CN114980086A - 模型训练、密钥生成方法、训练设备、通信方及系统 - Google Patents
模型训练、密钥生成方法、训练设备、通信方及系统 Download PDFInfo
- Publication number
- CN114980086A CN114980086A CN202210524883.0A CN202210524883A CN114980086A CN 114980086 A CN114980086 A CN 114980086A CN 202210524883 A CN202210524883 A CN 202210524883A CN 114980086 A CN114980086 A CN 114980086A
- Authority
- CN
- China
- Prior art keywords
- encoder
- state information
- channel state
- communication party
- self
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/04—Key management, e.g. using generic bootstrapping architecture [GBA]
- H04W12/041—Key generation or derivation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开实施例提供了一种模型训练、密钥生成方法、训练设备、通信方及系统。具体实现方案为获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测无线信道所得到的第二信道状态信息;将第一信道状态信息作为自编码器的输入,将第二信道状态信息作为自编码器的重构目标,对自编码器进行训练;将训练完成的自编码器中的编码器模块作为第一通信方和第二通信方的特征提取模型。采用本公开实施例,能提高安全密钥容量。
Description
技术领域
本公开涉及安全通信术领域,特别是涉及模型训练以及密钥生成技术领域。
背景技术
目前的物理层密钥生成机制大多数是信道强相关的假设为基础。然而,由于探测间隔、信道估计的偏差以及多径效应的影响等,通信双方所观测的信道是弱相关的,因此,前述物理层密钥生成机制与实际场景并不贴切。在弱相关信道下,依据前述物理层密钥生成机制,将导致密钥的不一致率较高、生成速率较慢等一系列问题。
发明内容
本公开实施例的目的在于提供一种模型训练、密钥生成方法、训练设备、通信方及系统,用以解决密钥不一致率高,生成速率慢的问题。具体技术方案如下:
根据本公开的一方面,提供了一种特征提取模型的训练方法,包括:
获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息;
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;
将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
在一种可能的实现方式中,所述将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练的步骤,包括:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
在一种可能的实现方式中,所述将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练的步骤,包括:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
在一种可能的实现方式中,所述获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息的步骤,包括:
获取第二通信方在无线信道中向第一通信方发送第一导频信号,并获取所述第一通信方在所述无线信道中向所述第二通信方发送第二导频信号;
对所述第一导频信号进行信道估计,得到第一信道状态信息;
对所述第二导频信号进行信道估计,得到第二信道状态信息。
在一种可能的实现方式中,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
根据本公开的另一方面,提供了一种物理层密钥的生成方法,应用于第一通信方,所述第一通信方与第二通信方之间通过无线信道通信,所述方法包括:
探测所述无线信道,得到第三信道状态信息;
将所述第三信道状态信息输入训练得到的特征提取模型,得到目标互易性特征;
基于所述目标互易性特征,生成物理层密钥。
在一种可能的实现方式中,所述基于所述目标互易性特征,生成物理层密钥的步骤,包括:
根据所述无线信道的信噪比,确定目标量化比特数;
按照所述目标量化比特数,对所述目标互易性特征进行量化,得到物理层密钥。
在一种可能的实现方式中,在得到所述物理层密钥之后,还包括:
对所述物理层密钥进行隐私放大,得到最终密钥。
根据本公开的第三方面,提供了一种一种特征提取模型的训练设备,所述训练设备包括;
获取模块,被配置为获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息;
训练模块,被配置为将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;
安装模块,被配置为将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
在一种可能的实现方式中,所述训练模块,具体被配置为:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
在一种可能的实现方式中,所述训练模块,具体被配置为:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
在一种可能的实现方式中,所述获取模块,具体被配置为:
获取第二通信方在无线信道中向第一通信方发送第一导频信号,并获取上述第一通信方在所述无线信道中向所述第二通信方发送第二导频信号;
对所述第一导频信号进行信道估计,得到第一信道状态信息;
对所述第二导频信号进行信道估计,得到第二信道状态信息。
在一种可能的实现方式中,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
根据本公开的第四方面,提供了一种第一通信方,所述第一通信方与第二通信方之间通过无线信道通信,所述第一通信方包括:
探测模块,被配置为探测所述无线信道,得到第三信道状态信息;
提取模块,被配置为将所述第三信道状态信息输入训练得到的特征提取模型,得到目标互易性特征;
生成模块,被配置为基于所述目标互易性特征,生成物理层密钥。
在一种可能的实现方式中,所述生成模块,具体被配置为:
根据所述无线信道的信噪比,确定目标量化比特数;
按照所述目标量化比特数,对所述目标互易性特征进行量化,得到物理层密钥。
在一种可能的实现方式中,在得到所述物理层密钥之后,所述第一通信方还包括放大模块;
所述放大模块,被配置为对所述物理层密钥进行隐私放大,得到最终密钥。
