CN117319996A - 一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法 - Google Patents
一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法 Download PDFInfo
- Publication number
- CN117319996A CN117319996A CN202311304118.9A CN202311304118A CN117319996A CN 117319996 A CN117319996 A CN 117319996A CN 202311304118 A CN202311304118 A CN 202311304118A CN 117319996 A CN117319996 A CN 117319996A
- Authority
- CN
- China
- Prior art keywords
- random number
- short message
- deep learning
- beidou
- quantum random
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 230000006854 communication Effects 0.000 title claims abstract description 75
- 238000004891 communication Methods 0.000 title claims abstract description 72
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
- H04W12/033—Protecting confidentiality, e.g. by encryption of the user plane, e.g. user's traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
-
- 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
Abstract
本发明提供一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，包括以下步骤：构建深度学习Bi‑LSTM模型并对量子随机数生成器检测；预测深度学习模型的成功概率，并基于该模型的检测准确率与猜测概率比较以判定是否可以用于北斗短报文保密通信中的会话秘钥；使用检测后的量子随机数对北斗短报文保密通信。根据本发明通过使用神经网络来评估量子随机性和提取具有相关性的经典噪声，能够更好的评估量子随机数生成器的安全性，通过检验的随机数序列充注到北斗短报文用户的内存单元中，作为会话密钥对短报文通信报文进行加密，完成报文入站，出站以解密得到原始明文，进一步提高基于量子随机数生成器设备的北斗短报文保密通信的安全性。
Description
技术领域
本发明涉及北斗与量子通信技术领域，具体涉及一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法。
背景技术
北斗卫星具有短报文通信的功能，北斗短报文通信覆盖范围广，无通信盲区，具有远距离通信能力；在紧急情况和没有其他通信条件时，使用北斗短报文通信可以完成恶劣通信环境下的信息传输；随着通信保密需求的升级，以及量子计算的到来，实现北斗卫星短报文的高安全性加密通信成为当前急需考虑的问题。
量子随机数生成器作为信息安全的基础部件，使用量子随机数生成器产生的量子真随机数作为密钥对北斗短报文通信系统的安全性至关重要，在提升数据加密的安全级别的同时，还能有效融合北斗短报文的民用状态下对通信频率限制和通信内容限制的一般条件；通过将量子随机数生成器的输出序列充注到北斗设备的内存单元中，在每次通信时，北斗设备从其内存单元中提取和短报文内容相同字节的量子随机数序列作为密钥，将量子真随机数与北斗短报文长度字节按位进行异或运算，能够有效缓解北斗短报文的传输资源，并且提升北斗转发信息发布的实效性，有效保证加密过程数据的完整性和短报文数据的安全性。
随机数生成器一直是经典密码学的重要组部分；然而，伪随机数生成器的经典密码系统极易受到各种依赖于系统组件和数学算法的对抗性攻击，与采用确定性方法的伪随机数生成器不同，量子随机数生成器利用量子力学的内在随机性产生真正的随机数；通过观察量子系统的状态，如光子的极化或电子的自旋，产生的随机数将是随机和不可预测的，这些结果可以用来产生真正的随机性；量子随机数生成器输出的随机数序列在理论上的底层物理机制是量子真随机的，但是其质量取决于后处理过程，在使用经典器件对量子随机性进行提取的过程中会不可避免的引入经典噪声，使得输出的随机性往往并不是真正的量子随机数。
