CN113784349A - 5g边缘计算下基于深度学习的提高安全认证的方法 - Google Patents

5g边缘计算下基于深度学习的提高安全认证的方法 Download PDF

Info

Publication number
CN113784349A
CN113784349A CN202111316869.3A CN202111316869A CN113784349A CN 113784349 A CN113784349 A CN 113784349A CN 202111316869 A CN202111316869 A CN 202111316869A CN 113784349 A CN113784349 A CN 113784349A
Authority
CN
China
Prior art keywords
matrix
initial
channel fingerprint
sample set
channel
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.)
Pending
Application number
CN202111316869.3A
Other languages
English (en)
Inventor
陈宜
汪思晶
文红
宋欢欢
杜爽
韩文
林浩杰
孙浩然
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.)
University of Electronic Science and Technology of China
Original Assignee
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111316869.3A priority Critical patent/CN113784349A/zh
Publication of CN113784349A publication Critical patent/CN113784349A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • H04W12/065—Continuous authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了5G边缘计算下基于深度学习的提高安全认证的方法，属于传输数据包安全识别领域。该方法包括以下步骤：采集初始信道指纹；对初始信道指纹进行预处理，得到初始训练样本集；对初始训练样本集进行随机权重数据增强处理或者分块交换数据增强处理；用数据增强后的训练数据集去训练网络模型，从而得到物理层信道指纹认证模型；对未知信道指纹进行物理层信道认证。本发明在获取较少的原始信道指纹数据的情况下，通过随机权重数据增强或者分块交换数据增强的方法快速生成更多有效的训练数据样本，加快了网络模型的训练速度，并提高了物理层信道认证成功率。

