CN113746628B - 一种基于深度学习的物理层密钥生成方法及系统 - Google Patents

一种基于深度学习的物理层密钥生成方法及系统 Download PDF

Info

Publication number
CN113746628B
CN113746628B CN202111165134.5A CN202111165134A CN113746628B CN 113746628 B CN113746628 B CN 113746628B CN 202111165134 A CN202111165134 A CN 202111165134A CN 113746628 B CN113746628 B CN 113746628B
Authority
CN
China
Prior art keywords
network
output
training
key generation
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.)
Active
Application number
CN202111165134.5A
Other languages
English (en)
Other versions
CN113746628A (zh
Inventor
孙黎
冯诚
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111165134.5A priority Critical patent/CN113746628B/zh
Publication of CN113746628A publication Critical patent/CN113746628A/zh
Application granted granted Critical
Publication of CN113746628B publication Critical patent/CN113746628B/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
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H04L9/0875—Generation of secret information including derivation or calculation of cryptographic keys or passwords based on channel impulse response [CIR]
    • 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)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度学习的物理层密钥生成方法及系统，通过收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；利用训练数据对秘钥生成网络进行训练，实现网络深度学习训练，通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列，有效提升了生成密钥的一致率和密钥的生成速率，提高了网络安全。

Description

一种基于深度学习的物理层密钥生成方法及系统
技术领域
本发明属于物理层安全领域，特别涉及一种基于深度学习的物理层密钥生成方法及系统。
背景技术
无线通信在互联网、物联网以及电子支付等应用的驱使下迅速发展，无线信道已经成为各种隐私数据的传输通道，而无线信道的天然开放性又给无线通信带来了安全隐患。目前主流的数据加密方式是基于计算复杂度的应用层加密技术，但是随着计算机的算力不断提升，这种加密方式也有被破解的风险。近年来随着物理层加密基础理论的提出，物理层加密技术作为保护无线传输的手段也被广泛关注，其核心是合法通信双方能够获取相同的密钥序列，而窃听方无法截获该序列的任何信息。当密钥序列满足随机性、不可预测性以及不可重现等征程，其长度不小于被加密的信息长度时即可实现信息在物理层传输时的“完美加密”。无线信道的互易性、时变性、随机性以及空间去相关性等特性使之成为物理层密钥生成最直接的随机源。
目前利用信道信息来进行物理层加密的技术主要是：首先合法通信双方利用公共导频序列作为信道的探测协议，双方先后给对方发送公共导频。然后通过最小二乘法估计信道的测量值。采取某种量化方案将测量值量化成比特序列，获取原始密钥序列。这一密钥生成的缺陷主要在于：由于接收机噪声和信道的非同步测量等因素将会导致合法通信双方获取的信道测量值存在差异。信道的互易性保证了合法通信双方原始密钥序列的一致性，信道测量值的差异性又导致原始密钥序列的不一致性。而信道测量值的差异性对生成密钥的一致性影响是严重的，目前也提出诸多的提升密钥一致性的方案，其核心主要是舍弃那些落在量化门限附近的点。但这些做法虽然提升了密钥生成的一致性，密钥生成的速率极低，难以对物理层传输的私密信息进行有效加密。目前亟待一种既能有效提升生成密钥的一致率，又能有效提升生成密钥的速率的密钥生成方法。
发明内容
本发明的目的在于提供一种基于深度学习的物理层密钥生成方法及系统，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于深度学习的物理层密钥生成方法，包括以下步骤：
S1，收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据；
S2，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；
S3，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；
