度优化算法。
本发明还提供一种实施例,所述的基于深度学习的物理层安全通信系统,包括:
最大似然检测模块,用于将所有原始信息与经过校准的非理想信道状态信息进行匹配,以获得各个原始信息的似然比,并选择最大似然比的原始信息作为最终输出。
在本实施例中,通过似然比检验方法评估深度学习模型的合理性,根据似然比函数计算结果进一步优化深度学习模型,从而提高校准非理想信道状态信息的能力。
请参见图2,上述实施例的具体实施方式,在多天线的通信系统中,发射机和合法用户接收机、窃听用户接收机均配置为多天线,其中发射机的天线数目为NM,合法用户接收机的天线数目为NR,窃听用户接收机的天线数目为NE。假设发射机到合法用户接收机的信道矩阵为HUM,发射机到窃听用户接收机的信道矩阵为HFM。
自相关矩阵分解获得特征值及其对应的特征值向量表示为:
其中,v表示特征值向量;
B为发射机的波束成形矩阵。
采用传统的信道估计算法,合法用户通过导频信号对信道衰落矩阵进行估计。由于无线信道畸变或者热噪声的影响,信道估计存在着一定的误差,即为非理想信道状态信息,用合法用户的无线信道衰落矩阵表示为经过深度学习模型进行学习,输出校准的非理想信道状态信息,可表示为经过校准的非理想信道状态信息以及多天线接收信号y,和波束成形矩阵B,输入到最大似然检测模块(MLD),可得到原始信息。
本发明提供一种基于深度学习的物理层安全通信方法、装置及系统,利用信道估计算法,根据接收到的导频信号估算出非理想信道状态信息,基于深度学习技术,通过大量信道参数数据训练深度学习模型,并且利用经过训练的深度学习模型,对非理想信道状态信息进行校正,从而直接、有效地提高合法用户的信道质量,进而提升系统的安全容量。
同时,采用零空间波束成形算法,使得窃听用户等效信道矩阵为全零矩阵,即窃听用户信道容量为零,完全抑制窃听用户信道容量,阻止窃听用户占用通信信道,从而实现物理层安全通信同时提高合法用户的信道质量,进而提升系统的安全容量。
请参见图3,本发明还提供一种实施例,一种基于深度学习的物理层安全通信方法,步骤包括:
S101、计算窃听用户的信道衰落矩阵的自相关矩阵;
其中,所述自相关矩阵等于所述窃听用户的信道衰落矩阵与窃听用户的信道衰落矩阵的共轭转置矩阵的乘积;
可以理解的是,在无线通信系统中,发射机和接收机之间的传播路径是非常复杂的,并且具有极度的时变随机性,特别难以分析,为此,人们建立了多种数学及实验模型来分析无线信道对电信号所引起的衰落特性。对于多天线的通信系统,利用信道衰落矩阵描述通信信号的衰落特性。
S102、对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;可以理解的是,自相关矩阵分解后,获得特征值及其对应的特征值向量,特征值按绝对值升序排序得到特征值矩阵;
S103、对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵;
S104、将所述波束成形矩阵发送给接收机,以获得原始信息。
其中,截取特征值矩阵中的前若干个向量,截取向量的数目为发射机天线数与窃听用户天线数之差。
自相关矩阵分解获得特征值及其对应的特征值向量表示为:
其中,v表示特征值向量;
B为发射机的波束成形矩阵。
本实施例由于采用了零空间波束成形算法,使得窃听用户等效信道矩阵为全零矩阵,即窃听用户信道容量为零,完全抑制窃听用户信道容量,阻止窃听用户占用通信信道,从而实现物理层安全通信同时提高合法用户的信道质量。
本发明提供一种基于深度学习的物理层安全通信装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述基于深度学习的物理层安全通信方法。
请参见图4,本发明还提供一种实施例,一种基于深度学习的物理层安全通信方法,步骤包括:
S201、接收导频信号,并通过信道估计得到非理想信道状态信息;
可以理解的是,所述信道估计,可采用ZF信道估计或MMSE信道估计算法从接收数据中将信道模型的模型参数估计出来;非理想信道状态信息,如信道的阶数、多普勒频移和多径时延或者信道的冲激响应等参数。
S202、采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;
S203、利用所述深度学习模型对所述非理想信道状态信息进行校准;
S204、基于经过校准的非理想信道状态信息,接收多天线接收信号及波束成形矩阵并解析得到原始信息。
可以理解的是,对接收信号进行处理,通过对多天线阵元接收到的各路信号进行加权合成,形成所需的理想信号。
例如,发射机给接收机周期性发送信号,接收机将信道状态信息反馈给接收机,于是接收机可根据信道状态发送导向数据包给接收机。
在本实施例中,深度学习模型的实现框架可采用一般的卷积神经网络(CNN)或者全连接神经网络(DNN)方法,模型的深度可根据训练目标进行适当配置,一般配置值为5-8层。以及,模型训练的损失函数为均方差损失函数,训练方法采用传统的梯度优化算法。
本发明还提供一种实施例,所述的基于深度学习的物理层安全通信方法,步骤包括:
将所有原始信息与经过校准的非理想信道状态信息进行匹配,以获得各个原始信息的似然比,并选择最大似然比的原始信息作为最终输出。
在本实施例中,通过似然比检验方法评估深度学习模型的合理性,根据似然比函数计算结果进一步优化深度学习模型,从而提高校准非理想信道状态信息的能力。本实施例通过以下方式得到最大似然比的原始信息,设原始信息的数据、数值表示为x,得到最终输出的原始信息为:
具体实施方式为,采用传统的信道估计算法,合法用户通过导频信号对信道衰落矩阵进行估计。由于无线信道畸变或者热噪声的影响,信道估计存在着一定的误差,即为非理想信道状态信息,用合法用户的无线信道衰落矩阵表示为经过深度学习模型进行学习,输出校准的非理想信道状态信息,可表示为经过校准的非理想信道状态信息以及多天线接收信号y,和波束成形矩阵B,输入到最大似然检测模块(MLD),可得到原始信息。