根据本公开的第五方面,提供了一种无线通信系统,所述无线通信系统包括训练设备、第一通信方和第二通信方;
所述第一通信方,被配置为探测无线信道,得到第一信道状态信息;
所述第二通信方,被配置为探测所述无线信道,得到第二信道状态信息;
所述训练设备,被配置为获取所述第一信道状态信息以及所述第二信道状态信息;将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
所述训练设备,具体被配置为:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
在一种可能的实现方式中,所述训练设备,具体被配置为:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
在一种可能的实现方式中,所述第一通信方,具体被配置为获取第二通信方在无线信道中向第一通信方发送的第一导频信号,对所述第一导频信号进行信道估计,得到第一信道状态信息;
所述第二通信方,具体被配置为获取所述第一通信方在所述无线信道中向所述第二通信方发送的第二导频信号;对所述第二导频信号进行信道估计,得到第二信道状态信息。
在一种可能的实现方式中,所述第一通信方或所述第二通信方,还被配置为探测所述无线信道,得到第三信道状态信息;将所述第三信道状态信息输入所述特征提取模型,得到目标互易性特征;基于所述目标互易性特征,生成物理层密钥。
在一种可能的实现方式中,所述第一通信方或所述第二通信方,具体被配置为根据所述无线信道的信噪比,确定目标量化比特数;按照所述目标量化比特数,对所述目标互易性特征进行量化,得到物理层密钥。
在一种可能的实现方式中,所述第一通信方或所述第二通信方,还被配置为在得到所述物理层密钥之后,对所述物理层密钥进行隐私放大,得到最终密钥。
在一种可能的实现方式中,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
根据本公开的第六方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一特征提取模型的训练的方法步骤,或实现上述任一物理层密钥的生成方法步骤。
本公开实施例提供的技术方案中,训练设备将第一通信方探测得到的第一信道状态信息作为自编码器的输入,将第二通信方探测得到的第二信道状态信息作为自编码器的输出,即训练过程中的重构目标。基于此训练自编码器,可以使得该自编码器重构的信道状态信息接近与重构目标,即第二信道状态信息。这种情况下,自编码器的隐藏层的输出(即自编码器中编码器模块的输出),可以表征出第一通信方和第二通信方的信道状态信息的共同部分,也就是第一通信方和第二通信方的互易性特征。
将上述编码器模块作为的征提取模型,来提取互易性特征时,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
当然,实施本公开的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本公开实施例提供的自编码器的一种结构示意图。
图2为本公开实施例提供的无线通信系统的一种结构示意图。
图3为本公开实施例提供的特征提取模型的训练方法的第一种流程示意图。
图4为本公开实施例提供的改进的自编码器的一种结构示意图。
图5为本公开实施例提供的特征提取模型的训练方法的第二种流程示意图。
图6为本公开实施例提供的特征提取模型的训练方法的第三种流程示意图。
图7为本公开实施例提供的密钥生成方法的第一种流程示意图。
图8为本公开实施例提供的密钥生成方法的第二种流程示意图。
图9为本公开实施例提供的合法通信双方物理层密钥生成方法的流程示意图。
图10为本公开实施例提供的合法通信双方物理层密钥生成的装置框图。
图11(a)为采用本公开实施例提供的技术方案训练的自编码器与采用主成分分析方法所提取特征间的互信息量的对比图。
图11(b)为采用本公开实施例提供的技术方案与采用PCA方法所生成的初始密钥不一致率的对比图。
图11(c)为采用本公开实施例提供的技术方案与采用PCA方法提取的互易性特征间相关性的对比图。
图11(d)为本公开实施例提供的技术方案提取的互易性特征分布图。
图12为本公开实施例提供的一种特征提取模型的训练设备的结构示意图。
图13为本公开实施例提供的一种第一通信方的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本公开保护的范围。
为便于理解,下面对本公开实施例中出现的词语进行解释说明。
自编码器:是一种能够通过无监督学习,学到输入数据高效表示的人工神经网络。自编码器的结构如图1所示,包括编码器模块和解码器模块。编码器模块对输入数据进行降维处理,得到隐藏层输出z;编码器模块对隐藏层输出z进行重构处理,得到自编码器输出。
互信息:信息论里一种有用的信息度量,它可以看成是一个随机变量中包含的关于另一个随机变量的信息量,或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。
安全密钥容量:通信双方分别探测的信道估计之间的互信息。
密钥生成速率:单位时间内生成的密钥位的个数。
信道状态信息(Channel State Information,CSI):用来估计一条通信链路的信道特性的信息。CSI可以包括信号散射,环境衰弱(如多路径衰弱和阴影衰弱等),距离衰减等信息。
通信方:在无线信道中通信的两端设备,例如,基站、用户设备等。
无线信道的信道互易性:体现在同一时刻通信双方在上下行链路传输信号时所经历的信道衰落是相同的。
互易性特征包括不同维度特征,如信道冲击响应(Channel Impulse Response,CIR)、信道频率响应(Channel Frequency Response,CFR)和接收信号强度(ReceivedSignal Strength,RSS)等。
无线通信在日常生活中被广泛的应用。基于无线信道固有的广播特性,任何用户均可以接收传输该无线信道中的消息,从而发起窃听、篡改等攻击。因此,无线通信系统中的隐私和安全问题越来越受到人们的关注,特别是对电子支付等隐私敏感的业务。
为解决隐私和安全问题,无线通信系统中通信方利用物理层密钥,对在无线信道中传输的消息进行加密。目前的物理层密钥生成机制大多数是以信道强相关的假设为基础。但是,由于探测间隔、信道估计的偏差以及多径效应等因素的影响,通信双方所观测的信道是弱相关的,因此,前述物理层密钥生成机制与实际场景并不贴切。在弱相关信道下,依据前述物理层密钥生成机制,将导致密钥的不一致率较高、生成速率较低等一系列问题。
为解决上述问题,目前主要采用如下两种方式:
方式一,采用线性变换方法,提取信道互易性特征,利用变换矩阵,对所获得的信道互易性特征进行变换域映射以及降维,获得密钥。
这种方案中,变换矩阵的选取并不基于原始数据本身特性来确定,这导致原始数据中的部分信息丢失,无法高效利用信道状态信息(Channel State Information,CSI),互信息利用率偏低,从而影响安全密钥容量。
方式二,采用密钥协商机制,或互易性信息传递的思想,通信双方的获得密钥。
这种方案中,通信双方需要相互通信,才能获得密钥,这在很大程度上增加密钥泄露风险。
