CN112804048B - 一种基于生成对抗网络的物理层混沌加密光传输方法 - Google Patents

一种基于生成对抗网络的物理层混沌加密光传输方法 Download PDF

Info

Publication number
CN112804048B
CN112804048B CN202110386285.7A CN202110386285A CN112804048B CN 112804048 B CN112804048 B CN 112804048B CN 202110386285 A CN202110386285 A CN 202110386285A CN 112804048 B CN112804048 B CN 112804048B
Authority
CN
China
Prior art keywords
network
sequence
data
encryption
signal
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
CN202110386285.7A
Other languages
English (en)
Other versions
CN112804048A (zh
Inventor
刘博�
忻向军
任建新
毛雅亚
朱筱嵘
王瑞春
沈磊
吴泳锋
孙婷婷
赵立龙
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110386285.7A priority Critical patent/CN112804048B/zh
Publication of CN112804048A publication Critical patent/CN112804048A/zh
Application granted granted Critical
Publication of CN112804048B publication Critical patent/CN112804048B/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
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
    • H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Optical Communication System (AREA)

Abstract

本发明是一种基于生成对抗网络的物理层混沌加密光传输方法，该方法将发送的二进制比特数据流转换成二进制标签序列。接下来通过调制器映射到QAM的复数星座点符号序列上。再将得到的符号序列经过两次扰动加密，然后将IFFT运算的得到的时域信号进行加循环前缀后，经数模转换器转换成模拟电信号，再与光信号耦合进行传输。经光纤信道传输后，在接收端，光接收机接收到的光信号转换为电信号，采用与发射端处理的逆过程进行解调等处理，恢复原来的信息。该方法利用基于GAN网络的混沌系统产生扰动序列分别对星座图的星座点的相位和子载波的位置进行加密，提高加密系统复杂性的同时加速了信息加密的迭代过程，增强了通信系统的安全性。