本发明提供一种基于深度学习的物理层安全通信装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述基于深度学习的物理层安全通信方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种基于深度学习的物理层安全通信方法,其特征在于,步骤包括:
接收导频信号,并通过信道估计得到非理想信道状态信息;
采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;
利用所述深度学习模型对所述非理想信道状态信息进行校准;
基于经过校准的非理想信道状态信息,接收多天线接收信号及波束成形矩阵并解析得到原始信息。
2.如权利要求1所述的基于深度学习的物理层安全通信方法,其特征在于,步骤包括:
将所有原始信息与经过校准的非理想信道状态信息进行匹配,以获得各个原始信息的似然比,并选择最大似然比的原始信息作为最终输出。
4.一种基于深度学习的物理层安全通信装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的基于深度学习的物理层安全通信方法。
5.一种基于深度学习的物理层安全通信方法,其特征在于,步骤包括:
计算窃听用户的信道衰落矩阵的自相关矩阵;
对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;
对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵;
将所述波束成形矩阵发送给接收机,以获得原始信息。
6.如权利要求5所述的基于深度学习的物理层安全通信方法,其特征在于,所述自相关矩阵等于所述窃听用户的信道衰落矩阵与窃听用户的信道衰落矩阵的共轭转置矩阵的乘积。
7.如权利要求5所述的基于深度学习的物理层安全通信方法,其特征在于,所述对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵,具体为:
截取特征值矩阵中的前若干个向量,截取向量的数目为发射机天线数与窃听用户天线数之差。
8.一种基于深度学习的物理层安全通信装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求5至7任一项所述的基于深度学习的物理层安全通信方法。
9.一种基于深度学习的物理层安全通信系统,其特征在于,包括发射机和接收机;其中,接收机包括合法用户接收机和窃听用户接收机;
所述发射机,用于将波束成形矩阵发送给合法用户接收机;所述发射机还包括波束成形矩阵生成模块;
所述波束成形矩阵生成模块用于:
计算窃听用户的信道衰落矩阵的自相关矩阵;
对所述自相关矩阵进行特征值分解,获得由对应特征值向量构成的特征值矩阵;
对应于所述窃听用户的信道衰落矩阵的零空间向量,从所述特征值矩阵截取若干个向量以构成发射机的波束成形矩阵;
所述合法用户接收机,用于基于经过校准的非理想信道状态信息,接收多天线接收信号及波束成形矩阵并解析得到原始信息;
所述合法用户接收机,还包括:
信道估计模块,用于接收导频信号,并通过信道估计得到非理想信道状态信息;
深度学习模块,用于采集信道状态信息为训练数据,并利用损失函数计算模型预测值与理想的信道状态信息之间的误差,以构建信道状态信息的深度学习模型;利用所述深度学习模型对所述非理想信道状态信息进行校准。
10.如权利要求9所述的基于深度学习的物理层安全通信系统,其特征在于,还包括:
最大似然检测模块,用于将所有原始信息与经过校准的非理想信道状态信息进行匹配,以获得各个原始信息的似然比,并选择最大似然比的原始信息作为最终输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145364.4A CN111262803B (zh) | 2020-03-04 | 2020-03-04 | 一种基于深度学习的物理层安全通信方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145364.4A CN111262803B (zh) | 2020-03-04 | 2020-03-04 | 一种基于深度学习的物理层安全通信方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111262803A true CN111262803A (zh) | 2020-06-09 |
CN111262803B CN111262803B (zh) | 2022-08-26 |
Family
ID=70952982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010145364.4A Active CN111262803B (zh) | 2020-03-04 | 2020-03-04 | 一种基于深度学习的物理层安全通信方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111262803B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822130A (zh) * | 2020-12-28 | 2021-05-18 | 南京邮电大学 | 一种5g高速移动系统中基于深度学习的多普勒频偏估计方法 |
CN112910567A (zh) * | 2021-01-25 | 2021-06-04 | 北京邮电大学 | 一种基于递归神经网络的窃听分类监测方法及相关设备 |
CN113156220A (zh) * | 2020-12-31 | 2021-07-23 | 博流智能科技(南京)有限公司 | 无线电波感测方法及系统 |
CN113472411A (zh) * | 2021-07-02 | 2021-10-01 | 福州大学 | 基于深度学习的随机频率阵列辅助方向调制的传输方法 |