任何规律都会影响量子随机数生成器的安全性，因此，在北斗短报文保密通信的实际应用中，评估量子随机数生成器输出的随机性是至关重要的；传统针对伪随机数的检测手段大多采用基于复杂的数学模型和统计检验等方法，而量子世界特有的性质确保了其不同于经典世界，具有内禀随机性，传统检测方法对于量子内在固有的随机性的检验很难准确描述，通过神经网络的深度学习能够从大量的输出序列中学习和进行特征提取，得到具有相关性的序列，在检测量子随机数生成器的输出序列时能够避免数学检测方法存在的局限性，可以更好的描述量子世界中随机数的不可预测性。
使用深度学习方法对量子随机数生成器进行密码学评估，将不存在相关性的随机数序列作为可信量子随机数充注到通信双方的北斗设备的内存单元中，作为量子随机数会话密钥对北斗短报文进行加密；由于目前许多随机数序列的检测手段只在专业应用范围内存在通用性和普遍性，因此本发明研究设计出一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，进一步增强北斗短报文的通信安全。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的量子随机数生成器的北斗短报文通信过程中信息安全传输中，随机数序列是不可预测的量子真随机数导致其影响通信安全的缺陷，从而提供一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法。
为了解决上述问题，本发明提供一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，包括以下步骤：
S1：构建深度学习Bi-LSTM模型；
S2：将量子随机数生成器输出的随机数序列输入所述深度学习Bi-LSTM模型进行检测，得到检测准确率；
对同样的随机数序列进行统计分析，得到猜测概率；
S3：根据所述猜测概率与检测准确率，判断所述随机数序列的可预测性，若判断结果为所述随机数序列的不可预测，则该随机数序列可以用于北斗短报文保密通信中的会话秘钥；
S4：使用检测后的所述随机数序列对北斗短报文保密通信。
优选地，所述深度学习Bi-LSTM模型包括输入层、Bi-LSTM层以及输出层；
所述输入层用于对输入的数据进行预处理；
所述Bi-LSTM层包括前向LSTM神经网络和后向LSTM神经网络，用于对预处理后的数据分别进行正向和反向计算，提取其中的数据信息，得到数据预测值；
所述输出层用于将数据预测值和数据真实值进行比较，得到检测准确率。
优选地，所述数据的预处理包括：根据北斗短报文的通信长度，对输入数据进行分组，并对分组后的数据进行独热编码。
优选地，所述前向LSTM神经网络按照输入序列提取数据信息，所述后向LSTM神经网络按照输入序列的逆序提取数据信息。
优选地，所述输出层对经过Bi-LSTM层处理的数据进行拟合，以Softmax函数作为激活函数，使用多分类损失函数，通过将预测值与真实值进行比较，得到深度学习模型的检测准确率Pd。
优选地，所述S2中猜测概率为：其中，Pg为猜测概率，/>为随机变量/>在序列Px中出现的概率。
优选地，所述S2中检测准确率与猜测概率的判定方法为：
通过深度学习模型的检测准确率Pd与量子随机数生成器输出分布的猜测概率Pg进行对比，若Pd>Pg，则量子随机数生成器输出的该随机序列是存在相关性的，不是真正的量子随机数；否则，该量子真随机数序列可以用于北斗短报文保密通信中的会话密钥。
优选地，对所述检测准确率与猜测概率的判定方法进一步评估为：
当检测准确率与猜测概率相同，说明深度学习模型的检测结果具有的真实性；当猜测概率高于检测准确率，意味着基于神经网络的深度学习模型在对存在潜在的相关性随机数序列检测时，具有更好的评估性能。
优选地，所述S3中，把深度学习检测后的可信量子随机数序列预置到北斗设备内存单元中，在北斗用户作为发送端进行短报文通信时，从本机设备的内存单元提取需要长度的量子随机数序列，对加密后的密文成为入站短报文并发送到北斗卫星，北斗卫星转发到地面的控制中心进行报文解析和格式封装，再次发送到北斗卫星进行消息广播，另一个作为接收端的北斗用户将该短报文通过北斗天线接收到本设备，再次使用预置的相同可信量子随机数序列与密文异或解密。
优选地，所述S3中，通过对密文使用相同的随机数密钥进行简单按位异或操作，得到原始的短报文信息，完成北斗短报文的加解密通信。
本发明提供的一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法具有如下有益效果：
本发明通过深度学习Bi-LSTM模型评估量子随机数生成器的输出序列，使用神经网络来评估量子随机性和提取具有相关性的经典噪声，能够比传统检测方式更好的评估量子随机数生成器的安全性；通过检验的随机数序列充注到北斗短报文用户的内存单元中，作为会话密钥对短报文通信报文进行加密，完成报文入站，报文出站以及解密得到原始明文，进一步提高基于量子随机数生成器设备的北斗短报文保密通信的安全性。