S4，将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
进一步的，合法通信双方对信道的测量时间间隔为τ，由于信道的时变性，每过相干时间Τ信道都会变化一次，τ<Τ，在相干时间内合法通信双方能完成一次对信道的测量。
进一步的，在相干时间内收集合法通信双方中发送方对信道的估计值以及接收方对信道的估计值，发送方或接收方接收对方对信道的估计值后组合双方的信道估计值得到估计值对。
进一步的，特征提取网络的隐藏层数为ne，其输入为通信双方中一方的信道测量值
Figure BDA0003291091080000031
输入层的神经元个数为信道测量值的长度l；
隐藏层的第k层向k+1层的传播方式为：
Figure BDA0003291091080000032
其中
Figure BDA0003291091080000033
为第k层隐藏层的输出，
Figure BDA0003291091080000034
为第k层隐藏层的权重，
Figure BDA0003291091080000035
为第k层隐藏层偏置，σr(·)为ReLU激活函数，
Figure BDA0003291091080000036
为第k+1层隐藏层的输出；
特征提取网络的输出为：
Figure BDA0003291091080000037
其中vs为非互易性特征，vq为互易性特征。
进一步的，解码网络的隐藏层数为nd，其输入为特征提取网络输出的特征序列v，输入层的神经元个数为特征序列v的长度ls+lq，其中ls为vs长度，lq为vq长度；隐藏层的第k层向k+1层的传播方式为：
Figure BDA0003291091080000038
其中
Figure BDA0003291091080000039
为第k层隐藏层的输出，
Figure BDA00032910910800000310
为第k层隐藏层的权重，
Figure BDA00032910910800000311
为第k层隐藏层的偏置，σlr(·)为LeakyReLU激活函数，
Figure BDA00032910910800000312
为第k+1层隐藏层的输出；
解码网络的输出为：
Figure BDA0003291091080000041
其中
Figure BDA0003291091080000042
为根据特征提取网络提取的特征v所还原的
Figure BDA0003291091080000043
预测值。
进一步的，利用训练数据对秘钥生成网络进行联合训练更新所有网络参数使以下目标函数最小化：
Figure BDA0003291091080000044
其中M为一次训练的数据批量大小，λ为损失函数的权重，
Figure BDA0003291091080000045
为encoderA的输出
Figure BDA0003291091080000046
的损失函数，
Figure BDA0003291091080000047
为当前批次encoderA输出的第i个特征向量
Figure BDA0003291091080000048
的标签，
Figure BDA0003291091080000049
为encoderB的输出
Figure BDA00032910910800000410
的损失函数，
Figure BDA00032910910800000411
为当前批次encoderB输出的第i个特征向量
Figure BDA00032910910800000412
的标签，
Figure BDA00032910910800000413
为encoderA的输出
Figure BDA00032910910800000414
的损失函数，
Figure BDA00032910910800000415
为当前批次decoderA输出的第i个值
Figure BDA00032910910800000416
的标签，
Figure BDA00032910910800000417
为decoderB的输出
Figure BDA00032910910800000418
的损失函数，
Figure BDA00032910910800000419
为当前批次decoderB输出的第i个值
Figure BDA00032910910800000420
的标签。
进一步的，采用随机梯度下降算法，各网络参数更新公式为：
Figure BDA00032910910800000421
Figure BDA00032910910800000422
Figure BDA00032910910800000423
Figure BDA00032910910800000424
其中
Figure BDA00032910910800000425
分别是encoderA，encoderB，decoderA，decoderB的参数，μ为学习率。
进一步的，以得到的特征向量的均值为中心，设置下保护带门限和上保护带门限，具体量化公式为：
Figure BDA0003291091080000051
其中
Figure BDA0003291091080000052
为特征向量第i维的下保护带门限，
Figure BDA0003291091080000053
为特征向量第i维的上保护带门限，落在保护带之间的值会被舍弃，落在其他区域的值会根据量化准则量化为0或者1。
进一步的，互易性特征第i维相关系数的计算公式为：
Figure BDA0003291091080000054
其中
Figure BDA0003291091080000055
分别是合法通信双方互易性特征第i维的统计均值，
Figure BDA0003291091080000056
Figure BDA0003291091080000057
分别是合法通信双方互易性特征第i维的统计标准差。
一种基于深度学习的物理层密钥生成系统，包括预训练模块和密钥生成模块，