为解决上述问题,本公开实施例提供了一种无线通信系统,如图2所示,该无线通信系统包括训练设备21、第一通信方22和第二通信方23。其中,第一通信方22和第二通信方23为相互无线通信两方。第一通信方22可以为用户设备或基站,第二通信方23也可以为用户设备或基站,训练设备21可以集成在第一通信方22或第二通信方23上,也可以为一台独立的物理设备,对此不进行限定。
本公开实施例提供的无线通信系统中,第一通信方22,被配置为探测无线信道,得到的第一信道状态信息;第二通信方23,被配置为探测无线信道,得到的第二信道状态信息;训练设备21,被配置为获取第一信道状态信息以及第二信道状态信息;将第一信道状态信息作为自编码器的输入,将第二信道状态信息作为自编码器的重构目标,对自编码器进行训练;将训练完成的自编码器中的编码器模块作为第一通信方和第二通信方的特征提取模型。
本公开实施例提供的无线通信系统中,训练设备将第一通信方探测得到的第一信道状态信息作为自编码器的输入,将第二通信方探测得到的第二信道状态信息作为自编码器的输出,即训练过程中的重构目标。训练设备利用此设计训练自编码器,可以使得该自编码器重构的信道状态信息接近于重构目标,即第二信道状态信息。这种情况下,自编码器的隐藏层的输出(即自编码器中编码器模块的输出),可以表征出第一通信方和第二通信方的信道状态信息的共同部分,也就是第一通信方和第二通信方的互易性特征。
训练设备将上述编码器模块作为特征提取模型,来提取互易性特征时,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
另外,本公开实施例中,第一通信方和第二通信方可以分别独立的基于编码器模块提取的互易性特征来生成物理层密钥,无需第一通信方和第二通信方之间进行通信,这降低了密钥泄露风险,提高了无线通信的安全性。
下面通过具体实施例,对本公开实施例提供的一种特征提取模型的训练方法进行详细说明。为便于描述,下面以训练设备为执行主体进行说明,并不起限定作用。
如图3所示,提供了特征提取模型的训练方法的第一种流程示意图,该方法包括如下步骤:
步骤S31,获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息。
本公开实施例中,第一通信方和第二通信方互为通信的接收方与发送方,第一通信方可以为基站或者用户设备,第二通信方也可以为基站或用户设备。为便于描述,下面以第一通信方为基站,第二通信方为用户设备为例,对获取信道状态信息的过程进行说明。
在一些实施例中,当基站与用户通信时,基站可以向用户设备发送探测第一导频信号,用户设备通过接收探测第一导频信号,获取第一信道状态信息。同理,用户设备也可以向基站发送探测第二导频信号,基站通过接收第二导频信号,获取第二信道状态信息。基站和用户设备分别将获取的第一信道状态信息和第二信道状态信息发送给训练设备。此时,训练设备获取到第一信道状态信息和第二信道状态信息。
在一些实施例中,当基站与用户通信时,基站可以向用户设备发送探测探测数据包,用户设备通过接收探测数据包获取第一信道状态信息。同理,用户设备也可以向基站发送探测数据包,基站通过接收探测数据包获取第二信道状态信息。基站和用户设备分别将获取的第一信道状态信息和第二信道状态信息发送给训练设备。此时,训练设备获取到第一信道状态信息和第二信道状态信息。
本公开实施例中,训练设备还可以通过其他方式获取到第一信道状态信息和第二信道状态信息,对此不进行限定。上述信道状态信息与也可以称为信道估计值或者信道测量值,其可以通过估计矩阵(即H矩阵)或者向量的形式进行表示。
步骤S32,将第一信道状态信息作为自编码器的输入,将第二信道状态信息作为自编码器的重构目标,对自编码器进行训练,。
本公开实施例中,自编码器可以为去噪自编码器、变分自编码器或堆叠自编码器,当然也可以为其他类型的自编码器,本公开对此并不做具体限定。
自编码器分为编码器模块和解码器模块两部分,参见图1。训练设备将第一通信方探测到的第一信道状态信息作为自编码器的输入,如图1中的XA,将第二通信方探测到的第二信道状态信息作为自编码器的重构目标,如图1中的XB,对自编码器进行训练。训练完成之后,该自编码器中编码器模块的输出Z即为互易性特征。本公开实施例中,自编码器的输入与输出并非是完全一致的信息重构过程,而是将第一通信方探测到的第一信道状态信息作为自编码器的输入,将第二通信方探测到的第二状态信息作为重构目标,也就是自编码器中解码器模块的输出,使得通过自编码器重构的信道状态信息与目标值尽可能接近,这种方式所获得的自编码器的隐藏层输出Z可表征合法通信双方的信道状态信息的共同部分。
在一些实施例中,自编码器的训练过程可以包括:训练设备将第一信道状态信息输入自编码器,自编码器对第一信道状态信息进行处理,并输出预测信道状态信息;基于预测信道状态信息和第二信道状态信息,确定模型损失;若根据该模型损失,训练设备确定自编码器收敛,则结束自编码器的训练;若根据该模型损失,训练设备确定自编码器未收敛,则调整自编码器的编码器模块和解码器模块的参数,重新执行将第一信道状态信息输入自编码器的步骤,直至自编码器未收敛。
步骤S33,将训练完成的自编码器中的编码器模块作为第一通信方和第二通信方的特征提取模型。
本公开实施例中,训练完成的自编码器可以进行任意拆卸安装,训练设备可以将训练完成的自编器的编码器模块作为特征提取模型,训练设备可以将该特征提取模型安装在第一通信方的本地处理器上,并将该特征提取模型安装在第二通信方的本地处理器上,安装在第一通信方与第二通信方的编码器模块(即特征提取模型)是完全相同的。安装特征提取模型完毕之后,第一通信方与第二通信方可以分别基于特征提取模型,从信道状态信息中提取互易性特征。
本公开实施例提供的技术方案中,训练设备将第一通信方探测得到的第一信道状态信息作为自编码器的输入,将第二通信方探测得到的第二信道状态信息作为自编码器的输出,即训练过程中的重构目标。基于此训练自编码器,可以使得该自编码器重构的信道状态信息接近与重构目标,即第二信道状态信息。这种情况下,自编码器的隐藏层的输出(即自编码器中编码器模块的输出),可以表征出第一通信方和第二通信方的信道状态信息的共同部分,也就是第一通信方和第二通信方的互易性特征。
将上述编码器模块作为的征提取模型,来提取互易性特征时,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
为提高训练得到的自编码器的精度,本公开实施例中,对自编码器的结构进行了改进,如图4所示,改进的自编码器包括编码器模块、解码器模块和判别器,该判别器即为对抗网络。基于改进的自编码器,本公开实施例还提供了一种特征提取模型的训练方法,如图5所示,该方法可以包括如下步骤S51-S54,步骤S51和步骤S54与上述步骤S31和S33相同,步骤S52-S53为步骤S32的一种可实现方式。
步骤S52,将第一信道状态信息作为自编码器的输入,将第二信道状态信息作为自编码器的重构目标,对自编码器的编码器模块和解码器模块进行训练。
本公开实施例中,自编码器包括编码器模块和解码器模块,训练设备将第一通信方探测到的第一信道状态信息作为自编码器的输入,将第二通信方探测到的第二信道状态信息作为自编码器的重构目标,对自编码器的编码器模块和解码器模块进行训练。