Description

一种基于生成对抗网络的物理层混沌加密光传输方法
技术领域
本发明涉及信号加密技术领域，具体的说是一种基于生成对抗网络的物理层混沌加密光传输方法。
背景技术
互联网接入服务的快速增长逐渐促进了人们对宽带接入的需求，光接入网技术是其中一项关键技术，目前正在一些国家大量部署。考虑到传输光纤和中央办公设备资源可以被大家同时共享，在部署光接入时，由于正交频分复用（OFDM）技术频谱利用率高、抗多径衰弱能力强等优点，基于OFDM的无源光网络 (PONs)具有很大的优势。早期的PON部署基于ITU-T G983系列中标准化的B-PON系统。目前正在日本等亚洲国家安装的以太网PON (GE-PON)系统具有千兆传输能力，符合IEEE802.3ah标准。与此同时，美国和欧洲的运营商现在正专注于ITU-T G984系列中标准化的具有千兆比特能力的G-PON系统，其典型的下行比特率为2.5 Gbit /s，上行比特率为1.25 Gbit /s。然而PON网络中，PSC和掺铒光纤放大器等器件很容易受到主动窃听攻击，无法保障信息的保密性，因此整个系统的安全性仍然需进一步加强。
近年来，光学系统物理层的加密技术越来越受到人们的关注，已在光纤通信系统中投入使用。混沌加密是一种在物理层保护信号安全性和保密性的有效方法。如果没有加密密钥，非法的光网络单元(ONU)将无法从密文中恢复数据。随着混沌理论的发展完善，由于其对初始条件和系统参数的极端敏感，奇异吸引子等特征，混沌系统逐渐被应用于探索非线性的、不可逆的、自组织的客观过程，包括密码学中置乱与扩散的加密过程。但是在以往研究中混沌系统通常采用logistic映射，随着通信技术的提升，该系统满足不了加密的复杂度，如果获取该混沌系统的周期特性，整个系统将不具有保密性。
生成对抗网络是近年来深度学习领域中结合博弈论思想的重要生成模型，是一种以半监督方式训练分类器的方法。采用生成对抗的深度学习方法，可以训练一个无监督学习网络--GAN。该网络结构由生成模型与判别模型组成：生成模型可以模拟样本高维数据的分布，判别模型可以判决生成模型的模拟数据效果好坏，通过生成模型与判决模型两者之间的博弈式的迭代训练，最终实现生成分布与真实分布无限接近。该网络模型对于没有标注的生成样本可以充分利用未标注数据来学习样本分布，从而辅助监督学习的训练过程，通常用于训练生成更多具有原始样本特征的高维数据，在图像、语音、文本等领域具有广泛的应用。
发明内容
本发明提供一种基于生成对抗网络的物理层混沌加密光传输方法，该方法利用基于GAN网络的混沌系统产生扰动序列分别对星座图的星座点的相位和子载波的位置进行加密，与传统混沌加密方式比较，在提高加密系统复杂性的同时加速了信息加密的迭代过程，极大地增强了通信系统的安全性和灵活性。
为解决上述技术问题，本发明采用的技术方案为：
一种基于生成对抗网络的物理层混沌加密光传输方法，其特征在于：基于生成对抗网络与混沌系统，对传输信号进行加密，具体步骤如下：
步骤1，在扰动序列生成模块中，用混沌系统生成初始密钥空间用于训练GAN网络，通过判别器与生成器的多次迭代训练得到具有加密特性的生成网络，所述的生成网络用于生成扰动序列；
步骤2，发送的二进制比特数据流通过串并变换转换成二进制标签序列，再通过调制器映射到QAM的复数星座点符号序列上；
步骤3，利用扰动序列对星座点相位和子载波位置进行扰动，完成加密；
步骤4，加密后的信号在快速傅里叶逆变换运算后进行加循环前缀，经数模转换器转换成模拟电信号后再与光信号耦合，通过光纤信道传输；
步骤5，在接收端接收到的光信号后将其转换为电信号，经过串并变换后的信号再经过快速傅里叶变换运算，利用和步骤3中相同的扰动序列完成解密；
步骤6，对解密后的信号进行解码后完成传输。
所述的扰动序列生成模块中混沌系统采用条件对称混沌模型，方程如下：
Figure 168359DEST_PATH_IMAGE001
式中，a，b是系统参数，且均为实常数；x，y，z是状态变量，
Figure 831421DEST_PATH_IMAGE002
,,
Figure 91502DEST_PATH_IMAGE003
分别为x, y, z对 于时序的导数。
所述的具有加密特性的生成网络训练生成过程具体为：输入随机序列，经过生成器生成置乱矩阵，判别器分析所生成矩阵作为输入与混沌序列作为输入相比是否具有加密特性，根据判别器的输出来修正生成器的参数，以及调整判别器本身的参数，以此反复训练生成器和判别器，在每次更新生成器参数时确保判别器参数固定，在每次更新判别器参数时确保生成器参数固定；
训练结束后得到的生成网络用于在每一组信息传输时提供两组扰动序列，并分别发送到加密端和解密端用于对传输信号进行加密和解密。