附图说明
图1为本发明的基于深度学习检测量子随机数生成器的北斗短报文加密通信示意图；
图2为本发明的检测量子随机数生成器的深度学习Bi-LSTM模型架构示意图。
具体实施方式
如图1-2所示，本发明提供一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其包括以下步骤：
S1：构建深度学习Bi-LSTM模型；
S2：将量子随机数生成器输出的随机数序列输入所述深度学习Bi-LSTM模型进行检测，得到检测准确率；
对同样的随机数序列进行统计分析，得到猜测概率；
S3：根据所述猜测概率与检测准确率，判断所述随机数序列的可预测性，若判断结果为所述随机数序列的不可预测，则该随机数序列可以用于北斗短报文保密通信中的会话秘钥；
S4：使用检测后的所述随机数序列对北斗短报文保密通信。
具体地，如图2所示，输入层包括随机数序列的长度，滑动窗口的步长以及词向量的one-hot（独热）编码，Bi-LSTM层包括一个前向的LSTM网络和一个后向的LSTM网络，输出层包括一个全连接层Fully-connected，激活函数Softmax和最后的输出预测结果Output；
在北斗短报文实际通信过程中，更重要的是考虑北斗短报文的通信字节限制，在民用北斗短报文中，我们以78字节通信长度限制为研究对象；
如图2所示，以相邻输入的78字节为一组，每组通过78个字节来预测序列中下一个字节的值，即相邻的78字节的序列为输入，下一字节作为标签；
模型的输入和预测值采用one-hot编码，对78个8位整数编码为one-hot向量，训练集由100万个量子随机数组成的序列，测试集有100万个随机数样本，下一个输入样本为滑动窗口步长为1的78字节相邻整数的随机数，滑动窗口越小，检测精度越高，所占用内存就越大；
在输入层对数据完成预处理后送入Bi-LSTM层，进行双向全局相关性的充分提取，分别从前向和后向两个方向进行计算，以前向LSTM提取输入序列数据信息，后向LSTM提取输入序列逆序的数据信息，从而通过Bi-LSTM网络联系数据上下文获得当前更加准确的预测结果；最后通过引入output层防止模型输出过拟合，并且通过全连接层将输入特征映射到输出结果；由于多重分类问题，以Softmax函数作为激活函数，使用多分类损失函数categorical cross entropy，将每个输入到输出层的结果都以概率的形式映射到了0到1区间，经过将最大概率对应的值作为预测的最佳结果的处理，处理结果为输出预测值，并且与真实值进行比较。
通过将预测值与真实值进行比较，得到深度学习模型成功的检测准确率Pd，即已知前N个数字的条件下，正确得出第N+1真实数字的检测准确率。
其中，量子随机数生成器可分为量子熵源和后处理两部分，量子熵源具有原始的量子真随机性，后处理部分通过经典器件，如测量器件和模数转换器对量子随机性从兼具量子随机性和经典随机性的物理测量中提取出来，但是由于经典噪声的引入，导致量子随机数的随机性存在一定的不确定性，或者由于设备生产过程中故意置入有序序列，使得量子随机数应用于密码系统并非决定性的安全。
在信息论领域中，香农提出的无条件安全是理论安全性的最高级别，然而对于一个通信安全系统来说，其最重要的是在与实际实现中具有无条件的安全性，主要原因是由于在实践中我们几乎不能生成安全的真正随机的密钥。
因此在北斗短报文保密通信的实际应用中，在运用量子随机数作为会话密钥的同时，对量子随机数生成器的输出序列进行随机性检测是关键的一个环节，本发明将通过使用深度学习模型双向长短期记忆（Bidirectional Long - short memory, Bi-LSTM）Bi-LSTM对量子随机数进行预测和评估，其中长短期记忆网络（LSTM，Long short-termmemory）是一种时间循环神经网络，它将积累的数据存储在专门设计的记忆单元中；Bi-LSTM的构造是一层正向的LSTM和一层反向的LSTM组合，它善于发现和利用远程上下文来挖掘潜在的特征。
具体地，熵对于随机序列的输出是至关重要的，它对应于猜测或预测熵源最可能输出的难度；熵有许多不同的度量方法，对于用于加密的随机数，相关的度量是最小熵，通常猜测概率通过与最小熵联系在一起，作为在预测随机序列结果的最优值，显示一个随机数均匀分布为最大可能性的预测结果是变量的概率，如下所示：其中，猜测概率Pg为随机变量/>在分布/>中出现的最高概率。
通过深度学习模型的检测准确率Pd与量子随机数生成器输出分布的猜测概率Pg进行对比，评估出深度学习对量子随机数生成器的输出随机数的预测性能；如果深度学习的检测准确率大于猜测概率Pd>Pg，意味着量子随机数生成器输出的该随机序列是存在相关性的，不是真正的量子随机数；若Pd≤Pg说明量子随机数生成器输出序列是不可预测的，该量子真随机数序列可以用于北斗短报文保密通信中的会话密钥。