Description

5G边缘计算下基于深度学习的提高安全认证的方法
技术领域
本发明属于传输数据包安全识别领域，特别涉及5G边缘计算下基于深度学习的提高安全认证的方法。
背景技术
物理层信道认证是利用无线信道独特的信道指纹来识别数据包，具有轻重量、高可靠的特点，非常适用于5G大规模机器通信的应用场景。然而，传统基于门限阈值的物理层信道认证方法由于难以获得准确的门限阈值而导致信道认证准确率波动性大、认证成功率不高。基于机器学习的信道认证方法虽然可以有效提升信道指纹的认证成功率，尤其是在边缘计算的支持下，可以实现边缘训练，终端或节点几乎可以不做任何计算。但是基于机器学习的信道认证方法的高认证率需要大量数据来训练认证模型，然而在资源受限或时延敏感的一些无线通信应用场景中，通常没有足够的时间来采集充足的信道指纹训练数据集样本，从而影响网络模型的训练和认证性能。
数据增强(Data Augmentation，DA)是一种可用于增加训练深度学习模型的数据集样本大小的技术，比如几何变换、核滤波、随机擦除、随机尺度缩放、特征空间增强训练、对抗训练等等。通过数据增强技术对已有的训练数据集进行扩充，而扩充后的数据集可以更好地训练机器学习模型，并期望实现对目标的分类预测。数据增强在计算机视觉和图像音频等领域已有不少研究，但是适用于图像分类的数据增强算法却不利于增加物理层信道指纹样本的多样性，因为基于翻转、旋转、平移缩放、核滤波器、随机擦除等技术的数据增强方法会破坏信道矩阵的内部结构，并降低了物理层信道认证成功率，故这些传统的数据增强方法不适用于物理层信道认证的应用场景，因此有必要设计新的适合于物理层信道认证的基于深度学习的数据增强方法。
发明内容
本发明的目的在于克服现有技术的不足，提供了5G边缘计算下基于深度学习的提高安全认证的方法。在获取较少的原始信道训练样本的情况下，针对不同资源服务器的应用场景，分别通过随机权重(Stochastic Weight Data Augmentation，SWDA)数据增强的方法和分块交换(Block Swap Data Augmentation，BSDA)数据增强的方法快速生成更多有效的训练数据样本，以加速网络模型的训练，并提高物理层信道认证成功率。
本发明采用的技术方案如下：
5G边缘计算下基于深度学习的提高安全认证的方法，包括以下步骤：
S1.采集
Figure DEST_PATH_IMAGE001
个通信节点的初始信道指纹矩阵
Figure 696356DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
，
Figure 694268DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
表示采集通信节点k的初始信道指纹矩阵
Figure 641145DEST_PATH_IMAGE002
数量的最大值，
Figure 77812DEST_PATH_IMAGE006
是一个维度为
Figure DEST_PATH_IMAGE007
的复数矩阵，
Figure 689184DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
表示子载波数，
Figure 857997DEST_PATH_IMAGE010
表示发射天 线的数量，n表示接收天线的数量；
S2.根据初始信道指纹矩阵
Figure 866404DEST_PATH_IMAGE002
生成初始实数信道指纹矩阵
Figure DEST_PATH_IMAGE011
，
Figure 526668DEST_PATH_IMAGE012
：
Figure DEST_PATH_IMAGE013
（1）
其中，
Figure 461389DEST_PATH_IMAGE014
表示初始信道指纹矩阵
Figure 879732DEST_PATH_IMAGE002
的实部矩阵，
Figure DEST_PATH_IMAGE015
表示初始信 道指纹矩阵H的虚部矩阵；
S3.给每个初始实数信道指纹矩阵
Figure 31227DEST_PATH_IMAGE011
一个对应的标签
Figure 567951DEST_PATH_IMAGE016
，生成初始训练样本集
Figure DEST_PATH_IMAGE017
为：
Figure 121292DEST_PATH_IMAGE018
（3）
Figure DEST_PATH_IMAGE019
（4）
Figure 398952DEST_PATH_IMAGE020
（5）
其中，
Figure DEST_PATH_IMAGE021
，
Figure 303323DEST_PATH_IMAGE022
均表示计算过程的中间变量，无具体含义；
S4.对初始训练样本集
Figure DEST_PATH_IMAGE023
进行数据增强处理；
方法一：随机权重数据增强方法：
选取
Figure 790543DEST_PATH_IMAGE024
个初始实数信道指纹矩阵
Figure DEST_PATH_IMAGE025
参与构造第
Figure 463970DEST_PATH_IMAGE026
个新的实数信道指纹矩阵
Figure DEST_PATH_IMAGE027
：
Figure 161798DEST_PATH_IMAGE028
（6）
其中，
Figure 366515DEST_PATH_IMAGE024
是一个正整数并且
Figure DEST_PATH_IMAGE029
；
Figure 928864DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE031