随机抽样m个来自噪声分布Pnoise(z)的样本Z1={z1(1),z1(2)...z1(m)}, Z2={z2(1),z2(2)...z2(m)}, Z1与Z2均用于作为生成网络的输入；随机抽样m个来自混沌系统生产的数据分布Pdata(x)的样本X={x(1),x(2)...x(m)},作为判别网络的输入；
首先，固定生成网络G，训练判别网络D，噪声数据Z1将通过生成网络G直接进入判 别器D；此时，噪声数据Z1输入判别网络D的输出为D(z1 (i))=0，真实数据X输入判别网络D的输 出为D(x(i))=1，通过最大化目标函数V1，更新判别网络的结构参数
Figure 247281DEST_PATH_IMAGE004
，使得判别器能够区分 噪声与真实数据，从而具有初步的判别能力；
其次，将噪声数据Z1通过初始化后的生成网络，其输出G(z1 (i))作为判别网络的输 入，通过最大化目标函数V1，更新判别网络的结构参数
Figure 807576DEST_PATH_IMAGE004
；这一训练阶段提高判别器对于真 实数据与生成数据的判别能力，从而激励生成网络生成更为真实的数据样本；最后将噪声 数据Z2通过生成网络G，其结果G(z2 (i))作为判别网络的输入，固定性能良好的判别网络，通 过最大化目标函数V2，更新生成网络的结构参数
Figure 375960DEST_PATH_IMAGE005
；不断重复上述过程，使得判别器能够准 确地区分真实数据与生成数据，同时生成器能够生成真实的数据，最终训练达到纳什均衡；
在训练过程中，其代价函数形式定义如下：
Figure 654495DEST_PATH_IMAGE006
Figure 333738DEST_PATH_IMAGE007
式中，
Figure 748539DEST_PATH_IMAGE008
表示判别器对于输入数据X的输出，表示判别器对于生成数据
Figure 222245DEST_PATH_IMAGE009
的判别结果；
采用Adam梯度下降算法更新网络结构参数:
Figure 722497DEST_PATH_IMAGE010
Figure 471010DEST_PATH_IMAGE011
式中，
Figure 743247DEST_PATH_IMAGE012
是判别网络的参数，即判别网络的权重，偏差，激活值；
Figure 653434DEST_PATH_IMAGE005
是生成网络的 参数，即生成网络的权重，偏差，激活值。
训练结束后的生成网络在每次信号传输时输出扰动序列
Figure 640982DEST_PATH_IMAGE013
和扰动序列
Figure 927607DEST_PATH_IMAGE014
，所述 的扰动序列
Figure 317000DEST_PATH_IMAGE013
用于对星座点的初始相位进行变换；初始数据星座点为N*M维的矩阵A，其中N 代表星座点的幅值数，M代表星座点的初始相位数；利用扰动序列
Figure 929247DEST_PATH_IMAGE013
对星座点的初始相位进 行变换表示如下：
Figure 404090DEST_PATH_IMAGE015
式中，
Figure 28494DEST_PATH_IMAGE016
为变换后的星座点矩阵，扰动序列
Figure 537973DEST_PATH_IMAGE013
为mij=exp(jθij)用于表示对幅值为j 的星座点进行θij角度转动。
所述的初始数据信号完成相位扰动后，将信号调制到子载波上，利用扰动序列
Figure 524383DEST_PATH_IMAGE014
在信号频域上对其子载波位置进行移动，变换表示如下：
Figure 220944DEST_PATH_IMAGE017
式中，
Figure 318213DEST_PATH_IMAGE018
为子载波频率，扰动序列
Figure 151040DEST_PATH_IMAGE014
为置换矩阵；
Figure 308352DEST_PATH_IMAGE019
为扰动后的子载波新频率。
该种基于生成对抗网络的物理层混沌加密光传输方法能够达到的有益效果为：第一，结合一种神经网络模型即GAN网络，通过混沌系统的训练，可以更高效地产生保密性能良好的扰动序列，并将其应用于信号加密中。第二，采用一种条件对称混沌系统，利用其共存吸引子共享的不对称结构，提高了系统的复杂度。第三，使用扰动序列对均匀信号点的相位分布以及子载波的位置进行扰动，使得整个系统的安全性得到了进一步的提高。综上所述，该方法可以极大的增强通信系统的安全性、智能性，又由于GAN网络具有很好的鲁棒性，相比于每次混沌系统中的迭代需要比较庞大的计算资源，该方法具有更加高效的性能。
附图说明
图1是本发明一种基于生成对抗网络的物理层混沌加密光传输方法的工作原理示意图。
图2是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中加密模块示意图。