预训练模块用于根据收集的相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练并存储至密钥生成模块，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种基于深度学习的物理层密钥生成方法，通过收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；利用训练数据对秘钥生成网络进行训练，实现网络深度学习训练，利用通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列，利用该网络提取的一致性特征向量提取密钥有效提升了密钥的生成速率，提高了网络安全。
进一步的，通过提取合法通信双发对信道测量值的一致性特征向量，将该一致性特征用于提取密钥，有效提升了生成密钥的一致率。
进一步的，针对非理想信道测量值的特征提取网络结构，采用合法通信双方获取的密钥源是合法信号通过的信道的测量值，通过反向传播来更新网络参数，提高了网络训练速度，同时根据特征向量的各个维度的皮尔逊相关系数和均值，能够确保密钥生成的一致性。
一种基于深度学习的物理层密钥生成系统，通过估计合法通信双方测量的信道值相关度来决策量化门限，有效提升了生成密钥的一致率。
附图说明
图1为本发明实施例中物理层密钥生成方法的流程图。
图2为本发明实施例中神经网络示意图。
图3为本发明实施例中网络训练的示意图。
图4为本发明实施例中本发明与对比方案的一致性密钥生成速率的对比图。
图5为本发明实施例中本发明与对比方案的密钥生成不一致率的对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明基于深度学习的物理层密钥生成方法，合法通信双方获取的密钥源是合法信号通过的信道的测量值；合法通信双方对信道的测量时间间隔为τ，由于信道的时变性，每过相干时间Τ信道都会变化一次，τ与Τ之间满足τ<Τ，在相干时间内合法通信双方能完成一次对信道的测量，具体方法步骤如下：
如图1所示，一种基于深度学习的物理层密钥生成方法，包括以下步骤：
S1，在前N个相干时间收集合法通信双方Alice和Bob对信道的估计值对；其中在第i个相干时间内Alice对信道的估计值为
Figure BDA0003291091080000071
Bob对信道的估计值为
Figure BDA0003291091080000072
Bob端将估计的信道值发送给Alice，Alice端组合双方的信道估计值得到一对训练数据
Figure BDA0003291091080000073
收集N个相干时间合法通信双方的信道估计值对，从而得到初始的训练集TS＝[T1,T2,…,TN]。
S2，在合法通信双方的Alice端初始化四个全连接神经网络，构成两个自编码器，其结构示意图如图2所示。其中两个全连接网络分别是合法通信双方Alice和Bob的特征提取网络encoderA和encoderB。另外两个全连接网络是用于将特征提取网络encoderA和encoderB输出的特征向量vA和vB还原成原始输入的解码网络encoderA和encoderB。
具体的，将训练数据对
Figure BDA0003291091080000074
和
Figure BDA0003291091080000075
分别输入合法通信双方Alice和Bob的encoderA和encoderB，两个特征提取网络的输出为v*,*∈{A,B}分为两个部分，分别是
Figure BDA0003291091080000081
和
Figure BDA0003291091080000082
再将v*输入至各自对应的解码网络decoder得到
Figure BDA0003291091080000083
和
Figure BDA0003291091080000084
S3)，在encoder*,*∈{A,B}的输出
Figure BDA0003291091080000085
设置MSE损失函数，且两个encoder的输出
Figure BDA0003291091080000086
互为标签，在decoder*,*∈{A,B}的输出设置MSE损失函数，其标签为各自encoder的输入。
S4)，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练。
S5)，训练完成后保留用于一致性特征提取网络encoderA和encoderB。计算N个训练样本分别通过Alice和Bob特征提取网络输出的一致性特征向量
Figure BDA0003291091080000087
和
Figure BDA0003291091080000088
的各个维度的皮尔逊相关系数和均值。将用于Bob端信道估计值特征提取的encoderB的参数、相关系数以及
Figure BDA0003291091080000089
的均值发送给Bob。
Alice和Bob端分别将其信道测量值输入各自的特征提取网络encoder得到各自的特征向量vq，使用密钥量化算法对vq量化得到密钥序列KA与KB。
上述的训练阶段的步骤2)中两个自编码器结构示意图如图2所示，包括特征提取网络encoder和解码网络decoder两个部分，其前向传播方式具体为：
特征提取网络encoder部分：
a.encoderA的隐藏层数为ne，其输入为Alice的信道测量值
Figure BDA00032910910800000810
输入层的神经元个数为信道测量值的长度l；
b.隐藏层的第k层向k+1层的传播方式为：
Figure BDA00032910910800000811
其中
Figure BDA00032910910800000812
为第k层隐藏层的输出，
Figure BDA00032910910800000813
为第k层隐藏层的权重，
Figure BDA00032910910800000814