表示从初 始实数信道指纹矩阵
Figure 191218DEST_PATH_IMAGE032
中选取通信节点k的第i个初始实数信道指纹矩阵，
Figure DEST_PATH_IMAGE033
；
Figure 76260DEST_PATH_IMAGE034
表示随机权重值并且
Figure DEST_PATH_IMAGE035
；
给每个新的实数信道指纹矩阵
Figure 955223DEST_PATH_IMAGE027
一个对应的标签
Figure 112141DEST_PATH_IMAGE016
，得到第k个通信节点的随机 权重数据增强样本集；结合第k个通信节点的随机权重数据增强样本集和初始训练样本集
Figure 573210DEST_PATH_IMAGE036
，构成第k个通信节点的新的训练样本集
Figure DEST_PATH_IMAGE037
：
Figure 347262DEST_PATH_IMAGE038
（7）
Figure DEST_PATH_IMAGE039
（8）
Figure 182363DEST_PATH_IMAGE040
（9）
其中，
Figure DEST_PATH_IMAGE041
，
Figure 363812DEST_PATH_IMAGE042
均表示计算过程的中间变量，无具体 含义；
方法二：分块交换数据增强方法：
将实数信道指纹矩阵
Figure 679387DEST_PATH_IMAGE025
按行或者按列平均分成两块，按照行进行分块如公式（10） 所示，按照列进行分块如公式（11）所示：
Figure DEST_PATH_IMAGE043
（10）
Figure 139187DEST_PATH_IMAGE044
（11）
其中，
Figure DEST_PATH_IMAGE045
均表示维度为
Figure 477896DEST_PATH_IMAGE046
的行向量，
Figure DEST_PATH_IMAGE047
表示矩 阵的转置，
Figure 914300DEST_PATH_IMAGE048
和
Figure 349961DEST_PATH_IMAGE049
分别表示实数信道指纹矩阵
Figure 42979DEST_PATH_IMAGE025
的上半分块元素矩阵和下半分块 元素矩阵；
Figure 100002_DEST_PATH_IMAGE050
均表示维度为
Figure 354137DEST_PATH_IMAGE051
的列向量，
Figure 100002_DEST_PATH_IMAGE052
和
Figure 95697DEST_PATH_IMAGE053
分别表示实数信道指纹矩阵
Figure 873947DEST_PATH_IMAGE025
的左半分块元素矩阵和右半分块元素矩阵；
将相邻
Figure 100002_DEST_PATH_IMAGE054
个实数信道指纹矩阵
Figure 941129DEST_PATH_IMAGE025
的分块元素分别进行同位置交换， 如公式（12）或公式（13）所示，生成新的信道指纹矩阵
Figure 51167DEST_PATH_IMAGE055
：
Figure 100002_DEST_PATH_IMAGE056
（12）
Figure 97883DEST_PATH_IMAGE057
（13）
其中，
Figure 100002_DEST_PATH_IMAGE058
，
Figure 695086DEST_PATH_IMAGE059
，此 处的
Figure 100002_DEST_PATH_IMAGE060
表示一个正整数且
Figure 900546DEST_PATH_IMAGE061
；
给每个新的信道指纹矩阵
Figure 100002_DEST_PATH_IMAGE062
一个对应的标签
Figure 435564DEST_PATH_IMAGE016
，得到第k个通信节点的分块交换 数据增强样本集；结合第k个通信节点的分块交换数据增强样本集和初始训练样本集
Figure 597555DEST_PATH_IMAGE036
，构成第k个通信节点的新的训练样本集
Figure 111582DEST_PATH_IMAGE063
：
Figure 100002_DEST_PATH_IMAGE064
（16）
Figure 747663DEST_PATH_IMAGE065
（17）
Figure 100002_DEST_PATH_IMAGE066
（18）
其中，
Figure 284824DEST_PATH_IMAGE067
均表示计算过程的中间变量，无具体含义；
S5.重复步骤S4，通过对所有通信节点的初始训练样本集
Figure 984926DEST_PATH_IMAGE023
进行随机权重数据 增强或者分块交换数据增强处理，并更新对应的标签，得到新的训练数据样本集；
S6.通过新的训练数据样本集去训练网络模型，从而得到训练好的物理层信道指纹认证模型；
S7.将未知信道指纹输入步骤S6的物理层信道指纹认证模型，根据输出结果完成对未知信道指纹的认证识别。
优选地，所述步骤S6中的网络模型包括但不限定于机器学习算法或神经网络算法，其中，机器学习算法包括支持向量机算法、K最近邻（k-Nearest Neighbor，KNN）算法和分类树算法等，神经网络算法包括逻辑回归算法、浅层神经网络算法、深度神经网络（DeepNeural Networks，DNN）算法、卷积神经网络（Convolutional Neural Networks，CNN）算法和循环神经网络算法等。