图3是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中混沌模型共存吸引子图。
图4是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中GAN网络模型。
图5是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中GAN网络训练过程。
图6是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中判别器训练模型。
图7是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中生成器训练模型。
图8是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中密钥生成模型。
图9是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中相位扰动示意图。
图10是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中子载波扰动示意图。
图11是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中解密模块示意图。
图12是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中解密后的星座点分布图。
图13是本发明一种基于生成对抗网络的物理层混沌加密光传输方法中未解密的星座点分布图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
一种基于生成对抗网络的物理层混沌加密光传输方法，如图1所示，具体步骤如下：
步骤1，在扰动序列生成模块中，用混沌系统生成初始密钥空间用于训练GAN网络，通过判别器与生成器的多次迭代训练得到具有加密特性的生成网络，所述的生成网络用于生成扰动序列；
步骤2，发送的二进制比特数据流通过串并变换转换成二进制标签序列，再通过调制器映射到QAM的复数星座点符号序列上；
步骤3，利用扰动序列对星座点相位和子载波位置进行扰动，完成加密；
步骤4，加密后的信号在快速傅里叶逆变换运算后进行加循环前缀，经数模转换器转换成模拟电信号后再与光信号耦合，通过光纤信道传输；
步骤5，在接收端接收到的光信号后将其转换为电信号，经过串并变换后的信号再经过快速傅里叶变换运算，利用和步骤3中相同的扰动序列完成解密；
步骤6，对解密后的信号进行解码后完成传输。
本实施例中，扰动序列生成模块利用由混沌初始密钥空间训练的GAN网络，通过判别器与生成器的多次迭代训练得到加密性能良好的生成网络，混沌初始密钥空间采用条件对称混沌模型CSS2，方程如下：
Figure 226629DEST_PATH_IMAGE020
式中，a，b是系统参数，且均为实常数；x，y，z是状态变量，
Figure 393168DEST_PATH_IMAGE002
,
Figure 346081DEST_PATH_IMAGE021
,
Figure 674294DEST_PATH_IMAGE003
分别为x, y, z对 于时序的导数。
进一步的，当a=1.24, b=1时，系统满足李雅普诺夫（Lyapunov）指数大于0，处于深度混沌状态，当x，y，z初值分别取 [4, 0.8, -2]，[-4, 0.8, 2]时，如图3所示，该混沌系统具有共存的对称吸引子：条件对称系统共享一个不对称结构，该结构隐藏了共存的对称吸引子。吸引域表明，同时存在的对称吸引子位于各自的不对称区域，但截面对称。图中横、纵坐标分别表示混沌序列。与经典Logistic相比，该系统的动力行为更加复杂，运动轨迹可在三个不同的方向上展开，具有更高的随机性和不确定性。
本实施例中，GAN网络的训练模型如图4和图5所示，输入二进制比特流随机序列，经过生成网络生成置乱矩阵，判别器分析所生成矩阵作为输入与混沌序列作为输入相比是否具有很好的加密特性，根据判别器的输出来修正生成器的参数，以及调整判别器本身的参数，以此反复训练生成器和判别器，在每次更新当前模型参数时确保另一个模型参数固定。
进一步的，判别器训练和生成器训练过程如图6和图7所示，随机抽样m个来自噪声分布Pnoise(z)的样本Z1={z1(1),z1(2)...z1(m)},Z2={z2(1),z2(2)...z2(m)}, Z1与Z2均用于作为生成网络的输入；随机抽样m个来自混沌系统生产的数据分布Pdata(x)的样本X={x(1),x(2)...x(m)},作为判别网络的输入；
首先，固定生成网络G，训练判别网络D，噪声数据Z1将通过生成网络G直接进入判 别器D；此时，噪声数据Z1输入判别网络D的输出为D(z1 (i))=0，真实数据X输入判别网络D的输 出为D(x(i))=1，通过最大化目标函数V1，更新判别网络的结构参数