为第k层隐藏层偏置，σr(·)为ReLU激活函数，
Figure BDA0003291091080000091
为第k+1层隐藏层的输出；
c.全连接特征提取网络encoder的输出为：
Figure BDA0003291091080000092
其中vs为非互易性特征，vq为互易性特征。
解码网络decoder部分：
a.解码网络decoderA的隐藏层数为nd，其输入为特征提取网络输出的特征序列v，输入层的神经元个数为特征序列v的长度ls+lq，其中ls为vs长度，lq为vq长度；
b.隐藏层的第k层向k+1层的传播方式为：
Figure BDA0003291091080000093
其中
Figure BDA0003291091080000094
为第k层隐藏层的输出，
Figure BDA0003291091080000095
为第k层隐藏层的权重，
Figure BDA0003291091080000096
为第k层隐藏层的偏置，σlr(·)为LeakyReLU激活函数，
Figure BDA0003291091080000097
为第k+1层隐藏层的输出。
c.全连接解码网络decoderA的输出为：
Figure BDA0003291091080000098
其中
Figure BDA0003291091080000099
为根据特征提取网络提取的特征v所还原的
Figure BDA00032910910800000910
预测值。
对两个自编码器的训练方式为联合训练，其训练示意图如图3所示，具体为：
利用训练数据对秘钥生成网络进行联合训练更新所有网络参数使以下目标函数最小化：
Figure BDA00032910910800000911
其中M为一次训练的数据批量大小，λ为损失函数的权重，
Figure BDA00032910910800000912
为encoderA的输出
Figure BDA0003291091080000101
的损失函数，
Figure BDA0003291091080000102
为当前批次encoderA输出的第i个特征向量
Figure BDA0003291091080000103
的标签，
Figure BDA0003291091080000104
为encoderB的输出
Figure BDA0003291091080000105
的损失函数，
Figure BDA0003291091080000106
为当前批次encoderB输出的第i个特征向量
Figure BDA0003291091080000107
的标签，
Figure BDA0003291091080000108
为encoderA的输出
Figure BDA0003291091080000109
的损失函数，
Figure BDA00032910910800001010
为当前批次decoderA输出的第i个值
Figure BDA00032910910800001011
的标签，
Figure BDA00032910910800001012
为decoderB的输出
Figure BDA00032910910800001013
的损失函数，
Figure BDA00032910910800001014
为当前批次decoderB输出的第i个值
Figure BDA00032910910800001015
的标签。为了实现上述优化任务，采用随机梯度下降算法，各网络参数更新公式为：
Figure BDA00032910910800001016
Figure BDA00032910910800001017
Figure BDA00032910910800001018
Figure BDA00032910910800001019
其中
Figure BDA00032910910800001020
分别是encoderA，encoderB，decoderA，decoderB的参数，μ为学习率。
采用密钥量化算法能够根据互易性特征向量各个维度的相关系数来自适应设置其量化门限，具体的算法实现：
以得到的特征向量的均值为中心，设置下保护带门限和上保护带门限，具体量化公式为：
Figure BDA00032910910800001021
其中
Figure BDA00032910910800001022
为特征向量第i维的下保护带门限，
Figure BDA00032910910800001023
为特征向量第i维的上保护带门限，落在保护带之间的值会被舍弃，落在其他区域的值会根据量化准则量化为0或者1。保护带的设置由合法通信双方Alice和Bob训练阶段计算的出的特征向量各个维度的相关系数决定，互易性特征第i维相关系数的计算公式为：
Figure BDA0003291091080000111
其中
Figure BDA0003291091080000112
分别是Alice和Bob互易性特征第i维的统计均值，
Figure BDA0003291091080000113
Figure BDA0003291091080000114
分别是Alice和Bob互易性特征第i维的统计标准差。
下保护带和上保护带的计算公式为：
Figure BDA0003291091080000115
Figure BDA0003291091080000116
其中
Figure BDA0003291091080000117
是互易性特征向量第i维的均值。
图4展示了根据本发明和对比方案提取的一致性密钥生成速率随SNR的变化曲线。显然，利用本发明基于深度学习的物理层密钥提取方案提取的一致性密钥生成速率相比直接利用信道估计值量化的一致性密钥生成速率得到明显的提升。
图5展示了根据本发明和对比方案提取的密钥不一致率速率随SNR的变化曲线。在SNR小于7时，本发明提取密钥的不一致率和对比方案相当，当SNR大于7时本发明提取的密钥不一致率远低于对比方案。