对深度学习Bi-LSTM模型检测性能的进一步评估如下：在对量子真随机数的数据集进行测试时，深度学习的检测准确率与猜测概率相同，说明深度学习模型的检测结果具有一定的真实性；当在量子真随机数序列中加入部分线性同余的伪随机数序列时，深度学习Bi-LSTM模型的检测准确率会高于基于输出分布统计的猜测概率，意味着基于神经网络的深度学习模型在对存在潜在的相关性随机数序列检测时，具有更好的评估性能。
本发明中，将量子随机数生成器的输出序列输入到本发明中的深度学习模型进行检测，得到检测准确率Pd，使用传统方法对相同的输出序列进行分布统计，得到数据分布中最高统计结果的猜测概率Pg；通过深度学习Bi-LSTM模型的检测准确率Pd和序列分布的猜测概率Pg对比，发现当序列存在一定的相关性时，深度学习模型的检测准确率Pd大于猜测概率Pg，说明深度学习模型的预测结果要好于传统的统计检验方式，能够在大量的随机数中检测出一定的潜在相关性；当量子随机数生成器出生的大量的长序列随机数通过了美国国家标准与技术研究院（National institute of standards and technology，NIST）测试，但是深度学习的检测准确率却高于猜测概率，意味着深度学习方法相比传统检测方式具有更强的检测能力，可以避免采用数学算法检测随机数的局限性；同时基于深度学习的检测方法不仅可以检测均匀分布的随机数，还能够检验非均匀分布的随机数序列的随机性；而传统的检测方式只对均匀分布有效，相比传统的检测方式具有广泛的应用。
具体地，如图1所示，其中北斗用户分别可以作为发送端和接收端，在给北斗设备上电之前，将使用充注技术把深度学习检测后的可信量子随机数序列预置到北斗设备内存单元中，在某一北斗用户作为发送端进行短报文通信时，从本机设备的内存单元提取需要长度的量子随机数序列，根据北斗短报文的通信协议，与通信内容进行异或加密，加密后的密文成为入站短报文并发送到北斗卫星，北斗卫星转发到地面的控制中心进行报文解析和格式封装，再次发送到北斗卫星进行消息广播，另一个作为接收端的北斗用户将该短报文通过北斗天线接收到本设备，再次使用预置的相同可信量子随机数序列与密文异或解密，密钥长度可在北斗通信协议中的通信长度解析获得。
通过对密文使用相同的随机数密钥进行简单按位异或操作，得到原始的短报文信息，完成北斗短报文的加解密通信。
本发明中由于量子随机数生成器产生的随机数理论上是量子真随机数，但是在设备制造的过程中，在使用非完美器件对量子随机性的提取过程中，不可避免的引入经典噪声，导致量子随机数生成器实质上输出的随机数序列并不是完全意义上的量子真随机数。该问题在实际保密通信的应用中容易被忽视，从而伴随信息泄露的风险。本发明基于北斗现有网络，围绕基于量子随机数生成器的北斗短报文通信过程中信息安全传输问题，以及考虑经典器件在量子熵产生随机性的提取过程中引入经典噪声的影响，由于基于神经网络的深度学习模型能够很好的描述量子熵源产生的随机性，因此展开深度学习方法对量子随机数生成器输出的随机数序列进行密码学检测的研究，以确保用于会话密钥的随机数序列是不可预测的量子真随机数，从而进一步确保基于量子随机数发生器北斗短报文保密通信的安全性。
本发明通过深度学习Bi-LSTM模型评估量子随机数生成器的输出序列，使用神经网络来评估量子随机性和提取具有相关性的经典噪声，能够比传统检测方式更好的评估量子随机数生成器的安全性。通过检验的随机数序列充注到北斗短报文用户的内存单元中，作为会话密钥对短报文通信报文进行加密，完成报文入站，报文出站以及解密得到原始明文，进一步提高基于量子随机数生成器设备的北斗短报文保密通信的安全性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于，包括以下步骤：
S1：构建深度学习Bi-LSTM模型；
S2：将量子随机数生成器输出的随机数序列输入所述深度学习Bi-LSTM模型进行检测，得到检测准确率；
对同样的随机数序列进行统计分析，得到猜测概率；
S3：根据所述猜测概率与检测准确率，判断所述随机数序列的可预测性，若判断结果为所述随机数序列的不可预测，则该随机数序列可以用于北斗短报文保密通信中的会话秘钥；
S4：使用检测后的所述随机数序列对北斗短报文保密通信。
2.根据权利要求1所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述深度学习Bi-LSTM模型包括输入层、Bi-LSTM层以及输出层；
所述输入层用于对输入的数据进行预处理；
所述Bi-LSTM层包括前向LSTM神经网络和后向LSTM神经网络，用于对预处理后的数据分别进行正向和反向计算，提取其中的数据信息，得到数据预测值；