Figure 82797DEST_PATH_IMAGE022
，使得判别器能够区分 噪声与真实数据，从而具有初步的判别能力；
其次，将噪声数据Z1通过初始化后的生成网络，其输出G(z1 (i))作为判别网络的输 入，通过最大化目标函数V1，更新判别网络的结构参数
Figure 521869DEST_PATH_IMAGE022
；这一训练阶段提高判别器对于真 实数据与生成数据的判别能力，从而激励生成网络生成更为真实的数据样本；最后将噪声 数据Z2通过生成网络G，其结果G(z2 (i))作为判别网络的输入，固定性能良好的判别网络，通 过最大化目标函数V2，更新生成网络的结构参数
Figure 329288DEST_PATH_IMAGE023
；不断重复上述过程，使得判别器能够准 确地区分真实数据与生成数据，同时生成器能够生成真实的数据，最终训练达到纳什均衡；
在训练过程中，其代价函数形式定义如下：
Figure 687457DEST_PATH_IMAGE006
Figure 314747DEST_PATH_IMAGE007
式中，
Figure 823089DEST_PATH_IMAGE024
表示判别器对于输入数据X的输出，
Figure 750594DEST_PATH_IMAGE025
表示判别器对于生 成数据的判别结果；
采用Adam梯度下降算法更新网络结构参数：
Figure 686189DEST_PATH_IMAGE010
Figure 800775DEST_PATH_IMAGE011
式中，
Figure 847229DEST_PATH_IMAGE022
是判别网络的参数，即判别网络的权重，偏差，激活值；
Figure 620451DEST_PATH_IMAGE023
是生成网络的参 数，即生成网络的权重，偏差，激活值。
训练结束后，构造新的生成网络，并应用训练好的生成网络结构参数。通过输入初 始密钥X0=[x0 1,x0 2,x0 3]，通过生成网络模型可以得到所需的密钥组的生成网络在每次信号 传输时输出扰动序列
Figure 726947DEST_PATH_IMAGE013
和扰动序列
Figure 328830DEST_PATH_IMAGE014
，如图8所示，扰动序列
Figure 913395DEST_PATH_IMAGE013
用于对星座点的初始相位 进行变换，扰动序列
Figure 549912DEST_PATH_IMAGE014
用于在信号频域上对其子载波位置进行移动。
本实施例中，以16QAM信号为例，加密阶段如图2所示，发送的二进制比特数据流通 过串并变换转换成二进制标签序列。接下来通过调制器映射到QAM的复数星座点符号序列 上，由于每次发送信息时扰动序列生成模块均会生成一组扰动序列
Figure 827310DEST_PATH_IMAGE013
和
Figure 182068DEST_PATH_IMAGE014
，扰动序列
Figure 570324DEST_PATH_IMAGE013
和
Figure 326927DEST_PATH_IMAGE014
分别对星座点的初始相位和子载波位置进行扰动后完成加密，加密后的信号在快速 傅里叶逆变换运算后进行加循环前缀，经数模转换器转换成模拟电信号后再与光信号耦 合，通过光纤信道传输。
进一步的，扰动序列
Figure 509647DEST_PATH_IMAGE013
用于对星座点的初始相位进行变换；初始数据星座点为N*M 维的矩阵A，其中N代表星座点的幅值数，M代表星座点的初始相位数；利用扰动序列
Figure 86122DEST_PATH_IMAGE013
对星 座点的初始相位进行变换表示如下：
Figure 280998DEST_PATH_IMAGE015
式中，
Figure 626529DEST_PATH_IMAGE016
为变换后的星座点矩阵，扰动序列
Figure 245729DEST_PATH_IMAGE013
为mij=exp(jθij)用于表示对幅值为j 的星座点进行θij角度转动。
如图9所示，16QAM星座图中的星座点的幅度有3种取值： d、2d和3d，相位有12种取 值：±
Figure 43921DEST_PATH_IMAGE026
、±
Figure 39559DEST_PATH_IMAGE027
、±
Figure 505175DEST_PATH_IMAGE028
、±
Figure 295277DEST_PATH_IMAGE029
、±
Figure 846344DEST_PATH_IMAGE030
和±
Figure 380093DEST_PATH_IMAGE031
