CN115037438A - 基于神经网络预定义时间同步控制的安全通信方法及系统 - Google Patents

基于神经网络预定义时间同步控制的安全通信方法及系统 Download PDF

Info

Publication number
CN115037438A
CN115037438A CN202210630994.XA CN202210630994A CN115037438A CN 115037438 A CN115037438 A CN 115037438A CN 202210630994 A CN202210630994 A CN 202210630994A CN 115037438 A CN115037438 A CN 115037438A
Authority
CN
China
Prior art keywords
signal
neural network
predefined time
response system
chaotic
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
CN202210630994.XA
Other languages
English (en)
Inventor
刘爱迪
赵慧
王庆杰
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 Jinan
Original Assignee
University of Jinan
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 Jinan filed Critical University of Jinan
Priority to CN202210630994.XA priority Critical patent/CN115037438A/zh
Publication of CN115037438A publication Critical patent/CN115037438A/zh
Pending legal-status Critical Current

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
    • H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J3/00—Time-division multiplex systems
    • H04J3/02—Details
    • H04J3/06—Synchronising arrangements
    • H04J3/0635—Clock or time synchronisation in a network
    • H04J3/0638—Clock or time synchronisation among nodes; Internode synchronisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及属于安全通信技术领域，具体提供了一种将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动‑响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号；本发明采用预定义时间同步，对于同步时间可以由用户预先设定，能够更加准确的预计有效通信时间；采用忆阻复值神经网络，能产生更复杂且不可预测的混沌信号，提高加密的安全性。

