CN114448524A - 基于异构组合混沌映射的无线人体局域网加密方法 - Google Patents

Abstract

本发明涉及一种基于异构组合混沌映射的无线人体局域网加密方法，属于无线人体局域网加密领域，包括以下步骤：S1：计算心电信息参数心电信号R波幅度R_amp和QS波时间宽度T_QS；S2：计算近体信道特性幅度A和相位P；S3：读取原始图像I(i,j)，形成原始数据矩阵T；S4：根据所述心电信息参数R_amp和T_QS设置Logistics映射参数x₀和μ，根据所述近体信道特性幅度A和相位P设置Kent映射参数y₀和a；S5：根据一维混沌序列构造子混沌矩阵Sl和Sk；S6：结合子混沌矩阵Sl和Sk生成混沌加密矩阵Ec；S7：在原始数据矩阵T和混沌加密矩阵Ec中执行XOR运算，生成最终的加密信息E。

Description

基于异构组合混沌映射的无线人体局域网加密方法

技术领域

本发明属于无线人体局域网加密领域，涉及一种基于异构组合混沌映射的无线人体局域网加密方法。

背景技术

混沌系统(Chaos System)是指在一个确定性系统中，存在着貌似随机的不规则运动。通过混沌系统产生的伪随机序列有着良好的随机性、相关性和复杂性，在密码学特性上有着独特的优势，因此利用混沌系统对超混沌映射的导数在文本加密、图像加密等领域有着广泛应用。同时利用混沌现象的加密系统与传统的加密算法既有结构上的相似性，也有本质上的关联，可以方便地通过建立混沌系统数学模型并根据混沌参数地选择实现对数据流的加密。

混沌和密码学有自然连接和结构相似性，而混沌中初始值的敏感性直接关系到轨道的混沌混合特性。这种敏感性对应的是密码学中加密系统的扩散特性，混沌信号的类随机特性对应加密系统中的混沌特性。在加密系统的设计过程中,混沌映射对数字离散混沌序列的生成至关重要，根据不同的混沌现象和混沌参数，实现混沌状态。Logistics映射和Kent映射是最常见的混沌模型，可以表示各种混沌特征，但单映射密钥空间较小，单独使用时安全性较差且系统精度有限，因此使用Logistics映射和Kent映射组合产生混沌序列。

发明内容

有鉴于此，本发明的目的在于提供一种基于异构组合混沌映射的无线人体局域网加密方法

为达到上述目的，本发明提供如下技术方案：

一种基于异构组合混沌映射的无线人体局域网加密方法，包括以下步骤：

S1：计算心电信息参数心电信号R波幅度R_amp和QS波时间宽度T_QS；

S2：计算近体信道特性幅度A和相位P；

S3：读取原始图像I(i,j)，形成原始数据矩阵T；

S4：根据所述心电信息参数R_amp和T_QS设置Logistics映射参数x₀和μ，根据所述近体信道特性幅度A和相位P设置Kent映射参数y₀和a；

S5：根据一维混沌序列构造子混沌矩阵Sl和Sk；

S6：结合子混沌矩阵Sl和Sk生成混沌加密矩阵Ec；

S7：在原始数据矩阵T和混沌加密矩阵Ec中执行XOR运算，生成最终的加密信息E。

进一步，在BAN系统中，原始数据以二维矩阵方式保存，一个原始数据矩阵I的大小为M×N，I(i,j)表示像素位置(i,j)的图像数据。

进一步，步骤S2中所述Logistics映射表示为一个非线性系统中，控制参数增加而产生周期加倍现象，达到混沌状态，定义如下：

x_n＝μ*x_n-1(1-x_n-1)x

其中μ是非线性强度控制参数，x_n-1代表第n-1次迭代后状态变量的值，当

μ∈[3.5699456,4]，x_n-1∈[0,1]且n∈N，系统处于混沌状态；

所述Kent映射对初始条件的敏感性高，在短期内它的轨迹能够预测，而长期轨迹无法预测，其定义为：

其中a是控制参数，当0.4<a<0.5且yn∈[0,1]时，系统处于一个相对理想的混乱状态。

进一步，步骤S4中所述根据心电信息参数R_amp和T_QS设置Logistics映射参数x₀和μ的公式为：

x₀＝R_amp(归一化x₀∈[0,1])

