CN112906035B - 一种基于深度学习的频分双工系统密钥生成方法 - Google Patents
一种基于深度学习的频分双工系统密钥生成方法 Download PDFInfo
- Publication number
- CN112906035B CN112906035B CN202110312897.1A CN202110312897A CN112906035B CN 112906035 B CN112906035 B CN 112906035B CN 202110312897 A CN202110312897 A CN 202110312897A CN 112906035 B CN112906035 B CN 112906035B
- Authority
- CN
- China
- Prior art keywords
- channel
- uplink
- alice
- key generation
- downlink
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于深度学习的频分双工系统密钥生成方法,包括(1)假设通信双方为Alice和Bob。Alice从数据库中获取已有的N组上下行信道系数并对其进行数据预处理,得到上下行信道的初始信道特征(2)利用全连接层神经网络搭建信道密钥生成模型KGNet:(3)利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数;(4)Alice与Bob同时向对方发送导频信号,分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2;(5)Alice将获取的上行信道特征X1输入到KGNet,以获取下行信道特征的估计(6)Alice和Bob分别将各自得到信道特征和X2量化成密钥比特,然后对其进行信息调和以及隐私放大,最终在双方生成一致的密钥。
Description
技术领域
本发明涉及信息安全领域,尤其涉及一种基于深度学习的频分双工系统密钥生成方法。
背景技术
无线通信技术的迅速发展,给人民的生产生活方式带来了极大的便利。与此同时,未来大量的敏感机密数据将在无线信道上传输,因此保障无线空中接口安全显得尤为重要。然而,随着网络连接数的爆炸式增长,传统密钥分发技术运用到无线通信中的局限性越发明显:对称密钥由于移动节点位置不定存在分发困难,非对称密钥则需要移动节点耗费极大的运算成本、支撑较大的设备功率。
近来研究发现,基于无线信道物理特征的无线信道密钥分发技术可以有效弥补传统密钥分发技术在无线通信中的局限性,其主要思路是在物理层利用信道的互易性生成对称密钥对信息进行加密。由于无线信道具备良好的随机性而且随着发射机和接收机的位置不同而改变。窃听者只有非常接近合法接收者(相干范围内)才能获得相近的信道特征,这就保证了这一密钥生成技术的安全性。
遗憾的是,这一物理层密钥生成技术在运用到频分双工(FDD)系统下时遭遇了瓶颈。主要问题在于频分双工系统中上下行链路的频率并不相同,这使得上下行信道不再完全互易。因此,时分双工(TDD)系统中用于密钥生成的互惠信道特征在频分双工(FDD)系统中并不适用。与此同时,当下的4G、5G网络以及未来的6G移动通信系统在组网方式上均是TDD与FDD模式共存的。而且FDD这一通信模式尤其适合以语音为代表的对称业务,另外它的低时延等优势使其占据了蜂窝移动网络等的主导地位,可以说,研究FDD系统信道密钥生成方法的研究具有很大的理论意义和应用价值。现有FDD系统下的密钥生成方法都存在安全性问题或者系统模型的限制,难以满足当前的需求。
发明内容
针对这一技术难题,本文提出了一种基于深度学习的频分双工系统密钥生成方法,该方法在通信双方的一端搭建一个基于全神经网络的密钥生成网络模型来学习上下行链路的信道特征映射函数。基于该网络,通信双方可以获得互惠的信道特征,再经过量化、信息调和、隐私方法,最终双方可以得到相同的密钥。
技术方案:本发明公开了一种基于深度学习的频分双工系统密钥生成方法,包括以下步骤:
(2)利用全连接层神经网络搭建信道密钥生成模型KGNet:
(2a)信道密钥生成模型KGNet包含一个输入层、四个隐藏层以及一个输出层;
(3)利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数;
(4)Alice与Bob同时向对方发送导频信号,分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2;
进一步地,步骤(1)中数据库中存储的上下行信道系数可以由Alice收集自身估计到的上行信道系数以及Bob向Alice反馈的信道系数组合而成;H1,H2∈CL×1分别表示上下行信道的频率响应矢量,其中C表示复数的集合,L为子载波数量。
进一步地,步骤(1)中对信道系数H1和H2进行预处理主要包括两个步骤,分别为实数化和归一化;实数化是对复数信道系数进行实部虚部分离,归一化是通过最大最小值归一化的方法将信道特征限制在0到1的范围之间;经过预处理后可以得到信道特征X1,X2∈R2L×1,其中R表示实数的集合。