Description

基于神经网络预定义时间同步控制的安全通信方法及系统
技术领域
本发明属于安全通信技术领域，具体涉及一种基于神经网络预定义时间同步控制的安全通信方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着信息时代的发展，信息安全问题正面临着日益严峻的挑战，安全通信也随之成为一个重要的研究领域。一个安全的加密算法既需要满足复杂性高的要求，以增强信息的安全性；又需要加密算法能以并行方式快速运算，以缩短加密和解密的时间来保证实时通信。其中，既能实现快速并行运算又有混沌动力学复杂行为的人工神经网络一直被认为是用来设计加密算法的最佳选择之一。
神经网络是一个高度复杂的非线性系统，其蕴含的混沌现象是近似随机且不可预测的。混沌序列具有初值敏感性，是一种天然的物理密码。由于忆阻器特有的涅滞回线特性，忆阻神经网络往往呈现出独特的动力学行为，并能生成一些新型的混沌系统。因此神经网络的动力学行为在安全通信、图像加密和伪随机数生成器等领域得到了广泛的关注。
近几年来，预定义时间稳定的概念被逐渐提出，其本质上是一种特殊的固定时间稳定。它的特点在于稳定时间可以由用户自定义，且在控制器设计过程中作为参数加入，提高了系统稳定的可控性。与有限时间稳定性相比，预定义时间稳定的稳定时间不依赖于系统的初值；与固定时间稳定性相比，预定义时间稳定节省了计算稳定时间上限的环节，将理论分析简单化，无须再考虑收敛时间的准确性。因此预定义时间同步在安全通信中具有重要的应用价值，特别是预定义时间同步可以降低计算的复杂度，同时提高传输的安全性。但目前已有的预定义时间稳定性定理缺少通用性，且在预定义时间理论下实现安全通信的研究较少。
发明内容
为了解决上述问题，本发明提出了一种基于神经网络预定义时间同步控制的安全通信方法及系统，本发明克服了上述有限时间和固定时间同步在安全通信中的不足，提供更通用的预定义时间稳定性定理，提高保密通用性。
根据一些实施例，本发明的第一方案提供了一种基于神经网络预定义时间同步控制的安全通信方法，采用如下技术方案：
基于神经网络预定义时间同步控制的安全通信方法，包括：
将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
进一步地，所述忆阻复值BAM神经网络驱动系统，具体为：
基于忆阻复值BAM神经网络作为驱动系统；
根据极值映射和微分包含原理修正驱动系统，得到忆阻复值BAM神经网络驱动系统。
进一步地，所述忆阻复值BAM神经网络响应系统，具体为：
基于忆阻复值BAM神经网络作为响应系统；
根据极值映射和微分包含原理修正响应系统，得到忆阻复值BAM神经网络响应系统。
进一步地，将所述忆阻复值BAM神经网络响应系统与所述忆阻复值BAM神经网络驱动系统作差，得到同步误差系统。
进一步地，所述将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，具体为：
同步前添加随机信号，使得明文信号与随机信号结合产生混合信号：
Figure BDA0003679778750000031
其中，Mi(t)表示添加随机信号后的传输信号；ri(t)表示随机信号；mi(t)表示待传输的真实信号；t表示传输时间；i表示传输的第i个信号；Tc表示预定义同步时间；
将所述混合信号引入所述忆阻复值BAM神经网络驱动系统节点的实部信号和虚部信号产生混沌信号。
进一步地，所述接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，具体为：
将加密信号与忆阻复值BAM神经网络响应系统结点的实部和虚部产生的混沌信号分别对应相减。
进一步地，所述预定义时间作为控制器参数，驱动系统和响应系统实际同步时间会随着预定义时间的变化而变化，在预定义时间之后恢复的信号即为明文信号。
根据一些实施例，本发明的第二方案提供了一种基于神经网络预定义时间同步控制的安全通信系统，采用如下技术方案：
基于神经网络预定义时间同步控制的安全通信系统，包括：
发送端，被配置为构造忆阻复值BAM神经网络驱动系统，将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
接收端，被配置为构造忆阻复值BAM神经网络响应系统，接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于神经网络预定义时间同步控制的安全通信方法中的步骤。
根据一些实施例，本发明的第四方案提供了一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于神经网络预定义时间同步控制的安全通信方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明采用预定义时间同步，对于同步时间可以由用户预先设定，能够更加准确的预计有效通信时间；采用忆阻复值神经网络，能产生更复杂且不可预测的混沌信号，提高加密的安全性。
本发明通过给响应系统添加合适的预定义时间控制器，能够实现驱动-响应系统预定义时间同步。将驱动系统视为加密端，明文信号在预定义时间Tc之前添加随机信号，组成混合信号，混合信号与驱动系统产生的混沌信号叠加生成加密信号，并通过传输信道将加密信号发送给接收端；将响应系统视为解密端，响应系统与驱动系统达到预定义时间同步，并接收秘钥Tc，将加密信号与驱动系统产生的混沌序列作差，则在预定义时间Tc之后得到的信号即为明文信号。需要注意的是，驱动系统的初始值不能泄露。秘钥可以为预定义的时间Tc，也可以是其它系统参数，满足加密算法中密钥空间大以抵抗暴力攻击的要求。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例中基于忆阻复值BAM神经网络预定义时间同步控制的安全通信方案总体结构图；