，因此，初始数据星座点可以用3*12维的矩阵A 表示，每行表示星座点的幅值，每列代表星座点的初始相位。图9中表示对幅值为d的星座点 进行
Figure 700216DEST_PATH_IMAGE032
的相位变换。进一步的，扰动序列
Figure 661219DEST_PATH_IMAGE013
可以包括对组个不同幅值的星座点进行相位变 换。
进一步的，初始数据信号完成相位扰动后，将信号调制到子载波上，利用扰动序列
Figure 434003DEST_PATH_IMAGE014
在信号频域上对其子载波位置进行移动，变换表示如下：
Figure 774373DEST_PATH_IMAGE017
式中，
Figure 683423DEST_PATH_IMAGE018
为子载波频率，扰动序列
Figure 80907DEST_PATH_IMAGE014
为置换矩阵；
Figure 340987DEST_PATH_IMAGE019
为扰动后的子载波新频率。
如图10所示，若子载波频率为F=[f1 f2 f3 f4]T，当扰动序列
Figure 482118DEST_PATH_IMAGE014
为置换矩阵
Figure 245675DEST_PATH_IMAGE033
时，生成的新频率即为
Figure 814059DEST_PATH_IMAGE019
=[f1 f2 f3 f4]T。
本实施例中，加密后的信号传输到接收端，其解密阶段如图11所示，与加密阶段顺 序相反，先获得相同的动序列
Figure 295856DEST_PATH_IMAGE013
和
Figure 975099DEST_PATH_IMAGE014
，并计算扰动序列的逆矩阵。对接收到的子载波进行 频域的还原，然后对16QAM信号用扰动序列的逆矩阵进行还原，通过并串变换，最终输出原 始数据，解密完成。
本实施例中，加密后的信号如图13所示，数据经过数模转换器转换成模拟信号，发送到调制器上调制成光信号，然后和另外一束光耦合产生电信号，通过光纤进行信号传输。解密后的星座点分布如图12所示。
综上，该种加密方法通过GAN网络生成巨大的密钥空间且对发送信号进行两次加密处理，可以做到密钥数量和发送数据的 “一次一密”加密方式，在传输重要文件时可以保障其不被泄露，极大的增强了系统的复杂度和安全性。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种基于生成对抗网络的物理层混沌加密光传输方法，其特征在于：基于生成对抗网络与混沌系统，对传输信号进行加密，具体步骤如下：
步骤1，在扰动序列生成模块中，用混沌系统生成初始密钥空间用于训练GAN网络，通过判别器与生成器的多次迭代训练得到具有加密特性的生成网络，所述的生成网络用于生成扰动序列；
步骤2，发送的二进制比特数据流通过串并变换转换成二进制标签序列，再通过调制器映射到QAM的复数星座点符号序列上；
步骤3，利用扰动序列对星座点相位和子载波位置进行扰动，完成加密；
步骤4，加密后的信号在快速傅里叶逆变换运算后进行加循环前缀，经数模转换器转换成模拟电信号后再与光信号耦合，通过光纤信道传输；
步骤5，在接收端接收到的光信号后将其转换为电信号，经过串并变换后的信号再经过快速傅里叶变换运算，利用和步骤3中相同的扰动序列完成解密；
步骤6，对解密后的信号进行解码后完成传输。
2.如权利要求1所述的一种基于生成对抗网络的物理层混沌加密光传输方法，其特征在于：所述的扰动序列生成模块中混沌系统采用条件对称混沌模型，方程如下：
Figure DEST_PATH_IMAGE001
式中，a，b是系统参数，且均为实常数；x，y，z是状态变量，
Figure 94724DEST_PATH_IMAGE002
,
Figure 722539DEST_PATH_IMAGE003
,
Figure 80839DEST_PATH_IMAGE004
分别为x, y, z对于时 序的导数。
3.如权利要求2所述的一种基于生成对抗网络的物理层混沌加密光传输方法，其特征在于：所述的具有加密特性的生成网络训练生成过程具体为：输入随机序列，经过生成器生成置乱矩阵，判别器分析所生成矩阵作为输入与混沌序列作为输入相比是否具有加密特性，根据判别器的输出来修正生成器的参数，以及调整判别器本身的参数，以此反复训练生成器和判别器，在每次更新生成器参数时确保判别器参数固定，在每次更新判别器参数时确保生成器参数固定；
训练结束后得到的生成网络用于在每一组信息传输时提供两组扰动序列，并分别发送到加密端和解密端用于对传输信号进行加密和解密。
4.如权利要求3所述的一种基于生成对抗网络的物理层混沌加密光传输方法，其特征在于：随机抽样m个来自噪声分布Pnoise(z)的样本Z1={z1(1),z1(2)...z1(m)},Z2={z2(1),z2(2)...z2(m)}, Z1与Z2均用于作为生成网络的输入；随机抽样m个来自混沌系统生产的数据分布Pdata(x)的样本X={x(1),x(2)...x(m)},作为判别网络的输入；