WO2023107078A1 (en) * | 2021-12-09 | 2023-06-15 | Istanbul Medipol Universitesi Teknoloji Transfer Ofisi Anonim Sirketi | Channel-decomposition based secure channel state information sharing for physical layer security for future wireless networks |
WO2023107067A1 (en) * | 2021-12-09 | 2023-06-15 | Istanbul Medipol Universitesi | Channel-decomposition based adaptive physical layer security |
WO2023231639A1 (zh) * | 2022-06-02 | 2023-12-07 | 中兴通讯股份有限公司 | 发射天线选择方法及装置、计算机设备及计算机存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102611488A (zh) * | 2012-03-30 | 2012-07-25 | 山东大学 | 一种提高解码转发协作系统保密性能的波束成形优化方法 |
CN103354463A (zh) * | 2013-06-20 | 2013-10-16 | 西安电子科技大学 | 基于零空间增强物理层安全的协作波束形成方法 |
CN107332598A (zh) * | 2017-06-26 | 2017-11-07 | 浙江理工大学 | 一种基于深度学习的mimo系统联合预编码和天线选择方法 |
CN109150855A (zh) * | 2018-08-01 | 2019-01-04 | 中国人民解放军陆军工程大学 | 一种优化功率资源的鲁棒性无线通信安全传输方法 |
CN109617590A (zh) * | 2019-01-11 | 2019-04-12 | 华南理工大学 | 多输入单输出无线携能通信系统的物理层安全通信方法 |
CN109617584A (zh) * | 2019-01-08 | 2019-04-12 | 南京邮电大学 | 一种基于深度学习的mimo系统波束成形矩阵设计方法 |
CN110149627A (zh) * | 2019-04-22 | 2019-08-20 | 西北工业大学 | 基于深度学习的应急通信系统无线供能d2d通信安全的方法 |
-
2020
- 2020-03-04 CN CN202010145364.4A patent/CN111262803B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102611488A (zh) * | 2012-03-30 | 2012-07-25 | 山东大学 | 一种提高解码转发协作系统保密性能的波束成形优化方法 |
CN103354463A (zh) * | 2013-06-20 | 2013-10-16 | 西安电子科技大学 | 基于零空间增强物理层安全的协作波束形成方法 |
CN107332598A (zh) * | 2017-06-26 | 2017-11-07 | 浙江理工大学 | 一种基于深度学习的mimo系统联合预编码和天线选择方法 |
CN109150855A (zh) * | 2018-08-01 | 2019-01-04 | 中国人民解放军陆军工程大学 | 一种优化功率资源的鲁棒性无线通信安全传输方法 |
CN109617584A (zh) * | 2019-01-08 | 2019-04-12 | 南京邮电大学 | 一种基于深度学习的mimo系统波束成形矩阵设计方法 |
CN109617590A (zh) * | 2019-01-11 | 2019-04-12 | 华南理工大学 | 多输入单输出无线携能通信系统的物理层安全通信方法 |
CN110149627A (zh) * | 2019-04-22 | 2019-08-20 | 西北工业大学 | 基于深度学习的应急通信系统无线供能d2d通信安全的方法 |
Non-Patent Citations (1)
Title |
---|
桂冠: "基于深度学习的物理层无线通信技术:机遇与挑战", 《通信学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822130A (zh) * | 2020-12-28 | 2021-05-18 | 南京邮电大学 | 一种5g高速移动系统中基于深度学习的多普勒频偏估计方法 |
CN112822130B (zh) * | 2020-12-28 | 2022-11-29 | 南京邮电大学 | 一种5g高速移动系统中基于深度学习的多普勒频偏估计方法 |
CN113156220A (zh) * | 2020-12-31 | 2021-07-23 | 博流智能科技(南京)有限公司 | 无线电波感测方法及系统 |
CN112910567A (zh) * | 2021-01-25 | 2021-06-04 | 北京邮电大学 | 一种基于递归神经网络的窃听分类监测方法及相关设备 |
CN113472411A (zh) * | 2021-07-02 | 2021-10-01 | 福州大学 | 基于深度学习的随机频率阵列辅助方向调制的传输方法 |
CN113472411B (zh) * | 2021-07-02 | 2023-04-07 | 福州大学 | 基于深度学习的随机频率阵列辅助方向调制的传输方法 |