图2是本发明实施例中驱动系统单个结点的实部和虚部状态时间轨迹图；
图3是本发明实施例中明文信号的时间轨迹图；
图4是本发明实施例中明文信号和随机信号结合的时间轨迹图；
图5是本发明实施例中发送端发送的加密信号；
图6是本发明实施例中误差系统的状态轨迹图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1-图6所示，本实施例提供了一种基于神经网络预定义时间同步控制的安全通信方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本发明在此不做限制。本实施例中，该方法包括以下步骤：
基于神经网络预定义时间同步控制的安全通信方法，包括：
将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
所述忆阻复值BAM神经网络驱动系统，具体为：
基于忆阻复值BAM神经网络作为驱动系统；
根据极值映射和微分包含原理修正驱动系统，得到忆阻复值BAM神经网络驱动系统。
所述忆阻复值BAM神经网络响应系统，具体为：
基于忆阻复值BAM神经网络作为响应系统；
根据极值映射和微分包含原理修正响应系统，得到忆阻复值BAM神经网络响应系统。
将所述忆阻复值BAM神经网络响应系统与所述忆阻复值BAM神经网络驱动系统作差，得到同步误差系统。
所述将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，具体为：
同步前添加随机信号，使得明文信号与随机信号结合产生混合信号：
Figure BDA0003679778750000081
其中，Mi(t)表示添加随机信号后的传输信号；ri(t)表示随机信号；mi(t)表示待传输的真实信号；t表示传输时间；i表示传输的第i个信号；Tc表示预定义同步时间；
将所述混合信号引入所述忆阻复值BAM神经网络驱动系统节点的实部信号和虚部信号产生混沌信号。
如图1所示，该方法，具体为：
加密：将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络的驱动系统，并产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
解密：将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
需要说明的是，驱动系统的初值只能由发送端知道，其余参数都是可公开的，可将预定义的时间Tc设置为秘钥，只有秘钥相同时，驱动-响应系统才能正确进行加密解密。
为了实现安全通信，以下对驱动系统模型和响应系统模型的建立等进行说明：
(1)构造以下基于忆阻复值BAM神经网络作为驱动系统：
Figure BDA0003679778750000091
其中，i＝1,2,...,n,j＝1,2,…,m；x1i(t)和x2j(t)分别代表第i个和第j个神经元的复值状态向量，fj和gi表示激活函数，Ii和Jj表示外部输入，ηi和ξj表示神经元自抑制率，aji和cij表示忆阻连接权重，其定义如下：
Figure BDA0003679778750000092
Figure BDA0003679778750000093
Figure BDA0003679778750000094
Figure BDA0003679778750000095
其中，
Figure BDA0003679778750000096
表示凸闭包，根据集值映射和微分包含原理，假设存在
Figure BDA0003679778750000097
Figure BDA0003679778750000098
则驱动系统(1)可改写为：
Figure BDA0003679778750000099
(2)基于方程(1)构造以下基于忆阻复值BAM神经网络作为驱动系统：
Figure BDA00036797787500000910
其中，i＝1,2,...,n,j＝1,2,…,m；y1i(t)和y2j(t)分别代表第i个和第j个神经元的复值状态向量，fj和gi表示激活函数，Ii和Jj表示外部输入，ui(t)和vj(t)表示控制器，ηi和ξj表示神经元自抑制率，aji和cij表示忆阻连接权重，其定义如下：
Figure BDA0003679778750000101
Figure BDA0003679778750000102
Figure BDA0003679778750000103
Figure BDA0003679778750000104
假设存在
Figure BDA0003679778750000105
Figure BDA0003679778750000106
响应系统(2)可改写为：
Figure BDA0003679778750000107
(3)根据驱动-响应系统建立完全同步误差系统
令e1i(t)＝y1i(t)-x1i(t)，e2j(t)＝y2j(t)-x2j(t)，误差系统如下：
Figure BDA0003679778750000108
驱动-响应系统具有不同的初始值，其余参数相同。作差的目的是将驱动-响应系统的同步问题转化为误差系统的稳定性问题。
(3)设计合适的预定义时间同步控制器如下：
Figure BDA0003679778750000111
其中，α1i,α2j,β1i,β2j,ρ1i,ρ2j,κ1i,κ2j>0,
Figure BDA0003679778750000112
Figure BDA0003679778750000113
Figure BDA0003679778750000114
Figure BDA0003679778750000115
Figure BDA0003679778750000116