首先，固定生成网络G，训练判别网络D，噪声数据Z1将通过生成网络G直接进入判别器D； 此时，噪声数据Z1输入判别网络D的输出为D(z1 (i))=0，真实数据X输入判别网络D的输出为D (x(i))=1，通过最大化目标函数V1，更新判别网络的结构参数
Figure 5938DEST_PATH_IMAGE005
，使得判别器能够区分噪声 与真实数据，从而具有初步的判别能力;
其次，将噪声数据Z1通过初始化后的生成网络，其输出G(z1 (i))作为判别网络的输入，通 过最大化目标函数V1，更新判别网络的结构参数
Figure 244022DEST_PATH_IMAGE005
；这一训练阶段提高判别器对于真实数 据与生成数据的判别能力，从而激励生成网络生成更为真实的数据样本；最后将噪声数据 Z2通过生成网络G，其结果G(z2 (i))作为判别网络的输入，固定性能良好的判别网络，通过最 大化目标函数V2，更新生成网络的结构参数
Figure 372515DEST_PATH_IMAGE006
；不断重复上述过程，使得判别器能够准确地 区分真实数据与生成数据，同时生成器能够生成真实的数据，最终训练达到纳什均衡；
在训练过程中，其代价函数形式定义如下：
Figure 987036DEST_PATH_IMAGE007
Figure 251795DEST_PATH_IMAGE008
式中，
Figure 522764DEST_PATH_IMAGE009
表示判别器对于输入数据X的输出，
Figure 872974DEST_PATH_IMAGE010
表示判别器对于生成数 据
Figure 822344DEST_PATH_IMAGE011
的判别结果；
采用Adam梯度下降算法更新网络结构参数:
Figure 941610DEST_PATH_IMAGE012
Figure 583813DEST_PATH_IMAGE013
式中，
Figure 421319DEST_PATH_IMAGE005
是判别网络的参数，即判别网络的权重，偏差，激活值；
Figure 377642DEST_PATH_IMAGE006
是生成网络的参数， 即生成网络的权重，偏差，激活值。
5.如权利要求1所述的一种基于生成对抗网络的物理层混沌加密光传输方法，其特征 在于：训练结束后的生成网络在每次信号传输时输出扰动序列
Figure 351414DEST_PATH_IMAGE014
和扰动序列
Figure DEST_PATH_IMAGE015
，所述的扰 动序列
Figure 77101DEST_PATH_IMAGE014
用于对星座点的初始相位进行变换；初始数据星座点为N*M维的矩阵A，其中N代表 星座点的幅值数，M代表星座点的初始相位数；利用扰动序列
Figure 605165DEST_PATH_IMAGE014
对星座点的初始相位进行变 换表示如下：
Figure 896338DEST_PATH_IMAGE016
式中，
Figure DEST_PATH_IMAGE017
为变换后的星座点矩阵，扰动序列
Figure 973885DEST_PATH_IMAGE014
为mij=exp(jθij)用于表示对每个位于第i 行，j列的星座点进行θij角度转动。
6.如权利要求5所述的一种基于生成对抗网络的物理层混沌加密光传输方法，其特征 在于：所述的初始数据信号完成相位扰动后，将信号调制到子载波上，利用扰动序列
Figure 708622DEST_PATH_IMAGE015
在 信号频域上对其子载波位置进行移动，变换表示如下：
Figure 507339DEST_PATH_IMAGE018
式中，
Figure DEST_PATH_IMAGE019
为子载波频率，扰动序列
Figure 539886DEST_PATH_IMAGE015
为置换矩阵；
Figure 347305DEST_PATH_IMAGE020
为扰动后的子载波新频率。
CN202110386285.7A 2021-04-12 2021-04-12 一种基于生成对抗网络的物理层混沌加密光传输方法 Active CN112804048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386285.7A CN112804048B (zh) 2021-04-12 2021-04-12 一种基于生成对抗网络的物理层混沌加密光传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386285.7A CN112804048B (zh) 2021-04-12 2021-04-12 一种基于生成对抗网络的物理层混沌加密光传输方法