本发明的有益效果是：本发明通过随机权重数据增强方法或者分块交换数据增强方法，将初始采集的少量信道指纹样本进行数据增强以生成更多的训练数据样本，用数据增强后的训练数据样本集去训练网络模型，不仅可以加快网络模型的训练速度，还有利于提高多用户物理层信道指纹的认证成功率，非常适用于5G边缘计算下基于深度学习的提高安全认证的应用场景。
附图说明
图1为本发明实施例的信道指纹认证流程图。
图2为实施例中信道指纹认证成功率图。
具体实施方式
下面结合具体实施例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。
图1为本实施例的信道指纹认证流程图，5G边缘计算下基于深度学习的提高安全认证的方法，包括以下步骤：
S1. 本实施例中，接收天线数量n为8，发射天线数量
Figure 100002_DEST_PATH_IMAGE068
为1，子载波数量
Figure 792608DEST_PATH_IMAGE069
为128； 15个通信节点均采集100个初始信道指纹矩阵
Figure 434811DEST_PATH_IMAGE070
，其中
Figure DEST_PATH_IMAGE071
，
Figure 692223DEST_PATH_IMAGE072
。
S2.根据初始信道指纹矩阵
Figure 196017DEST_PATH_IMAGE070
生成初始实数信道指纹矩阵
Figure 419057DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE073
：
Figure 405729DEST_PATH_IMAGE074
（1）
其中，
Figure DEST_PATH_IMAGE075
表示初始信道指纹矩阵
Figure 917482DEST_PATH_IMAGE076
的实部矩阵，
Figure DEST_PATH_IMAGE077
表示初始信 道指纹矩阵
Figure 650733DEST_PATH_IMAGE076
的虚部矩阵；
则初始实数信道指纹矩阵
Figure 744591DEST_PATH_IMAGE025
的表达式为：
Figure DEST_PATH_IMAGE079
Figure DEST_PATH_IMAGE081
（2）
Figure 89116DEST_PATH_IMAGE082
表示实部矩阵
Figure DEST_PATH_IMAGE083
中第m行第n列个元素，
Figure 557006DEST_PATH_IMAGE084
表示虚部矩阵
Figure DEST_PATH_IMAGE085
中第m行第n 列个元素。
S3. 给每个初始实数信道指纹矩阵
Figure 353667DEST_PATH_IMAGE025
一个对应的标签
Figure 551299DEST_PATH_IMAGE016
，则初始训练样本集
Figure 191359DEST_PATH_IMAGE036
为：
Figure 975907DEST_PATH_IMAGE086
（3）
Figure DEST_PATH_IMAGE087
（4）
Figure 280986DEST_PATH_IMAGE088
（5）
其中，标签
Figure 349436DEST_PATH_IMAGE016
用独热码(one-hot code)表示，
Figure DEST_PATH_IMAGE089
，
Figure 112729DEST_PATH_IMAGE090
均表示计算过程的中间 变量，无具体含义。
S4. 针对不同资源服务器的应用场景，选择不同的数据增强方法对初始训练样本 集
Figure 633840DEST_PATH_IMAGE023
进行数据增强处理，其中方法一更适用于服务器资源一般的应用场景，方法二更适 用于服务器资源充足的应用场景。
方法一：随机权重数据增强方法；
首先，选取
Figure DEST_PATH_IMAGE091
个初始实数信道指纹矩阵
Figure 509655DEST_PATH_IMAGE025
参与构造第
Figure 681879DEST_PATH_IMAGE026
个新的信道指纹矩阵
Figure 929320DEST_PATH_IMAGE027
：
Figure 419951DEST_PATH_IMAGE028
（6）
此时，
Figure 411041DEST_PATH_IMAGE092
，例如
Figure DEST_PATH_IMAGE093
则选择
Figure 375455DEST_PATH_IMAGE094
参与构造第
Figure DEST_PATH_IMAGE095
个新的信 道指纹矩阵
Figure 216634DEST_PATH_IMAGE096
；
Figure DEST_PATH_IMAGE097
表示随机权重值并且
Figure 368130DEST_PATH_IMAGE098
。
给每个新的实数信道指纹矩阵
Figure 916573DEST_PATH_IMAGE027
一个对应的标签
Figure 548542DEST_PATH_IMAGE016
，得到第k个通信节点的随机 权重数据增强样本集；结合第k个通信节点的随机权重数据增强样本集和第k个通信节点的 初始训练样本集
Figure 121475DEST_PATH_IMAGE036
，构成第k个通信节点的新的训练样本集
Figure 855207DEST_PATH_IMAGE037
：
Figure 188099DEST_PATH_IMAGE038
（7）
Figure DEST_PATH_IMAGE099
（8）
Figure 861526DEST_PATH_IMAGE100
（9）
方法二：分块交换数据增强方法；
首先，将实数信道指纹矩阵