例如,训练设备将第一信道状态信息输入自编码器,自编码器的编码器模块和解码器模块依次对第一信道状态信息进行处理之后,输出预测信道状态信息;基于预测信道状态信息和第二信道状态信息,确定第一模型损失;进而根据第一模型损失,调整编码器模块和解码器模块的参数。
步骤S53,将样本数据和编码器模块的输出作为对抗网络的输入,对编码器模块和对抗网络进行训练,样本数据的分布与预设互易性特征的分布相符。
样本数据是从服从互易性特征分布的数据集中进行采样得到的数据。自编码器中编码器模块的输出即为互易性特征。对抗网络是一种深度学习模型,对抗网络通过框架中的两个模型(生成模型和判别模型)的互相博弈学习产生较好的输出。
本公开实施例中,训练设备将样本数据和编码器模块的输出输入对抗网络,对抗网络对输入的两种数据进行判别,确定二者的分布是否相符,并输出二者分布相符的置信度。训练设备根据对抗网络输出的置信度,确定第二模型损失;进而根据第二模型损失,调整编码器模块和解码器模块的参数。
训练设备采用步骤S53,对编码器模块和对抗网络进行训练,可以使得自编码器中编码器模块输出的互易性特征的分布趋近于样本数据的分布。如图4所示,样本数据服从高斯分布Pr,则训练设备训练对自编码器训练完成之后,编码器模块输出的互易性特征Z的分布PG趋近于高斯分布Pr。其中,高斯分布Pr即为真实分布,互易性特征Z的分布PG即为生成分布。
在一些实施例中,训练设备可以基于KL散度和JS散度梯度,对编码器模块和对抗网络进行训练,优化对抗网络。训练设备也可以基于推土机距离(如Wasserstein距离)和梯度惩罚(Gradient Penalty,GP)机制,对编码器模块和对抗网络进行训练,优化对抗网络。此时的对抗网络可以称为基于推土机距离和梯度惩罚的生成式对抗网络(WassersteinGenerative Adversarial Nets-Gradient Penalty,WGAN-GP)网络。在WGAN-GP网络中,推土机距离代替了相对于KL散度和JS散度梯度,此外,训练设备利用GP机制优化对抗网络的损失函数,可以有效提升自编码器的训练速度,优化了自编码器。
本公开实施例不限定步骤S52和步骤S53的执行顺序。
本公开实施例提供的技术方案中,训练设备将样本数据和第一信道状态信息输入改进的自编码器,得到第一模型损失和第二模型损失,进而利用第一模型损失和第二模型损失,调整编码器模块、解码器模块和对抗网络中的参数,完成对自编码器的训练。这使得编码器模块的输出(即互易性特征)符合预设互易性特征的分布相符,即使得编码器模块的输出符合预设的高斯分布。基于该符合高斯分布的互易性特征,生成物理层密钥,可以大大降低生成物理层密钥时的量化复杂度,提高了物理层密钥的生成效率。
基于图3所示实施例,本公开实施例还提供了一种特征提取模型的训练方法,如图6所示,该方法可以包括如下步骤S61-S65,步骤S64和步骤S65与上述步骤S32和S33相同,步骤S61-S63为步骤S31的一种可实现方式。
步骤S61,获取第二通信方在无线信道中向第一通信方发送第一导频信号,并获取第一通信方在无线信道中向第二通信方发送第二导频信号。
本公开实施例中,第一通信方和第二通信方可以协商出一个已知信号作为公共导频信号,导频信号的波形可以为OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用)波形或者CDMA(Code Division Multiple Access,码分多址)波形。第一通信方和第二通信方分别向对方发送导频信号,并接收对方发送的导频信号。
步骤S62,对第一导频信号进行信道估计,得到第一信道状态信息。
步骤S63,对第二导频信号进行信道估计,得到第二信道状态信息。
本公开实施例中,训练设备中可以设置与导频信号的波形匹配的波形解调模块。在获取到导频信号后,训练设备利用波形解调模块对导频信号进行解调,从接收到的导频信号中解调出承载的正交振幅调制(Quadrature Amplitude Modulation,QAM)符号,将QAM符号中导频的部分分离出来,之后,对分离出的导频部分进行信道估计,得到信道状态信息,如上述第一信道状态信息和第二信道状态信息。后续利用第一信道状态信息和第二信道状态信息,训练设备完成对自编码器进行训练。其中,信道估计算法可以为最小二乘估计算法,最小均方误差估计算法和迫零估计算法等。
本公开实施例不限定步骤S62和S63的执行顺序。
在一些实施例中,第一通信方和第二通信方可以分别设置与导频信号的波形匹配的波形解调模块。在训练自编码器时,第一通信方和第二通信方分别采用波形解调模块对接收的导频信号进行解调,获取QAM符号,并将QAM符号中导频的部分分离出来,基于分离出的导频部分进行信道估计,得到信道状态信息,并发送给训练设备。训练设备接收的信道状态信息训练自编码器。
在训练完成自编码器后,第一通信方和第二通信方上设置的波形解调模块可以复用于物理层密钥的生成,降低了无线通信系统的成本。
本公开实施例中,训练设备可以获取多组第一信道状态信息和第二信道状态信息,基于这多组第一信道状态信息和第二信道状态信息,对自编码器进行训练,以提高自编码器的精度。
基于上述特征提取模型的训练方法,本公开实施例还提供了一种物理层密钥的生成方法,应用于无线通信系统的通信方,以下以第一通信方为例,第一通信方与第二通信方之间通过无线信道通信,如图7所示,该方法可以包括步骤S71-S73。
步骤S71,探测无线信道,得到第三信道状态信息。
本公开实施例中,第一通信方对与第二通信方通信的无线信道进行探测,得到第三信道状态信息。得到第三信道状态信息的过程与上述得到第一信道状态信息和第二信道状态信息的过程类似,此处不再赘述。
步骤S72,将第三信道状态信息输入训练得到的特征提取模型,得到目标互易性特征。
本公开实施例中,特征提取模型的训练过程可参见上述图3-图6部分的相关描述,此处不再赘述。
在获取到第三信道状态信息后,第一通信方可以从第三信道状态信息中提取出该第三信道状态信息的幅值与相位,并将提取的幅值与相位作为训练好的特征提取模型的输入,特征提取模型对输入的数据间处理,输出目标互易性特征,目标互易性特征能很好地表征出第一通信方和第二通信方的信道状态信息的共同部分,也就是第一通信方和第二通信方的互易性特征。
互易性特征可以包括多个维度特征,如CIR、CFR和RSS。第一通信方可以将任一互易性特征作为密钥源,生成物理层密钥,也可以将他们进行任意组合作为密钥源,生成物理层密钥,对此不做进行限定。
步骤S73,基于目标互易性特征,生成物理层密钥。
在本公开实施例中,在得到目标互易性特征后,可以采用密钥量化算法,第一通信方对提取出来的目标互易性特征进行量化,生成第一通信方在物理层上的密钥序列,即物理层密钥。
同理,上述物理层密钥的生成方法也可以应用于无线通信系统的第二通信方,用于生成物理层密钥,此处不再赘述。
本公开实施例提供的技术方案中,第一通信方使用训练好的特征提取模型来提取互易性特征,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
另外,本公开实施例中,第一通信方和第二通信方可以分别独立的基于编码器模块提取的互易性特征来生成物理层密钥,无需第一通信方和第二通信方之间进行通信,这降低了密钥泄露风险,提高了无线通信的安全性。