Figure BDA0003679778750000117
Tc是预定义的时间，Gc是跟误差系统有关的一个正数。
预定义时间同步是一种特殊的固定时间同步，相应的同步时间可以由用户自定义为Tc，无需依赖系统初值，系统稳定时间随Tc的变化而变化。在控制器中，将Tc作为一个参数，增加了系统的可控性。
(4)采用以下更通用的预定义时间稳定性引理：
引理1：假设存在一个正则、正定、无界函数
Figure BDA0003679778750000118
Tc是用户自定义参数，且以下两个条件成立:
Figure BDA0003679778750000119
对于任意V(e(t))>0,存在α,β,c,ρ,Gc,Tc>0,δ>1,0<θ<1满足：
Figure BDA0003679778750000121
那么误差系统的零解是预定义时间稳定的，其中，
Figure BDA0003679778750000122
通过给响应系统设计合适的控制器，基于以上预定义时间稳定性引理，可使得驱动-响应系统之间的误差系统(5)达到预定义时间稳定，且稳定时间可以由用户自定义为Tc。
(5)构造以下能量函数实现误差系统的预定义时间稳定：
Figure BDA0003679778750000123
通过不等式放缩可得：
Figure BDA0003679778750000124
其中，
Figure BDA0003679778750000125
c＝min{min{λ1i-∈i},min{λ2j-φj}}，ρ＝min{min{ρ1i},min{ρ2j}},
Figure BDA0003679778750000126
Figure BDA0003679778750000127
具体步骤：
(1)如图3所示，设计待加密的明文信号：mi(t),i＝1,2,3,4；
(2)如图4所示，同步前添加随机信号，使得明文信号与随机信号结合产生混合信号：
Figure BDA0003679778750000128
其中，Mi(t)表示添加随机信号后的传输信号；ri(t)表示随机信号；mi(t)表示待传输的真实信号；t表示传输时间；i表示传输的第i个信号；Tc表示预定义同步时间；
(3)如图5所示，驱动系统结点的实部和虚部信号分别与混合信号叠加产生加密信号：
Ci(t)＝Mi(t)+Re(x1i(t)),Ci(t)＝Mi(t)+Im(x1i(t)) (10)
Ci(t)＝Mi(t)+Re(x2j(t)),Ci(t)＝Mi(t)+Im(x2j(t)) (11)
(4)接收端接收秘钥，并将加密信号与响应系统结点的实部和虚部产生的混沌信号分别对应相减：
Figure BDA0003679778750000131
Figure BDA0003679778750000132
Figure BDA0003679778750000133
Figure BDA0003679778750000136
仿真验证：
(1)在本实施例中，驱动-响应系统的参数如下：
激活函数：fj(z)＝gi(z)＝tanh(Re(z))+itanh(Im(z)) (16)
外部输入：Ii＝Jj＝0；
初始状态：x11(0)＝(-0.5+7.6i)，x12(0)＝(-2.3-3.5i)
x21(0)＝(-5.5-5.6i)，x22(0)＝(6.3+0.4i)
y11(0)＝(-28.5+35.2i)，y12(0)＝(-18+12.5i)
y21(0)＝(-15.5+5.4i)，y22(0)＝(-11.5+17.8i)
忆阻权重参数：
Figure BDA0003679778750000134
Figure BDA0003679778750000135
Figure BDA0003679778750000141
Figure BDA0003679778750000142
Figure BDA0003679778750000143
Figure BDA0003679778750000144
(2)在本实施例中，控制器参数如下：
ε1＝21.29,ε2＝25.35,φ1＝φ2＝16.3,λ1i＝27,λ2j＝18,α1i＝α2j＝1,β1i＝β2j＝1,ρ1i＝ρ2j＝1,κ1i＝17,κ2j＝11,δ＝1.5,θ＝0.1。
(3)在本实施例中，待加密的明文信号设计为：
m1＝1.6sin(t)+0.7cos(0.3t)；m2＝-sin(1.2t)+2cos(3t)；
m3＝0.5sin(2t)+0.3cos(0.5t)；m4＝-sin(3t)-2cos(0.7t)；
(4)假设预定义时间Tc＝1,同步前添加随机信号，使得明文信号与随机信号结合产生混合信号：
Figure BDA0003679778750000145
其中，ri(t)＝rand(0,1)。
(5)驱动系统结点的实部和虚部产生的混沌信号分别与混合信号叠加产生加密信号：
C1(t)＝M1(t)+Re(x11(t)),C2(t)＝M2(t)+Im(x11(t)),
C3(t)＝M3(t)+Re(x21(t)),C4(t)＝M4(t)+Im(x21(t)).
(6)接收端接收秘钥，并将加密信号与响应系统结点的实部和虚部产生的混沌信号分别对应相减：
Figure BDA0003679778750000151
Figure BDA0003679778750000152
Figure BDA0003679778750000153
Figure BDA0003679778750000154
因此，接收端在时间t>1后就能正确恢复出明文信号。
本发明中的忆阻BAM神经网络能够产生混沌信号，混沌具有初值敏感性、遍历性、有界性、伪随机性等特点，因而成为加密的一种重要方式。