μ＝T_QS(归一化μ∈[3.5699456,4])。

进一步，步骤S2中所述近体信道特性幅度A和相位P计算方法如下：

采用最小二乘法在导频点处估计信道，将信道响应考虑为一个对角阵，可由下式计算：

包含了已知的导频值，y_p是对应的观察值。可将上式简化为

LS算法每次测量时独立进行信道估计，因此具有较大的估计误差。线性最小均方误差估计(LMMSE)算法基于最小化均方误差准则，因此具有更优的性能，即：

LMMSE算法的线性解为

其中，R_hy和R_yy均为相关矩阵。由于噪声的独立性，上式可转化为

P是发送训练序列平均功率。由上式可以看出，LMMSE算法相当于对LS算法进行后置滤波。其中，相关矩阵R_hh可以通过对之前的N个信道估计进行平均来近似获得：

将

看作带有噪声的低分辨率图像，通过设计的Faster RCNN网络，由卷积层、激活函数、池化层、全连接层等构成。

RCNN对二维图像的空间特征提取基础上，再结合嵌套长短期记忆网络NLTSM提取时间特征。NLTSM用已学习的有限状态函数替换LSTM中的c_t，其状态表示m在时间t的内部记忆。通过记忆过去的信息解决长期依赖问题，结合先验输入(过去时刻的记忆信息和隐藏状态)和当前时刻的输入共同决定输出。

进一步，步骤S4中所述根据近体信道特性幅度A和相位P设置Kent映射参数y₀和a的公式为：

y₀＝A(归一化y₀∈[0,1])

a＝P(归一化a∈[0.4,0.5])。

进一步，步骤S5具体包括：

S51：调整一维混沌序列x行和列的数量，按顺序填入二维矩阵Sl的列中，创建大小为M×N₁二维子混沌矩阵Sl；

S52：调整一维混沌序列x行和列的数量，按顺序填入二维矩阵Sk的列中，创建大小为M×N₂二维子混沌矩阵Sk，其中N₂＝N-N₁。

进一步，步骤S6具体为：结合Logistics映射和Kent映射生成组合二维混沌矩阵，其表达式如下所示：

本发明的有益效果在于：本发明能够根据WBANs中传输的生理数据类型，有效解决实现混沌加密方案时硬件资源占用高、加密性能差、功耗太大等问题，在硬件资源的限制下保证了加密性能的同时，低复杂度的加密算法步骤也易于硬件实现。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明提出的基于异构组合映射的WBANs加密方案框图；

图2为本发明实验加密效果图；

图3为R_amp和T_QS示意图；

图4为近体信道特性幅度A和相位P计算流程图；

图5为卷积神经网络结构图；

图6为嵌套长短期记忆网络结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图2，Logistics映射表示为一个非线性系统中，控制参数增加而产生周期加倍现象，达到混沌状态，定义如下：

x_n＝μ*x_n-1(1-x_n-1)

其中μ是非线性强度控制参数，xn代表第n次迭代后状态变量的值。当μ∈[3.5699456,4]，x_n∈[0,1]且n∈N，系统处于混沌状态。

Kent映射对初始条件的敏感性高，在短期内它的轨迹通常可以预测,而长期轨迹无法预测。其定义为：

其中a是控制参数，当0.4<a<0.5且yn∈[0,1]时，系统处于一个相对理想的混乱状态。

在BAN系统中，将原始数据以二维矩阵方式保存，因此使用矩阵形式来描述和测试加密算法。一个原始数据矩阵I的大小为M×N，I(i,j)表示像素位置(i,j)的数据，加密算法的步骤描述如下：

步骤一：如图3所示，计算心电信息参数心电信号R波幅度R_amp和QS波时间宽度T_QS；

步骤二：计算近体信道特性幅度A和相位P；

如图4所示，采用最小二乘法在导频点处估计信道，将信道响应考虑为一个对角阵，可由下式计算：

x_p包含了已知的导频值，y_p是对应的观察值。可将上式简化为：

LS算法每次测量时独立进行信道估计，因此具有较大的估计误差。线性最小均方误差估计(LMMSE)算法基于最小化均方误差准则，因此具有更优的性能，即：

LMMSE算法的线性解为

其中，R_hy和R_yy均为相关矩阵。由于噪声的独立性，上式可转化为

P是发送训练序列平均功率。由上式可以看出，LMMSE算法相当于对LS算法进行后置滤波。其中，相关矩阵R_hh可以通过对之前的N个信道估计进行平均来近似获得：

将

看作带有噪声的低分辨率图像，通过设计的Faster RCNN网络，由卷积层、激活函数、池化层、全连接层等构成，如图5所示。

在RCNN对二维图像的空间特征提取基础上，再结合嵌套长短期记忆网络(如图6所示，NLTSM)提取时间特征。NLTSM用已学习的有限状态函数替换LSTM中的c_t，其状态表示m在时间t的内部记忆。通过记忆过去的信息解决长期依赖问题，结合先验输入(过去时刻的记忆信息和隐藏状态)和当前时刻的输入共同决定输出。

步骤三：读取原始图像I(i,j)，形成原始数据矩阵T；

步骤四：根据所述心电信息参数R_amp和T_QS设置Logistics映射参数x₀和μ：

x₀＝R_amp(归一化x₀∈[0,1])

μ＝T_QS(归一化μ∈[3.5699456,4])

根据所述近体信道特性幅度A和相位P设置Kent映射参数y₀和a：

y₀＝A(归一化y₀∈[0,1])

a＝P(归一化a∈[0.4,0.5])