所述输出层用于将数据预测值和数据真实值进行比较，得到检测准确率。
3.根据权利要求2所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述数据的预处理包括：根据北斗短报文的通信长度，对输入数据进行分组，并对分组后的数据进行独热编码。
4.根据权利要求2所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述前向LSTM神经网络按照输入序列提取数据信息，所述后向LSTM神经网络按照输入序列的逆序提取数据信息。
5.根据权利要求2所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述输出层对经过Bi-LSTM层处理的数据进行拟合，以Softmax函数作为激活函数，使用多分类损失函数，通过将预测值与真实值进行比较，得到深度学习模型的检测准确率Pd。
6.根据权利要求1所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述S2中猜测概率为：其中，Pg为猜测概率，/>为随机变量/>在序列Px中出现的概率。
7.根据权利要求6所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述S2中检测准确率与猜测概率的判定方法为：
通过深度学习模型的检测准确率Pd与量子随机数生成器输出分布的猜测概率Pg进行对比，若Pd>Pg，则量子随机数生成器输出的该随机序列是存在相关性的，不是真正的量子随机数；否则，该量子真随机数序列可以用于北斗短报文保密通信中的会话密钥。
8.根据权利要求7所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
对所述检测准确率与猜测概率的判定方法进一步评估为：
当检测准确率与猜测概率相同，说明深度学习模型的检测结果具有的真实性；当猜测概率高于检测准确率，意味着基于神经网络的深度学习模型在对存在潜在的相关性随机数序列检测时，具有更好的评估性能。
9.根据权利要求1所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述S3中，把深度学习检测后的可信量子随机数序列预置到北斗设备内存单元中，在北斗用户作为发送端进行短报文通信时，从本机设备的内存单元提取需要长度的量子随机数序列，对加密后的密文成为入站短报文并发送到北斗卫星，北斗卫星转发到地面的控制中心进行报文解析和格式封装，再次发送到北斗卫星进行消息广播，另一个作为接收端的北斗用户将该短报文通过北斗天线接收到本设备，再次使用预置的相同可信量子随机数序列与密文异或解密。
10.根据权利要求9所述的基于深度学习检测量子随机数生成器的北斗短报文保密通信方法，其特征在于：
所述S3中，通过对密文使用相同的随机数密钥进行简单按位异或操作，得到原始的短报文信息，完成北斗短报文的加解密通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304118.9A CN117319996A (zh) | 2023-10-10 | 2023-10-10 | 一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304118.9A CN117319996A (zh) | 2023-10-10 | 2023-10-10 | 一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117319996A true CN117319996A (zh) | 2023-12-29 |
Family
ID=89242307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311304118.9A Pending CN117319996A (zh) | 2023-10-10 | 2023-10-10 | 一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117319996A (zh) |
-
2023
- 2023-10-10 CN CN202311304118.9A patent/CN117319996A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Mobility assisted secret key generation using wireless link signatures | |