Figure 369474DEST_PATH_IMAGE025
按行或者按列平均分成两块，按照行进行分块如公 式（10）所示，按照列进行分块如公式（11）所示：
Figure DEST_PATH_IMAGE101
（10）
Figure 26721DEST_PATH_IMAGE102
（11）
其中，
Figure DEST_PATH_IMAGE103
均表示维度为
Figure 54982DEST_PATH_IMAGE104
的行向量，
Figure 661544DEST_PATH_IMAGE047
表示矩阵的转置，
Figure 107437DEST_PATH_IMAGE048
和
Figure 268291DEST_PATH_IMAGE049
分别表示实数信道指纹矩阵
Figure 216088DEST_PATH_IMAGE025
的上半分块元素矩阵和下半分块元素矩阵；
Figure DEST_PATH_IMAGE105
均表示维度为
Figure 864107DEST_PATH_IMAGE106
的列向量，
Figure 700476DEST_PATH_IMAGE052
和
Figure 630517DEST_PATH_IMAGE053
分别表示实数信道指纹矩 阵
Figure 108903DEST_PATH_IMAGE025
的左半分块元素矩阵和右半分块元素矩阵。
然后，将相邻
Figure DEST_PATH_IMAGE107
个实数信道指纹矩阵
Figure 93652DEST_PATH_IMAGE025
的分块元素分别进行同位置交换，如公 式（12）或公式（13）所示，生成新的信道指纹矩阵
Figure 632081DEST_PATH_IMAGE062
：
Figure 282374DEST_PATH_IMAGE056
（12）
Figure 298871DEST_PATH_IMAGE057
（13）
其中，
Figure 485264DEST_PATH_IMAGE108
，
Figure DEST_PATH_IMAGE109
。
因此，第k个通信节点的新的信道指纹矩阵集
Figure 115966DEST_PATH_IMAGE110
如式（14）或式（15）所示：
Figure 4287DEST_PATH_IMAGE112
Figure DEST_PATH_IMAGE113
（14）
Figure DEST_PATH_IMAGE115
Figure DEST_PATH_IMAGE117
Figure 594450DEST_PATH_IMAGE118
（15）
给每个新的信道指纹矩阵
Figure 619037DEST_PATH_IMAGE062
一个对应的标签
Figure 482957DEST_PATH_IMAGE016
，得到第k个通信节点的分块交换 数据增强样本集；结合第k个通信节点的分块交换数据增强样本集和第k个通信节点的初始 训练样本集
Figure 858575DEST_PATH_IMAGE036
，构成第k个通信节点的新的训练样本集
Figure 230257DEST_PATH_IMAGE063
：
Figure 374930DEST_PATH_IMAGE064
（16）
Figure DEST_PATH_IMAGE119
（17）
Figure 347434DEST_PATH_IMAGE120
（18）
S5.重复步骤S4，通过对所有通信节点的初始训练样本集
Figure 961081DEST_PATH_IMAGE023
进行随机权重数据 增强或者分块交换数据增强处理，并更新对应的标签，得到新的训练数据样本集为
Figure DEST_PATH_IMAGE121
或者
Figure 310022DEST_PATH_IMAGE122
。
S6.通过
Figure 574782DEST_PATH_IMAGE121
或者
Figure 562196DEST_PATH_IMAGE122
去训练网络模型，从而得到训练好的物理层信道指纹认 证模型。
S7.将未知信道指纹输入步骤S6的物理层信道指纹认证模型，根据输出结果完成对未知信道指纹的认证识别。
在本实施例中，选择两层卷积神经网络进行训练和分类，每层卷积神经网络均包含卷积层、池化层、激活层，最后为全连接层。
在本实施例中，第一层的卷积核大小设为4×4，步长为1，卷积核数量设为8，第一层池化层选择平均池化，池化滤波器为4×4，池化步长为4，第一层的激活函数选择ReLU函数。第二层卷积核大小设为2×2，步长为1，卷积核数量设为16，第二层也选择平均池化，池化滤波器为2×2，池化步长为2，第二层的激活函数选择ReLU函数。图2为本实施例的信道指纹认证成功率图，如图所示，经过多轮迭代后，信道认证成功率收敛，并且经过数据增强处理的信道认证方法的认证成功率明显高于没有数据增强的信道认证方法。当服务器资源充足的时候，相比于随机权重数据增强算法，选用分块交换数据增强方法则可以快速生成更多有效的训练样本，因此分块交换数据增强方法更能加快深度学习模型的训练速度并提高信道认证成功率。
综上，本发明通过随机权重数据增强方法和分块交换数据增强方法，将初始采集的少量信道指纹样本进行数据增强处理以生成更多的训练样本，再用数据增强后的训练样本集去训练网络模型，不仅加快了网络模型的训练速度，还提高了多用户物理层信道指纹的认证成功率，非常适用于5G边缘计算下基于深度学习的提高安全认证的应用场景。
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，不应该看作是对其它实施例的排除，而可用于其它组合、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 (5)