步骤五：根据一维混沌序列构造子混沌矩阵Sl和Sk；

步骤六：结合子混沌矩阵Sl和Sk生成混沌加密矩阵Ec；

步骤七：在原始数据矩阵T和混沌加密矩阵Ec中执行XOR运算，生成最终的加密信息E。

根据人体生理特征将输出的体征参数R_amp和T_QS值归一化到Logistics映射混沌状态下，设置初始参数x₀和μ；然后系统进入混沌状态并生成一维混沌序列x＝{x₁,x₂,…,x_n1}，其中n₁＝M×N₁且N₁＝N-ceil(N/2)；接着调整一维混沌序列x行和列的数量，按顺序填入二维矩阵Sl的列中，创建大小为M×N₁二维子混沌矩阵Sl。大小为n₂＝M×N₂的二维子混沌矩阵Sk的创建过程和Sl的创建过程相同，其中N₂＝N-N₁。生成两个子混沌矩阵后，结合Logistics映射和Kent映射生成组合二维混沌矩阵，其表达式如下所示：

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：包括以下步骤：

S1：计算心电信息参数心电信号R波幅度R_amp和QS波时间宽度T_QS；

S2：计算近体信道特性幅度A和相位P；

S3：读取原始图像I(i,j)，形成原始数据矩阵T；

S4：根据所述心电信息参数R_amp和T_QS设置Logistics映射参数x₀和μ，根据所述近体信道特性幅度A和相位P设置Kent映射参数y₀和a；

S5：根据一维混沌序列构造子混沌矩阵Sl和Sk；

S6：结合子混沌矩阵Sl和Sk生成混沌加密矩阵Ec；

S7：在原始数据矩阵T和混沌加密矩阵Ec中执行XOR运算，生成最终的加密信息E。

2.根据权利要求1所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：在BAN系统中，原始数据以二维矩阵方式保存，一个原始数据矩阵I的大小为M×N，I(i,j)表示像素位置(i,j)的图像数据。

3.根据权利要求1所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：步骤S2中所述Logistics映射表示为一个非线性系统中，控制参数增加而产生周期加倍现象，达到混沌状态，定义如下：

x_n＝μ*x_n-1(1-x_n-1)x

其中μ是非线性强度控制参数，x_n-1代表第n-1次迭代后状态变量的值，当

μ∈[3.5699456,4]，x_n-1∈[0,1]且n∈N，系统处于混沌状态；

所述Kent映射对初始条件的敏感性高，在短期内它的轨迹能够预测，而长期轨迹无法预测，其定义为：

其中a是控制参数，当0.4<a<0.5且yn∈[0,1]时，系统处于一个相对理想的混乱状态。

4.根据权利要求1所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：步骤S4中所述根据心电信息参数R_amp和T_QS设置Logistics映射参数x₀和μ的公式为：

x₀＝R_amp(归一化x₀∈[0,1])

μ＝T_QS(归一化μ∈[3.5699456,4])。

5.根据权利要求1所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：步骤S2中所述近体信道特性幅度A和相位P采用LMMSE、RCNN和NLTSM计算，具体包括以下步骤：

线性最小均方误差估计LMMSE算法基于最小化均方误差准则，即：

LMMSE算法的线性解为

其中，R_hy和R_yy均为相关矩阵；由于噪声的独立性，上式转化为

P是发送训练序列平均功率；相关矩阵R_hh通过对之前的N个信道估计进行平均来近似获得：

将

看作带有噪声的低分辨率图像，输入Faster RCNN网络，所述Faster RCNN由卷积层、激活函数、池化层、全连接层构成；

在RCNN对二维图像的空间特征提取基础上，再结合嵌套长短期记忆网络提取时间特征；NLTSM用已学习的有限状态函数替换LSTM中的c_t，其状态表示m在时间t的内部记忆；通过记忆过去的信息解决长期依赖问题，结合先验输入和当前时刻的输入共同决定输出，所述先验输入为过去时刻的记忆信息和隐藏状态。

6.根据权利要求5所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：步骤S4中所述根据近体信道特性幅度A和相位P设置Kent映射参数y₀和a的公式为：

y₀＝A(归一化y₀∈[0,1])

a＝P(归一化a∈[0.4,0.5])。

7.根据权利要求1所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：步骤S5具体包括：

S51：调整一维混沌序列x行和列的数量，按顺序填入二维矩阵Sl的列中，创建大小为M×N₁二维子混沌矩阵Sl；

S52：调整一维混沌序列x行和列的数量，按顺序填入二维矩阵Sk的列中，创建大小为M×N₂二维子混沌矩阵Sk，其中N₂＝N-N₁。

8.根据权利要求1所述的基于异构组合混沌映射的无线人体局域网加密方法，其特征在于：步骤S6具体为：结合Logistics映射和Kent映射生成组合二维混沌矩阵，其表达式如下所示：

Images