| US6307940B1 (en) | Communication network for encrypting/deciphering communication text while updating encryption key, a communication terminal thereof, and a communication method thereof | |
| US6996712B1 (en) | Data authentication system employing encrypted integrity blocks | |
| Farajallah et al. | Fast and secure chaos-based cryptosystem for images | |
| CN108898539B (zh) | 一种兼容jpeg压缩标准的彩色图像加密方法 | |
| Zhang et al. | Secure transmission of compressed sampling data using edge clouds | |
| Bin Faheem et al. | Highly dispersive substitution box (S‐box) design using chaos | |
| Li et al. | Breaking a chaotic cryptographic scheme based on composition maps | |
| US6851052B1 (en) | Method and device for generating approximate message authentication codes | |
| US20030158876A1 (en) | On-line randomness test through overlapping word counts | |
| Cho et al. | Secure and efficient compressed sensing-based encryption with sparse matrices | |
| CN108964870B (zh) | 基于自同步混沌密码的铁路应答器报文安全增强方法 | |
| Vidhya et al. | A novel conditional Butterfly Network Topology based chaotic image encryption | |
| El Hennawy et al. | LEA: link encryption algorithm proposed stream cipher algorithm | |
| Vidal et al. | A fast and light stream cipher for smartphones | |
| Elmanfaloty et al. | A finite precision implementation of an image encryption scheme based on DNA encoding and binarized chaotic cores | |
| Jumaa | Digital image encryption using AES and random number generator | |
| Garcia-Bosque et al. | Fast and secure chaotic stream cipher with a MEMS-based seed generator | |
| CN117319996A (zh) | 一种基于深度学习检测量子随机数生成器的北斗短报文保密通信方法 | |
| Hraini et al. | Joint crypto-compression based on selective encryption for WMSNs | |
| Zhu et al. | Efficient construction of provably secure steganography under ordinary covert channels | |
| Jawad et al. | Using evolving algorithms to cryptanalysis nonlinear cryptosystems | |
| Croock et al. | Adaptive key generation algorithm based on software engineering methodology | |
| CN110661611B (zh) | 一种面向侧信道密码能量泄漏信号的检测方法及系统 | |
| CN111654362B (zh) | Wep加密算法的改进方法 |
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 |