基于图7所示实施例,本公开实施例还提供了一种物理层密钥的生成方法,如图8所示,该方法可以包括如下步骤S81-S84,步骤S81-S82与上述步骤S71-S72相同。
步骤S83,根据无线信道的信噪比,确定目标量化比特数。
本公开的一个实施例中,第一通信方在探测无线信道时,可以同时探测出该无线信道的信噪比,根据信噪比,就可以确定出目标量化比特数。
按照量化比特数的多少,密钥量化算法可以分为单比特量化和多比特量化。在低信噪比通信场景下,通信双方提取出的互易性特征相似性较小,因此,不同维度上的互易性特征采用单比特量化方法。在高信噪比的通信场景下,则不同维度上的互易性特征可采用多比特量化方法。
量化过程对密钥一致性与密钥生成速率影响非常大,量化比特数越多,单个互易性特征就可以量化成更多的比特,但是密钥一致性就会有所下降。因此,量化比特数对密钥一致性与密钥生成速率起着重要的作用。
步骤S84,按照目标量化比特数,对目标互易性特征进行量化,得到物理层密钥。
在确定了目标量化比特数后,第一通信方将连续的互易性特征量化成一系列比特序列,该比特序列就是第一通信方的物理层密钥。
本公开实施例中,基于无线信道的信噪比,选择合适的密钥量化方法,从而使得密钥一致性与密钥生成速率之间保持较好的平衡,进一步地提高了无线通信的安全性。
在一些实施例中,第一通信方和第二通信方对物理层密钥进行一致性检测通过后,可以直接用于对传输的消息进行加密。
在另一些实施例中,第一通信方可以对物理层密钥进行隐私放大,得到最终密钥。第一通信方利用最终密钥,对传输的消息进行加密。密钥的隐私放大算法可以为哈希算法或傅里叶快速变换算法等。
下面以使用哈希函数对物理层密钥进行隐私放大为例进行说明,第一通信方使用哈希函数对之前获取的密钥比特序列映射成固定长度的密钥,通常映射后的密钥长度要小于原始比特序列的长度,由于哈希函数是对整个比特序列进行运算,利用了所用比特信息,即使第三方窃听者获取到了部分信息,也无法推算出最终的密钥。并且哈希函数能够得到固定长度的结果,可以根据实际场景需求来得到所需长度的密钥。
本公开实施例中,通过对物理层密钥进行隐私放大,得到的密钥保密性更强,降低了密钥泄露的风险,进一步地提高了无线通信的安全性。
下面结合图4所示的自编码器网络(即基于WGAN-GP网络的自编码器),以及图9和图10所示的合法通信双方物理层密钥生成的过程,对本公开实施例提供的物理层密钥生成方法进行说明。
本公开实施例中,基于WGAN-GP网络的自编码器中,各个网络层可以均采用FC网络层。该基于WGAN-GP网络的自编码器的参数配置可以如表1所示。
表1
其中,优化器采用均方根支柱算法(Root Mean Sqaure prop,RMSProp),激活函数采用渗漏修正线性单元(Leaky ReLU)。
该过程主要分为信道探测阶段、特征提取模型训练阶段、特征提取模型安装阶段、量化阶段。
信道探测阶段:合法通信的双方Alice与Bob对同一无线信道进行探测,获得大量的信道估计值hA与hB。Alice探测得到大量的信道估计值hA构成信道样本组合HA,Bob探测得到大量的信道估计值hB构成信道样本组合HB。
本公开实施例中,以通信方Alice为例,Alice探测得到信道估计值hA的过程可以包括:对导频信号进行波形解调,之后,进行信道估计,获得信道状态信息的幅值与相位,基于信道状态信息的幅值与相位构成信道状态信息的估计矩阵。
特征提取模型训练阶段:训练设备将信道估计值hA作为输入,信道估计值hB作为重构目标,进而将信道估计值hA和hB送入所搭建的基于WGAN-GP网络的自编码器中进行训练。
特征提取模型安装阶段:训练完成的自编码器中的编码器模块分别安装在Alice与Bob各自本地处理器上,用于提取互易性特征ZA和ZB。
量化阶段:Alice与Bob分别根据探测信道间的信噪比,选取合适的量化比特数,按照所选取的量化比特数,对互易性特征ZA和ZB进行量化,从而获得初始密钥。
该初始密钥为原始的物理层密钥,后续Alice与Bob可以分别对初始密钥进行隐私放大,该隐私放大得到的密钥作为后续消息加密的密钥,以进一步提高通信的安全性。
该过程的具体实现方法详见上述实施例的说明。
为充分验证本公开实施例提供的技术方案的性能,发明人从以下五个指标出发,对本公开实施例提供的技术方案进行分析。
(1)安全密钥容量。
仿真表明,基于本公开实施例提供的技术方案训练的自编码器(如上述基于WGAN-GP的自编码器)所提取特征间的互信息量优于基于主成分分析(Principal ComponentsAnalysis,PCA)方法所提取特征间的互信息量,如图11(a)所示。
本公开实施例提供的技术方案法提取互易性特征的方法属于非线性变换的互易性特征提取方法,基于PCA提取互易性特征的方法属于线性变换的互易性特征提取方法。基于图11(a)所示,也证明了本公开实施例提供的技术方案在提取互易性特征时具有一定的鲁棒性,随探测信道的信噪比(Signal Noise Ratio,SNR)的波动,合法通信的双方所提取的高维信道特征波动较小,优于基于PCA方法。
(2)密钥生成速率。
在SNR较高的通信场景下,基于本公开实施例提供的技术方案量化所得初始密钥个数优于PCA方法,如表2所示,在SNR较低的通信场景下,由于合法通信的双方所探测的信道估计值差距较大,三种方法均不能提取到相似性较大的互易性特征,根据本公开实施例所采用的自适应量化方法(如上述图8所示实施例),每个维度的互易性特征可以使用单比特量化方法。
表2
SNR/DB | -5 | 0 | 5 | 10 | 15 | 20 |
无反馈的PCA | 10 | 10 | 10 | 10 | 10 | 10 |
有反馈的PCA | 10 | 10 | 10 | 13 | 13 | 16 |
本公开实施例提供的方法 | 10 | 10 | 10 | 13 | 14 | 16 |
(3)密钥一致性。
采用本公开实施例提供的技术方案以及采用PCA方法,所生成的初始密钥不一致率如图11(b)所示,在SNR较低和较高时,本公开实施例提供的技术方案均优于PCA的两种方法。并且,在SNR较高时,本公开实施例提供的技术方案所得的初始密钥不一致率接近且低于0.1。其中,初始密钥为对互易性特征进行量化所得到的物理层密钥。
(4)密钥随机性。
如图11(c)所示,图11(c)中示出了四种方法的在不同维度间的相关性,其中,颜色越深,表示自相关性越弱。从图11(c)可知,原始信道估计值的不同维度间存在较强的相关性,这将会导致密钥的随机性比较差。基于PCA方法的互易性特征提取方法与基于本公开实施例提供的技术方案的互易性特征提取方法均能够有效的削弱互易性特征之间的相关性。
(5)信道特征分布。
基于本公开实施例提供的技术方案提取的互易性特征显著趋近于标准高斯分布,符合预期分布设定,标准高斯分布使得下一阶段的量化易于实施,如图11(d)所示,图11(d)示出了2、5和7维互易性特征的分布。
与上述特征提取模型的训练方法对应,本公开实施例还提供了一种特征提取模型的训练设备,如图12所示,该训练设备可以包括:
获取模块1201,被配置为获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测无线信道所得到的第二信道状态信息;
训练模块1202,被配置为将第一信道状态信息作为自编码器的输入,将第二信道状态信息作为自编码器的重构目标,对自编码器进行训练;