1.5G边缘计算下基于深度学习的提高安全认证的方法，其特征在于，包括以下步骤：
S1.采集
Figure DEST_PATH_IMAGE002
个通信节点的初始信道指纹矩阵
Figure DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE010
表示采集通信节点k的初始信道指纹矩阵
Figure 575401DEST_PATH_IMAGE004
数量的最大值，
Figure DEST_PATH_IMAGE012
是一个维度为
Figure DEST_PATH_IMAGE014
的复数矩阵，
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
表示子载波数，
Figure DEST_PATH_IMAGE020
表示发射天线的数量，n表示接收天线的数量；
S2.分别提取初始信道指纹矩阵
Figure 101935DEST_PATH_IMAGE004
的实部和虚部，生成初始实数信道指纹矩阵
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE024
；
S3.给每个初始实数信道指纹矩阵
Figure 768670DEST_PATH_IMAGE022
一个对应的标签
Figure DEST_PATH_IMAGE026
，生成初始训练样本集
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE030
（3）
S4.对初始训练样本集
Figure DEST_PATH_IMAGE032
进行随机权重数据增强处理：
选取
Figure DEST_PATH_IMAGE034
个初始实数信道指纹矩阵
Figure 185440DEST_PATH_IMAGE022
参与构造第
Figure DEST_PATH_IMAGE036
个新的实数信道指纹矩阵
Figure DEST_PATH_IMAGE038
：
Figure DEST_PATH_IMAGE040
（6）
其中，
Figure 895382DEST_PATH_IMAGE034
是一个正整数并且
Figure DEST_PATH_IMAGE042
；
Figure DEST_PATH_IMAGE044
；
Figure DEST_PATH_IMAGE046
表示从初始实数信道指纹矩阵
Figure DEST_PATH_IMAGE048
中选取通信节点k的第i个初始实数信道指纹矩阵，
Figure DEST_PATH_IMAGE050
；
Figure DEST_PATH_IMAGE052
表示随机权重值并且
Figure DEST_PATH_IMAGE054
；
给每个新的实数信道指纹矩阵
Figure 637991DEST_PATH_IMAGE038
一个对应的标签
Figure 221551DEST_PATH_IMAGE026
，得到第k个通信节点的随机权重数据增强样本集；结合第k个通信节点的随机权重数据增强样本集和初始训练样本集
Figure 454561DEST_PATH_IMAGE028
，构成第k个通信节点的新的训练样本集
Figure DEST_PATH_IMAGE056
；
S5.重复步骤S4，通过对所有通信节点的初始训练样本集
Figure 248205DEST_PATH_IMAGE032
进行数据增强处理，并更新对应的标签，得到新的训练数据样本集；
S6.通过新的训练数据样本集去训练网络模型，从而得到训练好的物理层信道指纹认证模型；
S7.将未知信道指纹输入步骤S6的物理层信道指纹认证模型，根据输出结果完成对未知信道指纹的认证识别。
2.如权利要求1所述的5G边缘计算下基于深度学习的提高安全认证的方法，其特征在于，所述步骤S4中，将随机权重数据增强方法替换为分块交换数据增强方法：
将实数信道指纹矩阵
Figure 227793DEST_PATH_IMAGE022
按行平均分成两块，得到上半分块元素矩阵
Figure DEST_PATH_IMAGE058
和下半分块元素矩阵
Figure DEST_PATH_IMAGE060
；或者按列平均分成两块，得到左半分块元素矩阵
Figure DEST_PATH_IMAGE062
和右半分块元素矩阵
Figure DEST_PATH_IMAGE064
；
将相邻
Figure DEST_PATH_IMAGE066
个实数信道指纹矩阵
Figure 431240DEST_PATH_IMAGE022
的分块元素分别进行同位置交换，如公式（12）或公式（13）所示，生成新的信道指纹矩阵
Figure DEST_PATH_IMAGE068
：
Figure DEST_PATH_IMAGE070
（12）
Figure DEST_PATH_IMAGE072
（13）
其中，
Figure DEST_PATH_IMAGE074
，
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE080
表示一个正整数且
Figure DEST_PATH_IMAGE082
；
给每个新的信道指纹矩阵
Figure 214913DEST_PATH_IMAGE068
一个对应的标签
Figure 433536DEST_PATH_IMAGE026
，得到第k个通信节点的分块交换数据增强样本集；结合第k个通信节点的分块交换数据增强样本集和初始训练样本集
Figure 685657DEST_PATH_IMAGE028
，构成第k个通信节点的新的训练样本集
Figure DEST_PATH_IMAGE084
。
3.如权利要求1或2所述的5G边缘计算下基于深度学习的提高安全认证的方法，其特征在于，步骤S6中的网络模型包括机器学习算法或神经网络算法。
4.如权利要求3所述的5G边缘计算下基于深度学习的提高安全认证的方法，其特征在于，所述机器学习算法包括支持向量机算法、K最近邻算法和分类树算法；所述神经网络算法包括逻辑回归算法、浅层神经网络算法、深度神经网络算法、卷积神经网络算法和循环神经网络算法。
5.如权利要求1或2所述的5G边缘计算下基于深度学习的提高安全认证的方法，其特征在于，所述标签
Figure 102863DEST_PATH_IMAGE026
采用独热码表示。
CN202111316869.3A 2021-11-09 2021-11-09 5g边缘计算下基于深度学习的提高安全认证的方法 Pending CN113784349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316869.3A CN113784349A (zh) 2021-11-09 2021-11-09 5g边缘计算下基于深度学习的提高安全认证的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316869.3A CN113784349A (zh) 2021-11-09 2021-11-09 5g边缘计算下基于深度学习的提高安全认证的方法