WO2023107078A1 (en) * | 2021-12-09 | 2023-06-15 | Istanbul Medipol Universitesi Teknoloji Transfer Ofisi Anonim Sirketi | Channel-decomposition based secure channel state information sharing for physical layer security for future wireless networks |
WO2023107067A1 (en) * | 2021-12-09 | 2023-06-15 | Istanbul Medipol Universitesi | Channel-decomposition based adaptive physical layer security |
WO2023231639A1 (zh) * | 2022-06-02 | 2023-12-07 | 中兴通讯股份有限公司 | 发射天线选择方法及装置、计算机设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111262803B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111262803B (zh) | 一种基于深度学习的物理层安全通信方法、装置及系统 | |
CN106209195B (zh) | 信道状态信息获取方法、信道状态信息反馈方法及装置 | |
Kotecha et al. | Transmit signal design for optimal estimation of correlated MIMO channels | |
Arnold et al. | Enabling FDD massive MIMO through deep learning-based channel prediction | |
CN109194378B (zh) | 基于线性神经网络的物理层安全波束赋形方法 | |
CN111917508A (zh) | 基于多天线抗干扰通信模型及动态空间谱抗干扰方法 | |
Sun et al. | Weighted sum-rate maximization for analog beamforming and combining in millimeter wave massive MIMO communications | |
CN111182550B (zh) | 大规模mimo系统在导频攻击下的攻击检测方法 | |
CN105245310A (zh) | 一种下行导频信号的处理方法及系统 | |
Yu et al. | Secrecy performance analysis of artificial-noise-aided spatial modulation in the presence of imperfect CSI | |
Somekh et al. | Detecting the number of transmit antennas with unauthorized or cognitive receivers in MIMO systems | |
CN104393964A (zh) | 基于信道信息协方差的预编码方法和协作通信方法 | |
Sun et al. | Analog beamforming and combining based on codebook in millimeter wave massive MIMO communications | |
CN114221838A (zh) | 大规模mimo系统中利用信道共轭数据的信道估计方法及系统 | |
Rajoriya et al. | Centralized and decentralized channel estimation in FDD multi-user massive MIMO systems | |
CN115549745B (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
CN116760439A (zh) | 一种基于雷达通信一体化系统的鲁棒波束成形方法 | |
Quist et al. | Maximizing the secret key rate for informed radios under different channel conditions | |
US11764857B2 (en) | Systems and methods for multiple signal reception using receiver diversity | |
Maher Al-Hatim et al. | Artificial-Intelligence-Enhanced Beamforming for Power-Efficient User Targeting in 5G Networks using Reinforcement Learning | |
CN111294094B (zh) | 一种基于多维矩阵的双向全双工中继系统信道估计方法 | |
CN110868244B (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 | |
Soltani et al. | Outage Tradeoff Analysis in a Downlink Integrated Sensing and Communication Network | |
Luo | How accurate calibration is needed in massive MIMO? | |
CN102916786B (zh) | 一种基于格基约减的多入多出预编码码本生成方法 |
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 |