Claims (10)

1.一种基于深度学习的物理层密钥生成方法，其特征在于，包括以下步骤：
S1，收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据；
S2，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；
S3，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；
S4，将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
2.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，合法通信双方对信道的测量时间间隔为τ，由于信道的时变性，每过相干时间Τ信道都会变化一次，τ<Τ，在相干时间内合法通信双方能完成一次对信道的测量。
3.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，在相干时间内收集合法通信双方中发送方对信道的估计值以及接收方对信道的估计值，发送方或接收方接收对方对信道的估计值后组合双方的信道估计值得到估计值对。
4.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，特征提取网络的隐藏层数为ne，其输入为通信双方中一方的信道测量值
Figure FDA0003291091070000021
输入层的神经元个数为信道测量值的长度l；
隐藏层的第k层向k+1层的传播方式为：
Figure FDA0003291091070000022
其中
Figure FDA0003291091070000023
为第k层隐藏层的输出，
Figure FDA0003291091070000024
为第k层隐藏层的权重，
Figure FDA0003291091070000025
为第k层隐藏层偏置，σr(·)为ReLU激活函数，
Figure FDA0003291091070000026
为第k+1层隐藏层的输出；
特征提取网络的输出为：
Figure FDA0003291091070000027
其中vs为非互易性特征，vq为互易性特征。
5.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，解码网络的隐藏层数为nd，其输入为特征提取网络输出的特征序列v，输入层的神经元个数为特征序列v的长度ls+lq，其中ls为vs长度，lq为vq长度；隐藏层的第k层向k+1层的传播方式为：
Figure FDA0003291091070000028
其中
Figure FDA0003291091070000029
为第k层隐藏层的输出，
Figure FDA00032910910700000210
为第k层隐藏层的权重，
Figure FDA00032910910700000211
为第k层隐藏层的偏置，σlr(·)为LeakyReLU激活函数，
Figure FDA00032910910700000212
为第k+1层隐藏层的输出；
解码网络的输出为：
Figure FDA00032910910700000213
其中
Figure FDA00032910910700000214
为根据特征提取网络提取的特征v所还原的
Figure FDA00032910910700000215
预测值。
6.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，利用训练数据对秘钥生成网络进行联合训练更新所有网络参数使以下目标函数最小化：
Figure FDA0003291091070000031
其中M为一次训练的数据批量大小，λ为损失函数的权重，
Figure FDA0003291091070000032
为encoderA的输出
Figure FDA0003291091070000033
的损失函数，
Figure FDA0003291091070000034
为当前批次encoderA输出的第i个特征向量
Figure FDA0003291091070000035
的标签，
Figure FDA0003291091070000036
为encoderB的输出
Figure FDA0003291091070000037
的损失函数，
Figure FDA0003291091070000038
为当前批次encoderB输出的第i个特征向量
Figure FDA0003291091070000039
的标签，
Figure FDA00032910910700000310
为encoderA的输出
Figure FDA00032910910700000311
的损失函数，
Figure FDA00032910910700000312
为当前批次decoderA输出的第i个值
Figure FDA00032910910700000313
的标签，
Figure FDA00032910910700000314
为decoderB的输出
Figure FDA00032910910700000315
的损失函数，
Figure FDA00032910910700000316
为当前批次decoderB输出的第i个值
Figure FDA00032910910700000317
的标签。
7.根据权利要求6所述的一种基于深度学习的物理层密钥生成方法，其特征在于，采用随机梯度下降算法，各网络参数更新公式为：
Figure FDA00032910910700000318
Figure FDA00032910910700000319
Figure FDA00032910910700000320
Figure FDA00032910910700000321
其中
Figure FDA00032910910700000322
分别是encoderA，encoderB，decoderA，decoderB的参数，μ为学习率。
8.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，以得到的特征向量的均值为中心，设置下保护带门限和上保护带门限，具体量化公式为：
Figure FDA0003291091070000041
其中
Figure FDA0003291091070000042
为特征向量第i维的下保护带门限，
Figure FDA0003291091070000043
为特征向量第i维的上保护带门限，落在保护带之间的值会被舍弃，落在其他区域的值会根据量化准则量化为0或者1。
9.根据权利要求4所述的一种基于深度学习的物理层密钥生成方法，其特征在于，互易性特征第i维相关系数的计算公式为：
Figure FDA0003291091070000044
其中
Figure FDA0003291091070000045
分别是合法通信双方互易性特征第i维的统计均值，
Figure FDA0003291091070000046
Figure FDA0003291091070000047
分别是合法通信双方互易性特征第i维的统计标准差。
10.一种基于深度学习的物理层密钥生成系统，其特征在于，包括预训练模块和密钥生成模块，
预训练模块用于根据收集的相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练并存储至密钥生成模块，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
CN202111165134.5A 2021-09-30 2021-09-30 一种基于深度学习的物理层密钥生成方法及系统 Active CN113746628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111165134.5A CN113746628B (zh) 2021-09-30 2021-09-30 一种基于深度学习的物理层密钥生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111165134.5A CN113746628B (zh) 2021-09-30 2021-09-30 一种基于深度学习的物理层密钥生成方法及系统