Publications (2)

Publication Number Publication Date
CN112804048A CN112804048A (zh) 2021-05-14
CN112804048B true CN112804048B (zh) 2021-06-29

Family

ID=75816737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386285.7A Active CN112804048B (zh) 2021-04-12 2021-04-12 一种基于生成对抗网络的物理层混沌加密光传输方法

Country Status (1)

Country Link
CN (1) CN112804048B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114050972B (zh) * 2022-01-13 2022-04-22 广东电网有限责任公司广州供电局 一种ota升级的方法
CN114826857B (zh) * 2022-03-28 2024-05-03 中国电子科技集团公司第五十四研究所 一种基于生成对抗网络的ofdm信号生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110324147A (zh) * 2019-08-08 2019-10-11 黑龙江大学 基于混沌模型的gan博弈对抗加密系统（方法）
CN111934848A (zh) * 2020-09-08 2020-11-13 南京信息工程大学 一种智能优化四维混沌矢量加密正交传输方法
CN112054888A (zh) * 2020-09-10 2020-12-08 南京信息工程大学 一种密级可控的载波、星座、模式多混沌掩盖光传输方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1852089B (zh) * 2005-12-31 2012-01-18 华中科技大学 用于生成模数混合混沌信号的系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110324147A (zh) * 2019-08-08 2019-10-11 黑龙江大学 基于混沌模型的gan博弈对抗加密系统（方法）
CN111934848A (zh) * 2020-09-08 2020-11-13 南京信息工程大学 一种智能优化四维混沌矢量加密正交传输方法
CN112054888A (zh) * 2020-09-10 2020-12-08 南京信息工程大学 一种密级可控的载波、星座、模式多混沌掩盖光传输方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于光场成像原理和混沌系统的多图像加密方法";韩思敏等;《光子学报》;20200331;全文 *

Also Published As

Publication number Publication date
CN112804048A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112019321B (zh) 一种基于高维混沌系统的五维光概率成型加密方法
Shen et al. Secure transmission of optical DFT-S-OFDM data encrypted by digital chaos
CN111525998B (zh) 基于模式、时隙和频率复合矢量的高可靠光传输方法
CN111934848B (zh) 一种智能优化四维混沌矢量加密正交传输方法
CN112804048B (zh) 一种基于生成对抗网络的物理层混沌加密光传输方法
CN111464284B (zh) 一种基于深度混沌系统的三维光概率整形加密方法
Zhou et al. Physical layer dynamic key encryption in OFDM-PON system based on cellular neural network
Shen et al. Enhancing the reliability and security of OFDM-PON using modified Lorenz chaos based on the linear properties of FFT
CN112448807B (zh) 基于保守数字混沌的三维Arnold变换的OFDM-PON物理层加密方法
Hu et al. Chaos‐based selected mapping scheme for physical layer security in OFDM‐PON
CN111786771B (zh) 一种偏振、相位和模式动态扰动方法
Zhang et al. Security enhancement in coherent OFDM optical transmission with chaotic three-dimensional constellation scrambling
Chen et al. An OFDM-based pre-coded chaos shift keying transceiver for reliable V2V transmission
Bi et al. Cellular neural network encryption scheme for time synchronization and CPAs resistance in OFDM-PON
CN114928435A (zh) 基于dna编码和slm的量子噪声流加密方法及系统
Sultan et al. Physical-layer data encryption using chaotic constellation rotation in OFDM-PON
Liu et al. A novel chaos-based physical layer security transmission scheme for Internet of Things
CN114302270A (zh) 基于多混沌系统与分层置乱的ofdm-pon物理层加密方法及系统
Wei et al. Chaotic key generation and application in OFDM-PON using QAM constellation points
CN114142987B (zh) 一种基于新型Logistic混沌加密方式的OCDM系统
CN114142988B (zh) 一种基于啁啾调制的高安全光传输方法
Yang et al. Physical layer encryption algorithm for chaotic optical OFDM transmission against chosen-plaintext attacks
Hasan et al. Physical-Layer Security Improvement in MIMO OFDM Systems Using Multilevel Chaotic Encryption
Xu et al. Diffusion-assisted quantum noise stream cipher for physical layer security in UFMC
CN113411178B (zh) 一种二维智能扰动的高可靠光概率成型RoF传输方法

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