安装模块1203,被配置为将训练完成的自编码器中的编码器模块作为第一通信方和第二通信方的特征提取模型。
可选地,训练模块1202,可以具体被配置为:
将第一信道状态信息作为自编码器的输入,将第二信道状态信息作为自编码器的重构目标,对自编码器的编码器模块和解码器模块进行训练;
将样本数据和编码器模块的输出作为对抗网络的输入,对编码器模块和对抗网络进行训练,样本数据的分布与预设互易性特征的分布相符。
可选地,训练模块1202,可以具体被配置为:
将样本数据和编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对编码器模块和对抗网络进行训练。
可选地,获取模块1201,可以具体被配置为:
获取第二通信方在无线信道中向第一通信方发送第一导频信号,并获取上述第一通信方在无线信道中向第二通信方发送第二导频信号;
对第一导频信号进行信道估计,得到第一信道状态信息;
对第二导频信号进行信道估计,得到第二信道状态信息。
可选地,自编码器可以为去噪自编码器、变分自编码器或堆叠自编码器。
本公开实施例提供的技术方案中,训练设备将第一通信方探测得到的第一信道状态信息作为自编码器的输入,将第二通信方探测得到的第二信道状态信息作为自编码器的输出,即训练过程中的重构目标。基于此训练自编码器,可以使得该自编码器重构的信道状态信息接近与重构目标,即第二信道状态信息。这种情况下,自编码器的隐藏层的输出(即自编码器中编码器模块的输出),可以表征出第一通信方和第二通信方的信道状态信息的共同部分,也就是第一通信方和第二通信方的互易性特征。
将上述编码器模块作为的征提取模型,来提取互易性特征时,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
与上述物理密钥生成方法对应,本公开实施例还提供了一种第一通信方,其中,第一通信方与第二通信方之间通过无线信道通信,如图13所示,该第一通信方可以包括:
探测模块1301,被配置为探测无线信道,得到第三信道状态信息;
提取模块1302,被配置为将第三信道状态信息作为自编码器的输入训练得到的特征提取模型,得到目标互易性特征;
生成模块1303,被配置为基于目标互易性特征,生成物理层密钥。
可选地,生成模块1303,可以具体被配置为:
根据无线信道的信噪比,确定目标量化比特数;
按照目标量化比特数,对目标互易性特征进行量化,得到物理层密钥。
可选地,在得到物理层密钥之后,第一通信方还可以包括放大模块;
放大模块,被配置为对物理层密钥进行隐私放大,得到最终密钥。
本公开实施例提供的技术方案中,第一通信方使用训练好的特征提取模型来提取互易性特征,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
另外,本公开实施例中,第一通信方和第二通信方可以分别独立的基于编码器模块提取的互易性特征来生成物理层密钥,无需第一通信方和第二通信方之间进行通信,这降低了密钥泄露风险,提高了无线通信的安全性。
本公开实施例还提供了一种无线通信系统,如图2所示,该无线通信系统可以包括训练设备21、第一通信方22和第二通信方23;
所述第一通信方22,被配置为探测无线信道,得到第一信道状态信息;
所述第二通信方23,被配置为探测所述无线信道,得到第二信道状态信息;
所述训练设备21,被配置为获取所述第一信道状态信息以及所述第二信道状态信息;将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
可选地,所述训练设备21,具体被配置为:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
可选地,所述训练设备21,具体被配置为:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
可选地,所述第一通信方22,具体被配置为获取第二通信方在无线信道中向第一通信方发送的第一导频信号,对所述第一导频信号进行信道估计,得到第一信道状态信息;
所述第二通信方23,具体被配置为获取所述第一通信方在所述无线信道中向所述第二通信方发送的第二导频信号;对所述第二导频信号进行信道估计,得到第二信道状态信息。
可选地,所述第一通信方22或所述第二通信方23,还被配置为探测所述无线信道,得到第三信道状态信息;将所述第三信道状态信息输入所述特征提取模型,得到目标互易性特征;基于所述目标互易性特征,生成物理层密钥。
可选地,所述第一通信方22或所述第二通信方23,还被配置为在得到所述物理层密钥之后,对所述物理层密钥进行隐私放大,得到最终密钥。
可选地,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
本公开实施例提供的无线通信系统中,训练设备将第一通信方探测得到的第一信道状态信息作为自编码器的输入,将第二通信方探测得到的第二信道状态信息作为自编码器的输出,即训练过程中的重构目标。训练设备利用此设计训练自编码器,可以使得该自编码器重构的信道状态信息接近于重构目标,即第二信道状态信息。这种情况下,自编码器的隐藏层的输出(即自编码器中编码器模块的输出),可以表征出第一通信方和第二通信方的信道状态信息的共同部分,也就是第一通信方和第二通信方的互易性特征。
训练设备将上述编码器模块作为特征提取模型,来提取互易性特征时,该编码器模块的输入为第一通信方或第二通信方探测得到的信道状态信息,也就是,该编码器模块的输入为第一通信方或第二通信方探测得到的原始数据,提高了互信息利用率,从而提高安全密钥容量。
另外,本公开实施例中,第一通信方和第二通信方可以分别独立的基于编码器模块提取的互易性特征来生成物理层密钥,无需第一通信方和第二通信方之间进行通信,这降低了密钥泄露风险,提高了无线通信的安全性。
在本公开提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一特征提取模型的训练方法,或实现上述实施例中任一物理层密钥的生成方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例、设备实施例、通信方实施例、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本公开的较佳实施例,并非用于限定本公开的保护范围。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本公开的保护范围内。
Claims (25)
1.一种特征提取模型的训练方法,其特征在于,所述方法包括:
获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息;
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;
将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练的步骤,包括:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