Publications (2)

Publication Number Publication Date
CN113746628A CN113746628A (zh) 2021-12-03
CN113746628B true CN113746628B (zh) 2022-07-12

Family

ID=78725958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111165134.5A Active CN113746628B (zh) 2021-09-30 2021-09-30 一种基于深度学习的物理层密钥生成方法及系统

Country Status (1)

Country Link
CN (1) CN113746628B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114337849B (zh) * 2021-12-21 2023-03-14 上海交通大学 基于互信息量估计神经网络的物理层保密方法及系统
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112399413B (zh) * 2020-11-09 2022-08-30 东南大学 基于深度支持向量描述方法的物理层身份认证方法
CN113395096B (zh) * 2021-06-24 2022-03-18 湖南国天电子科技有限公司 一种fdd系统中基于深度学习的物理层安全传输方法

Also Published As

Publication number Publication date
CN113746628A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113746628B (zh) 一种基于深度学习的物理层密钥生成方法及系统
Croft et al. Robust uncorrelated bit extraction methodologies for wireless sensors
Zhu et al. Extracting secret key from wireless link dynamics in vehicular environments
Zhu et al. Using wireless link dynamics to extract a secret key in vehicular scenarios
CN113221105B (zh) 一种基于部分参数聚合的鲁棒性联邦学习算法
CN108365951B (zh) 一种基于神经网络的高一致性物理密钥生成方法
Zhan et al. On the using of discrete wavelet transform for physical layer key generation
CN106102055B (zh) 基于特征分布变换的无线信道密钥生成方法
TW201036393A (en) Information-theoretically secure secrecy generation
CN115310121B (zh) 车联网中基于MePC-F模型的实时强化联邦学习数据隐私安全方法
WO2021106077A1 (ja) ニューラルネットワークの更新方法、端末装置、計算装置及びプログラム
CN113395157B (zh) 一种基于量化保护带的物理层密钥提取方法
WO2020024440A1 (zh) 一种自由空间光通信数据的加密方法与系统
Hussein et al. The quality of image encryption techniques by reasoned logic
CN105827632B (zh) 云计算ccs细粒度数据控制方法
Song et al. Finite-key analysis for quantum key distribution with decoy states
Huang et al. Dynamic bayesian network based security analysis for physical layer key extraction
Jin et al. Adaptive channel estimation in side channel attacks
CN115378707A (zh) 基于门限同态的自适应采样联邦学习隐私保护方法
CN114389805A (zh) 一种基于高斯调制相干态的cv-qkd的后处理方法
Sarsodia et al. PCA based components selection criteria for computationally efficient Physical Layer Key Generation (PLKG) system
Li et al. Stochastic channel modeling for deep neural network-aided sparse code multiple access communications
CN118301601A (zh) 一种基于深度学习的物理层密钥生成方法
US20240214191A1 (en) Methods and systems for a 2-qubit multi-user quantum key distribution protocol
CN112511290B (zh) 一种基于粒子群混合退火算法的侧信道攻击方法

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