具体地，该实施例通过给响应系统添加合适的预定义时间控制器，能够实现驱动-响应系统预定义时间同步。将驱动系统视为加密端，明文信号在预定义时间Tc之前添加随机信号，组成混合信号，混合信号与驱动系统产生的混沌信号叠加生成加密信号，并通过传输信道将加密信号发送给接收端；将响应系统视为解密端，响应系统与驱动系统达到预定义时间同步，并接收秘钥Tc，将加密信号与驱动系统产生的混沌序列作差，则在预定义时间Tc之后得到的信号即为明文信号。需要注意的是，驱动系统的初始值不能泄露。秘钥可以为预定义的时间Tc，也可以是其它系统参数，满足加密算法中密钥空间大以抵抗暴力攻击的要求。
需要注意的是，驱动系统和响应系统达到预定义时间同步，具体的来说，Re(x11(t))与Re(y11(t))可在预定义时间之前达到同步，Re(x21(t))与Re(y21(t))可在预定义时间之前达到同步，Im(x11(t))与Im(y11(t))可在预定义时间之前达到同步，Im(x21(t))与Im(y21(t))可在预定义时间之前达到同步。因此，选择驱动系统和响应系统中能够达到同步的两个混沌序列即可进行信号加密解密操作。
实施例二
本实施例提供了一种基于神经网络预定义时间同步控制的安全通信系统，包括：
发送端，被配置为构造忆阻复值BAM神经网络驱动系统，将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
接收端，被配置为构造忆阻复值BAM神经网络响应系统，接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于神经网络预定义时间同步控制的安全通信方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于神经网络预定义时间同步控制的安全通信方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于神经网络预定义时间同步控制的安全通信方法，其特征在于，包括：
将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
2.如权利要求1所述的基于神经网络预定义时间同步控制的安全通信方法，其特征在于，所述忆阻复值BAM神经网络驱动系统，具体为：
基于忆阻复值BAM神经网络作为驱动系统；
根据极值映射和微分包含原理修正驱动系统，得到忆阻复值BAM神经网络驱动系统。
3.如权利要求1所述的基于神经网络预定义时间同步控制的安全通信方法，其特征在于，所述忆阻复值BAM神经网络响应系统，具体为：
基于忆阻复值BAM神经网络作为响应系统；
根据极值映射和微分包含原理修正响应系统，得到忆阻复值BAM神经网络响应系统。
4.如权利要求1所述的基于神经网络预定义时间同步控制的安全通信方法，其特征在于，将所述忆阻复值BAM神经网络响应系统与所述忆阻复值BAM神经网络驱动系统作差，得到同步误差系统。
5.如权利要求1所述的基于神经网络预定义时间同步控制的安全通信方法，其特征在于，所述将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，具体为：
同步前添加随机信号，使得明文信号与随机信号结合产生混合信号：
Figure FDA0003679778740000021
其中，Mi(t)表示添加随机信号后的传输信号；ri(t)表示随机信号；mi(t)表示待传输的真实信号；t表示传输时间；i表示传输的第i个信号；Tc表示预定义同步时间；
将所述混合信号引入所述忆阻复值BAM神经网络驱动系统节点的实部信号和虚部信号产生混沌信号。
6.如权利要求1所述的基于神经网络预定义时间同步控制的安全通信方法，其特征在于，所述接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，具体为：
将加密信号与忆阻复值BAM神经网络响应系统结点的实部和虚部产生的混沌信号分别对应相减。
7.如权利要求1所述的基于神经网络预定义时间同步控制的安全通信方法，其特征在于，所述预定义时间作为控制器参数，驱动系统和响应系统实际同步时间会随着预定义时间的变化而变化，在预定义时间之后恢复的信号即为明文信号。
8.基于神经网络预定义时间同步控制的安全通信系统，其特征在于，包括：
发送端，被配置为构造忆阻复值BAM神经网络驱动系统，将明文信号与随机信号结合产生混合信号引入到忆阻复值BAM神经网络驱动系统，产生驱动系统混沌信号，将混沌信号与混合信号叠加产生加密信号并传输给接收端；
接收端，被配置为构造忆阻复值BAM神经网络响应系统，接收加密信号并将接收到的加密信号引入忆阻复值BAM神经网络响应系统，实现驱动-响应系统的预定义时间同步并产生响应系统混沌信号，与加密信号作差解密出明文信号。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于神经网络预定义时间同步控制的安全通信方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于神经网络预定义时间同步控制的安全通信方法中的步骤。
CN202210630994.XA 2022-06-06 2022-06-06 基于神经网络预定义时间同步控制的安全通信方法及系统 Pending CN115037438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630994.XA CN115037438A (zh) 2022-06-06 2022-06-06 基于神经网络预定义时间同步控制的安全通信方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630994.XA CN115037438A (zh) 2022-06-06 2022-06-06 基于神经网络预定义时间同步控制的安全通信方法及系统