3.根据权利要求2所述的方法,其特征在于,所述将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练的步骤,包括:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
4.根据权利要求1所述的方法,其特征在于,所述获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息的步骤,包括:
获取第二通信方在无线信道中向第一通信方发送第一导频信号,并获取所述第一通信方在所述无线信道中向所述第二通信方发送第二导频信号;
对所述第一导频信号进行信道估计,得到第一信道状态信息;
对所述第二导频信号进行信道估计,得到第二信道状态信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
6.一种物理层密钥的生成方法,其特征在于,应用于第一通信方,所述第一通信方与第二通信方之间通过无线信道通信,所述方法包括:
探测所述无线信道,得到第三信道状态信息;
将所述第三信道状态信息输入权利要求1-5任一项所述方法训练得到的特征提取模型,得到目标互易性特征;
基于所述目标互易性特征,生成物理层密钥。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标互易性特征,生成物理层密钥的步骤,包括:
根据所述无线信道的信噪比,确定目标量化比特数;
按照所述目标量化比特数,对所述目标互易性特征进行量化,得到物理层密钥。
8.根据权利要求7所述的方法,其特征在于,在得到所述物理层密钥之后,还包括:
对所述物理层密钥进行隐私放大,得到最终密钥。
9.一种特征提取模型的训练设备,其特征在于,所述训练设备包括;
获取模块,被配置为获取第一通信方探测无线信道所得到的第一信道状态信息,以及第二通信方探测所述无线信道所得到的第二信道状态信息;
训练模块,被配置为将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;
安装模块,被配置为将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
10.根据权利要求9所述的训练设备,其特征在于,所述训练模块,具体被配置为:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
11.根据权利要求10所述的训练设备,其特征在于,所述训练模块,具体被配置为:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
12.根据权利要求9所述的训练设备,其特征在于,所述获取模块,具体被配置为:
获取第二通信方在无线信道中向第一通信方发送第一导频信号,并获取上述第一通信方在所述无线信道中向所述第二通信方发送第二导频信号;
对所述第一导频信号进行信道估计,得到第一信道状态信息;
对所述第二导频信号进行信道估计,得到第二信道状态信息。
13.根据权利要求9-12任一项所述的训练设备,其特征在于,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
14.一种第一通信方,其特征在于,所述第一通信方与第二通信方之间通过无线信道通信,所述第一通信方包括:
探测模块,被配置为探测所述无线信道,得到第三信道状态信息;
提取模块,被配置为将所述第三信道状态信息输入权利要求1-5任一项所述训练得到的特征提取模型,得到目标互易性特征;
生成模块,被配置为基于所述目标互易性特征,生成物理层密钥。
15.根据权利要求14所述的第一通信方,其特征在于,所述生成模块,具体被配置为:
根据所述无线信道的信噪比,确定目标量化比特数;
按照所述目标量化比特数,对所述目标互易性特征进行量化,得到物理层密钥。
16.根据权利要求15所述的第一通信方,其特征在于,在得到所述物理层密钥之后,所述第一通信方还包括放大模块;
所述放大模块,被配置为对所述物理层密钥进行隐私放大,得到最终密钥。
17.一种无线通信系统,其特征在于,所述无线通信系统包括训练设备、第一通信方和第二通信方;
所述第一通信方,被配置为探测无线信道,得到第一信道状态信息;
所述第二通信方,被配置为探测所述无线信道,得到第二信道状态信息;
所述训练设备,被配置为获取所述第一信道状态信息以及所述第二信道状态信息;将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器进行训练;将训练完成的自编码器中的编码器模块作为所述第一通信方和所述第二通信方的特征提取模型。
18.根据权利要求17所述的无线通信系统,其特征在于,所述训练设备,具体被配置为:
将所述第一信道状态信息作为自编码器的输入,将所述第二信道状态信息作为所述自编码器的重构目标,对所述自编码器的编码器模块和解码器模块进行训练;
将样本数据和所述编码器模块的输出作为对抗网络的输入,对所述编码器模块和所述对抗网络进行训练,所述样本数据的分布与预设互易性特征的分布相符。
19.根据权利要求18所述的无线通信系统,其特征在于,所述训练设备,具体被配置为:
将样本数据和所述编码器模块的输出作为对抗网络的输入,基于推土机距离和梯度惩罚机制,对所述编码器模块和所述对抗网络进行训练。
20.根据权利要求18所述的无线通信系统,其特征在于,
所述第一通信方,具体被配置为获取第二通信方在无线信道中向第一通信方发送的第一导频信号,对所述第一导频信号进行信道估计,得到第一信道状态信息;
所述第二通信方,具体被配置为获取所述第一通信方在所述无线信道中向所述第二通信方发送的第二导频信号;对所述第二导频信号进行信道估计,得到第二信道状态信息。
21.根据权利要求17所述的无线通信系统,其特征在于,所述第一通信方或所述第二通信方,还被配置为探测所述无线信道,得到第三信道状态信息;将所述第三信道状态信息输入所述特征提取模型,得到目标互易性特征;基于所述目标互易性特征,生成物理层密钥。
22.根据权利要求21所述的无线通信系统,其特征在于,所述第一通信方或所述第二通信方,具体被配置为根据所述无线信道的信噪比,确定目标量化比特数;按照所述目标量化比特数,对所述目标互易性特征进行量化,得到物理层密钥。
23.根据权利要求22所述的无线通信系统,其特征在于,所述第一通信方或所述第二通信方,还被配置为在得到所述物理层密钥之后,对所述物理层密钥进行隐私放大,得到最终密钥。
24.根据权利要求17-23任一项所述的无线通信系统,其特征在于,所述自编码器为去噪自编码器、变分自编码器或堆叠自编码器。
25.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤,或所述计算机程序被处理器执行时实现权利要求6-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524883.0A CN114980086A (zh) | 2022-05-13 | 2022-05-13 | 模型训练、密钥生成方法、训练设备、通信方及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524883.0A CN114980086A (zh) | 2022-05-13 | 2022-05-13 | 模型训练、密钥生成方法、训练设备、通信方及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114980086A true CN114980086A (zh) | 2022-08-30 |