进一步地,步骤(2a)中所述的信道密钥生成模型KGNet结构如下:
信道密钥生成模型KGNet是一个全连接层的神经网络,包含一个输入层,四个隐藏层以及一个输出层,输入层和输出层的神经元个数为2L个,隐藏层的神经元个数根据实际训练性能选择决定;网络各层的激活函数除了输出层的激活函数为Sigmoid外,其他隐藏层的激活函数均为ReLu。
进一步地,步骤(3)中用于训练的信道特征数据集是交叉数据集预处理后得到的;交叉数据集由无噪的原始数据集以及在原始数据集中加入高斯白噪声生成的0dB数据集按照一定比例组合得到,该种交叉数据集用于训练可以增强网络的鲁棒性。
进一步地,步骤(3)中利用ADAM算法最小化loss函数以对KGNet进行训练,其函数如下所示:
进一步地,步骤(4)中Alice和Bob在对信道估计后得到的信道系数进行预处理时,最大最小值归一化所采用的最大最小值为Alice收集的数据库中的最大最小值。
有益效果:本发明与现有技术相比,其显著优点是:
1、本发明从上下行链路特征的映射关系这一新角度实现一种安全高效的频分双工系统密钥生成方法。仿真结果表明,本发明可以有效地得到高度互易的信道特征,并且在经过量化后可以得到就有高一致率的初始密钥。
2、本方法通过深度学习的方法学习上下行链路间的特征映射关系,是基于数据驱动的,不依赖于具体的信道模型。相比现有的频分双工系统下的密钥生成方法而言,本方法不具有信道模型上的限制。发明也是首次将深度学习技术运用到频分双工系统密钥生成领域中来,拓宽了深度学习技术的应用范围。
附图说明
图1是本发明的一个实施例的流程示意图;
图2是本发明的一个实施例的密钥生成网络KGNet网络结构;
图3是本发明的一个实施例的不同信噪比下网络的归一化均方误差(NMSE)性能;
图4是本发明的一个实施例的不同信噪比下初始密钥的密钥错误比例(KER)性能;
图5是本发明的一个实施例的不同信噪比下初始密钥的密钥生成速率(KGR)性能。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
本实施例提供了一种基于深度学习的频分双工系统密钥生成方法,如图1所示,包括以下步骤:
其中N为80000,子载波数为64。预处理包括实数化和归一化,具体处理如下:
实数化的计算公式为:
H'1=[Re(H1),Im(H1)],
H'2=[Re(H2),Im(H2)],
其中Re(·),Im(·)分别表示取矩阵各元素的实部和虚部。
归一化的计算公式为:
(2)Alice利用全连接层神经网络搭建信道密钥生成模型KGNet。
其中KGNet包含一个输入层、4个隐藏层以及一个输出层,其结构如附图2所示。隐藏层神经元的个数分别维512、1024、1024、512。除了输出层的激活函数为Sigmoid外,其他层的激活函数均为ReLu。
(3)Alice利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数。
其中原始数据为无噪数据集,在该无噪数据集中加入高斯噪声生成0dB数据集,并将60000组无噪数据集和20000组的0dB数据集组成交叉训练集。使用交叉数据集预处理后得到的对KGNet进行训练,并利用ADAM算法最小化Loss函数以对KGNet进行训练,其函数如下所示:
(4)Alice与Bob同时向对方发送导频信号,分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2;
其中本实例针对训练好的网络针对训练好的网络,在无噪测试数据集中加入高斯白噪声生成不同信噪比下的测试集,并使用预处理后的不同信噪比下的测试集对网络的性能进行测试。采用归一化均方误差NMSE作为评估指标对网络的性能进行评估,其计算方法如下:
不同信噪比下测试的结果如附图3所示。
其中本发明采用基于高斯分布的带隔离带的量化方法对信道特征进行量化,具体步骤如下。首先,计算特征向量中元素的均值μ和方差σ2,并将信道特征元素的概率分布拟合成一个高斯分布NQ~N(μ,σ2)。然后,计算该高斯分布NQ的累计分布函数的逆函数F-1,并将F-1(0.5-ε),F-1(0.5+ε)分别设置为量化隔离带的上界和下界,其中ε称为量化因子。当特征值大于该上界时,特征值被量化成1;特征值小于该下界时,特征值被量化成0;特征值处于上界和下界之间时,特征值被量化为-1。并且,由于连续子载波之间具有相关性,使用所有特征生成密钥会导致随机性不足,因此每t个特征选择一个特征进行量化,其中t称为量化间隔。本实例只采用单比特量化以评估初始密钥的性能,且量化间隔t为4。在Alice和Bob分别对得到的信道特征量化后,向对方发送量化值为-1的特征索引,然后删去该索引位的比特。
此外,本实例采用密钥错误比例(BER)和密钥生成速率(BGR)对初始密钥进行评估。密钥错误比例定义为生成初始密钥的总比特数中错误比特的比例。密钥生成速率定义为一次密钥生成的总比特数除以子载波个数。附图4和图5展示了20000组测试集的平均密钥错误比例以及密钥生成速率。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。