Publications (1)

Publication Number Publication Date
CN113784349A true CN113784349A (zh) 2021-12-10

Family

ID=78956800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316869.3A Pending CN113784349A (zh) 2021-11-09 2021-11-09 5g边缘计算下基于深度学习的提高安全认证的方法

Country Status (1)

Country Link
CN (1) CN113784349A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501451A (zh) * 2022-01-27 2022-05-13 成都信息工程大学 一种基于有限重组数据增强的物理层信道安全认证方法
CN114726645A (zh) * 2022-05-06 2022-07-08 电子科技大学 一种基于用户信息安全的可链接环签名方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110231223A1 (en) * 2010-03-19 2011-09-22 Visa U.S.A. Inc. Systems and Methods to Enhance Search Data with Transaction Based Data
CN107153816A (zh) * 2017-04-16 2017-09-12 五邑大学 一种用于鲁棒人脸识别的数据增强方法
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
CN110912906A (zh) * 2019-11-28 2020-03-24 南方电网科学研究院有限责任公司 一种边缘计算恶意节点识别方法
CN110944002A (zh) * 2019-12-06 2020-03-31 深圳供电局有限公司 一种基于指数平均数据增强的物理层认证方法
EP3696622A1 (en) * 2019-02-14 2020-08-19 Rockwell Automation Technologies, Inc. Ai extensions and intelligent model validation for an industrial digital twin
US10938852B1 (en) * 2020-08-14 2021-03-02 Private Identity Llc Systems and methods for private authentication with helper networks
US20210303695A1 (en) * 2020-03-30 2021-09-30 International Business Machines Corporation Measuring Overfitting of Machine Learning Computer Model and Susceptibility to Security Threats