Family
ID=82983759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524883.0A Pending CN114980086A (zh) | 2022-05-13 | 2022-05-13 | 模型训练、密钥生成方法、训练设备、通信方及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114980086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117176344A (zh) * | 2023-10-30 | 2023-12-05 | 北京亚大通讯网络有限责任公司 | 基于数字信息采集的指纹密钥生成方法 |
-
2022
- 2022-05-13 CN CN202210524883.0A patent/CN114980086A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117176344A (zh) * | 2023-10-30 | 2023-12-05 | 北京亚大通讯网络有限责任公司 | 基于数字信息采集的指纹密钥生成方法 |
CN117176344B (zh) * | 2023-10-30 | 2024-01-12 | 北京亚大通讯网络有限责任公司 | 基于数字信息采集的指纹密钥生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Deep neural network-based active user detection for grant-free NOMA systems | |
Wang et al. | New results on joint channel and impulsive noise estimation and tracking in underwater acoustic OFDM systems | |
Rottenberg et al. | CSI-based versus RSS-based secret-key generation under correlated eavesdropping | |
US20220116212A1 (en) | Process for monovalent one-to-one extraction of keys from the propagation channel | |
CN108206795B (zh) | 基于置信传递的频率选择性衰落信道的盲认证方法和系统 | |
CN114980086A (zh) | 模型训练、密钥生成方法、训练设备、通信方及系统 | |
Arunkumar et al. | Iterative sparse channel estimation and data detection for underwater acoustic communications using partial interval demodulation | |
Han et al. | Physical layer secret key generation based on autoencoder for weakly correlated channels | |
Zhou et al. | Physical-layer secret key generation based on domain-adversarial training of autoencoder for spatial correlated channels | |
WO2008151518A1 (fr) | Procédé et dispositif de détection d'information dans un système ofdm | |
Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
Li et al. | LTE device radio frequency fingerprints blind extraction based on temporal-frequency domain PRACH signals | |
CN108199991B (zh) | 基于置信传递的时变衰落信道的物理层盲认证方法和系统 | |
CN115037445A (zh) | 一种密钥生成方法及装置 | |
Chen et al. | Blind nonlinear system identification based on a constrained hybrid genetic algorithm | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN111683363B (zh) | 空域调制系统中的物理层认证方法及系统 | |
Giuliani et al. | ML-Based Advantage Distillation for Key Agreement in Underwater Acoustic Channels | |
CN114125826A (zh) | 一种基于信号强度的物理层密钥提取方法、系统、设备和介质 | |
McClintick et al. | Reproduction of" evaluating adversarial evasion attacks in the context of wireless communications" and" convolutional radio modulation recognition networks" | |
CN114640442B (zh) | 基于信道密钥和标签信号的物理层身份认证方法 | |
Seif et al. | On Differential Privacy for Wireless Federated Learning with Non-coherent Aggregation | |
Li et al. | Research on the design of highly random and consistent wireless key generation system | |
Han et al. | PHY-PSIONICS: Physical-layer phase secret key encapsulation in correlated subchannels | |
Zhao et al. | Instant and Secure Channel Key Extraction Scheme Among Wireless Devices |
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 |