Publications (1)

Publication Number Publication Date
CN115037438A true CN115037438A (zh) 2022-09-09

Family

ID=83122078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630994.XA Pending CN115037438A (zh) 2022-06-06 2022-06-06 基于神经网络预定义时间同步控制的安全通信方法及系统

Country Status (1)

Country Link
CN (1) CN115037438A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563633A (zh) * 2022-09-29 2023-01-03 盐城工学院 一种基于惯性忆阻竞争神经网络的保密通信方法
CN117201687A (zh) * 2023-07-03 2023-12-08 盐城工学院 基于惯性忆阻神经网络投影同步的图像加密方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112003700A (zh) * 2020-09-04 2020-11-27 济南大学 一种忆阻神经网络固定时间控制的安全通信方法及系统
CN113219836A (zh) * 2021-05-19 2021-08-06 安徽大学 一种分数阶复值忆阻神经网络的投影同步方法及其应用
CN113746619A (zh) * 2021-09-06 2021-12-03 济南大学 预定义时间同步控制的图像加密方法、解密方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112003700A (zh) * 2020-09-04 2020-11-27 济南大学 一种忆阻神经网络固定时间控制的安全通信方法及系统
CN113219836A (zh) * 2021-05-19 2021-08-06 安徽大学 一种分数阶复值忆阻神经网络的投影同步方法及其应用
CN113746619A (zh) * 2021-09-06 2021-12-03 济南大学 预定义时间同步控制的图像加密方法、解密方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI ZHAO: "Predefined-Time Stability/Synchronization of Coupled Memristive Neural Networks With Multi-Links and Application in Secure Communication", FRONTIERS IN NEUROROBOTICS, 31 December 2021 (2021-12-31) *
MINGWEN ZHENG: "Finite-time stability and synchronization of memristor-based fractional-order fuzzy cellular neural networks", COMMUN NONLINEAR SCI NUMER SIMULAT, 2 December 2017 (2017-12-02) *
冯靓: "耦合忆阻复值神经网络的固定时间同步", 《新疆大学学报（自然科学版）》, 9 March 2021 (2021-03-09) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563633A (zh) * 2022-09-29 2023-01-03 盐城工学院 一种基于惯性忆阻竞争神经网络的保密通信方法
CN115563633B (zh) * 2022-09-29 2023-04-21 盐城工学院 一种基于惯性忆阻竞争神经网络的保密通信方法
CN117201687A (zh) * 2023-07-03 2023-12-08 盐城工学院 基于惯性忆阻神经网络投影同步的图像加密方法及系统
CN117201687B (zh) * 2023-07-03 2024-05-28 盐城工学院 基于惯性忆阻神经网络投影同步的图像加密方法及系统

Similar Documents

Publication Publication Date Title
Dong et al. Neural cryptography based on complex-valued neural network
US20230231711A1 (en) Blockchain-implemented method and system
He et al. Secure communication based on quantized synchronization of chaotic neural networks under an event-triggered strategy
CN115037438A (zh) 基于神经网络预定义时间同步控制的安全通信方法及系统
Sarkar Multilayer neural network synchronized secured session key based encryption in wireless communication
Pal et al. An TPM based approach for generation of secret key
Yu et al. Identity‐Based Proxy Signcryption Protocol with Universal Composability
CN117397197A (zh) 多台计算机的多方计算
Sarkar et al. Key generation and certification using multilayer perceptron in wireless communication (KGCMLP)
CN112149166B (zh) 非常规密码保护方法及银行智能机器
Sivaranjani et al. ECC-Based Privacy-Preserving Mechanisms Using Deep Learning for Industrial IoT: A State-of-the-Art Approaches
Wang et al. Consensus Control Based on Privacy-Preserving Two-Party Relationship Test Protocol
Meraouche et al. Tree Parity Machine-Based Symmetric Encryption: A Hybrid Approach
Wu et al. Privacy-Preserving Serverless Federated Learning Scheme for Internet of Things
Sarkar Chaos-based mutual synchronization of three-layer tree parity machine: a session key exchange protocol over public channel
Panzade et al. Privacy-Preserving Machine Learning Using Functional Encryption: Opportunities and Challenges
Boyd et al. Modular design of KEM-based authenticated key exchange
Sarkar et al. Multilayer Perceptron Guided Key Generation Through Mutation with Recursive Replacement in Wireless Communication (MLPKG)
Sarkar et al. Double Layer Perceptron Synchronized Computational Intelligence Guided Fractal Triangle Based Cryptographic Technique for Secured Communication (DLPFT)
Hsiao et al. Integrating RC6 Stream Cipher to A Chaotic Synchronization System
Gulla Understanding complementarity-based security proofs of quantum key distribution with imperfect sources
CN116933898A (zh) 一种数据交互方法、设备和计算机可读存储介质
Mandal et al. Hopfield network based neural key generation for wireless communication (HNBNKG)
Shrestha C++ Implementation of Neural Cryptography for Public Key Exchange and Secure Message Encryption with Rijndael Cipher
Sarkar et al. KEY SWAP OVER AMONG GROUP OF MULTILAYERPERCEPTRONS FOR ENCRYPTION IN WIRELESS COMMUNICATION (KSOGMLPE)

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