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110231223A1 (en) * 2010-03-19 2011-09-22 Visa U.S.A. Inc. Systems and Methods to Enhance Search Data with Transaction Based Data
CN107153816A (zh) * 2017-04-16 2017-09-12 五邑大学 一种用于鲁棒人脸识别的数据增强方法
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
EP3696622A1 (en) * 2019-02-14 2020-08-19 Rockwell Automation Technologies, Inc. Ai extensions and intelligent model validation for an industrial digital twin
CN110912906A (zh) * 2019-11-28 2020-03-24 南方电网科学研究院有限责任公司 一种边缘计算恶意节点识别方法
CN110944002A (zh) * 2019-12-06 2020-03-31 深圳供电局有限公司 一种基于指数平均数据增强的物理层认证方法
US20210303695A1 (en) * 2020-03-30 2021-09-30 International Business Machines Corporation Measuring Overfitting of Machine Learning Computer Model and Susceptibility to Security Threats
US10938852B1 (en) * 2020-08-14 2021-03-02 Private Identity Llc Systems and methods for private authentication with helper networks

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SONGLIN CHEN ET AL: "Physical-Layer Channel Authentication for 5G via Machine Learning Algorithm", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 *
YI CHEN ET AL: "On Physical-Layer Authentication via Online Transfer Learning", 《IEEE INTERNET OF THINGS JOURNAL》 *
陈洁等: "一种基于Adaboost的物理层信道认证模型", 《通信技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501451A (zh) * 2022-01-27 2022-05-13 成都信息工程大学 一种基于有限重组数据增强的物理层信道安全认证方法
CN114501451B (zh) * 2022-01-27 2024-10-08 成都信息工程大学 一种基于有限重组数据增强的物理层信道安全认证方法
CN114726645A (zh) * 2022-05-06 2022-07-08 电子科技大学 一种基于用户信息安全的可链接环签名方法
CN114726645B (zh) * 2022-05-06 2023-01-24 电子科技大学 一种基于用户信息安全的可链接环签名方法

Similar Documents

Publication Publication Date Title
Yim et al. A gift from knowledge distillation: Fast optimization, network minimization and transfer learning
CN111145116B (zh) 一种基于生成对抗网络的海面雨天图像样本增广方法
Li et al. MMMNet: An end-to-end multi-task deep convolution neural network with multi-scale and multi-hierarchy fusion for blind image quality assessment
CN113784349A (zh) 5g边缘计算下基于深度学习的提高安全认证的方法
CN111401474B (zh) 视频分类模型的训练方法、装置、设备及存储介质
Gong et al. InverseNet: Augmenting Model Extraction Attacks with Training Data Inversion.
CN113435509B (zh) 基于元学习的小样本场景分类识别方法及系统
CN112784929B (zh) 一种基于双元组扩充的小样本图像分类方法及装置
CN113704737B (zh) 一种小样本物理层设备认证方法、系统、终端及存储介质
CN117424754B (zh) 针对集群联邦学习攻击的防御方法、终端及存储介质
Guo et al. 3d-pruning: A model compression framework for efficient 3d action recognition
CN112215300A (zh) 一种基于网络结构增强的图卷积模型防御方法、装置和系统
CN114726802A (zh) 一种基于不同数据维度的网络流量识别方法及装置
CN113609677B (zh) 一种基于多路径的机器学习辅助天线设计方法
CN114743133A (zh) 一种轻量化的小样本视频分类识别方法及系统
CN110782001A (zh) 一种基于组卷积神经网络使用共享卷积核的改进方法
CN114005046A (zh) 基于Gabor滤波器和协方差池化的遥感场景分类方法
Huang et al. Learning context restrained correlation tracking filters via adversarial negative instance generation
CN113256507B (zh) 一种针对二进制流量数据生成图像的注意力增强方法
CN115270891A (zh) 一种信号对抗样本的生成方法、装置、设备及存储介质
CN115052288A (zh) 一种基于深度学习的多用户物理层认证方法
Mitsuno et al. Channel planting for deep neural networks using knowledge distillation
CN114501451B (zh) 一种基于有限重组数据增强的物理层信道安全认证方法
CN114398977A (zh) 一种基于对抗样本的网络欺骗流量生成方法
Chen et al. A meta approach to defend noisy labels by the manifold regularizer PSDR

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211210

WD01 Invention patent application deemed withdrawn after publication