Claims (7)
1.一种基于深度学习的频分双工系统密钥生成方法,其特征在于:
包括以下步骤:
(2)利用全连接层神经网络搭建信道密钥生成模型KGNet:
(2a)信道密钥生成模型KGNet包含一个输入层、四个隐藏层以及一个输出层;
(3)利用上下行信道的信道特征数据训练信道密钥生成模型KGNet以获取模型参数;
(4)Alice与Bob同时向对方发送导频信号,分别估计上下行信道系数H1和H2并对其进行预处理以得到上下行的初始信道特征X1和X2;
2.根据权利要求1所述的基于深度学习的频分双工系统密钥生成方法,其特征在于:步骤(1)中数据库中存储的上下行信道系数可以由Alice收集自身估计到的上行信道系数以及Bob向Alice反馈的信道系数组合而成;H1,H2∈CL×1分别表示上下行信道的频率响应矢量,其中C表示复数的集合,L为子载波数量。
3.根据权利要求1所述的基于深度学习的频分双工系统密钥生成方法,其特征在于:步骤(1)中对信道系数H1和H2进行预处理主要包括两个步骤,分别为实数化和归一化;实数化是对复数信道系数进行实部虚部分离,实数化的计算公式为:H'1=[Re(H1),Im(H1)],H'2=[Re(H2),Im(H2)],其中Re(·),Im(·)分别表示取矩阵各元素的实部和虚部;归一化是通过最大最小值归一化的方法将信道特征限制在0到1的范围之间;归一化的计算公式为:
4.根据权利要求1所述的基于深度学习的频分双工系统密钥生成方法,其特征在于:步骤(2a)中所述的信道密钥生成模型KGNet结构如下:信道密钥生成模型KGNet是一个全连接层的神经网络,包含一个输入层,四个隐藏层以及一个输出层,输入层和输出层的神经元个数为2L个,隐藏层的神经元个数根据实际训练性能选择决定;网络各层的激活函数除了输出层的激活函数为Sigmoid外,其他隐藏层的激活函数均为ReLu。
7.根据权利要求1所述的基于深度学习的频分双工系统密钥生成方法,其特征在于:步骤(4)中Alice和Bob在对信道估计后得到的信道系数进行预处理时,最大最小值归一化所采用的最大最小值为Alice收集的数据库中的最大最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312897.1A CN112906035B (zh) | 2021-03-24 | 2021-03-24 | 一种基于深度学习的频分双工系统密钥生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312897.1A CN112906035B (zh) | 2021-03-24 | 2021-03-24 | 一种基于深度学习的频分双工系统密钥生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906035A CN112906035A (zh) | 2021-06-04 |
CN112906035B true CN112906035B (zh) | 2022-11-18 |
Family
ID=76106184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312897.1A Active CN112906035B (zh) | 2021-03-24 | 2021-03-24 | 一种基于深度学习的频分双工系统密钥生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906035B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113691369B (zh) * | 2021-07-08 | 2022-09-27 | 北京邮电大学 | 一种基于神经网络的光纤信道安全传输系统 |
CN114430550B (zh) * | 2022-01-20 | 2023-09-08 | 四川大学 | 一种基于神经网络模型的无线物理层密钥生成方法 |
CN114867013B (zh) * | 2022-04-21 | 2024-03-29 | 中国电信股份有限公司 | 密钥生成方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108365951B (zh) * | 2018-01-19 | 2023-05-30 | 中国人民解放军陆军工程大学 | 一种基于神经网络的高一致性物理密钥生成方法 |
CN109618336A (zh) * | 2019-01-24 | 2019-04-12 | 东南大学 | 一种频分双工系统中的密钥提取方法 |
CN111884976B (zh) * | 2020-07-21 | 2021-09-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
-
2021
- 2021-03-24 CN CN202110312897.1A patent/CN112906035B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112906035A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906035B (zh) | 一种基于深度学习的频分双工系统密钥生成方法 | |
Ye et al. | Deep learning-based denoise network for CSI feedback in FDD massive MIMO systems | |
Aoudia et al. | End-to-end learning of communications systems without a channel model | |
Jeon et al. | A compressive sensing approach for federated learning over massive MIMO communication systems | |
Li et al. | High-agreement uncorrelated secret key generation based on principal component analysis preprocessing | |
CN110912598B (zh) | 基于长短时注意力机制的大规模mimo系统csi反馈方法 | |
Wang et al. | Federated learning for automatic modulation classification under class imbalance and varying noise condition | |
CN105790813B (zh) | 一种大规模mimo下基于深度学习的码本选择方法 | |
CN109194378B (zh) | 基于线性神经网络的物理层安全波束赋形方法 | |
Guo et al. | CAnet: Uplink-aided downlink channel acquisition in FDD massive MIMO using deep learning | |
CN111510402A (zh) | 基于深度学习的ofdm信道估计方法 | |
WO2020024440A1 (zh) | 一种自由空间光通信数据的加密方法与系统 | |
CN113395096B (zh) | 一种fdd系统中基于深度学习的物理层安全传输方法 | |
CN112968847B (zh) | 一种基于深度学习和数据导频辅助的信道估计方法 | |
CN102752080B (zh) | 一种基于物理层的防窃听编码方法 | |
Alves et al. | Deep transfer learning for site-specific channel estimation in low-resolution mmWave MIMO | |
Marchioro et al. | Adversarial networks for secure wireless communications | |
Zhang et al. | Exploiting deep learning for secure transmission in an underlay cognitive radio network | |
Han et al. | Physical layer secret key generation based on autoencoder for weakly correlated channels | |
Bereyhi et al. | Device scheduling in over-the-air federated learning via matching pursuit | |
Liao et al. | Joint multi-domain channel estimation based on sparse Bayesian learning for OTFS system | |
Zhou et al. | Physical layer secret key generation for spatially correlated channels based on multi-task autoencoder | |
Uma Mageswari et al. | Machine Learning Empowered Accurate CSI Prediction for Large‐Scale 5G Networks | |
CN110113084A (zh) | Mimo闭环传输系统的信道预测方法 | |
CN114980086A (zh) | 模型训练、密钥生成方法、训练设备、通信方及系统 |
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 |