CN117560662B - 基于可重构智能表面的隐私保护方法、装置及设备 - Google Patents
基于可重构智能表面的隐私保护方法、装置及设备 Download PDFInfo
- Publication number
- CN117560662B CN117560662B CN202410033731.XA CN202410033731A CN117560662B CN 117560662 B CN117560662 B CN 117560662B CN 202410033731 A CN202410033731 A CN 202410033731A CN 117560662 B CN117560662 B CN 117560662B
- Authority
- CN
- China
- Prior art keywords
- optimization
- determining
- intelligent surface
- reconfigurable intelligent
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 claims abstract description 160
- 230000008447 perception Effects 0.000 claims abstract description 76
- 238000013210 evaluation model Methods 0.000 claims abstract description 65
- 238000004891 communication Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 74
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training 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
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/65—Environment-dependent, e.g. using captured environmental data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于通信技术领域,公开了一种基于可重构智能表面的隐私保护方法、装置及设备。本发明通过根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。通过上述方式,实现了在当前通信场景为需要进行隐私保护的场景下,场景中的特征信息难以被可疑接收设备识别检测的效果,从而达到了抗感知隐私保护的目的。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于可重构智能表面的隐私保护方法、装置及设备。
背景技术
近年来,基于无线射频(Radio frequency,RF)信号进行室内人员动态检测、姿态识别等方面的感知受到越来越多的关注。人的活动直接影响室内无线多径传输环境,通过分析射频接收端的接收信号特性,能够获得室内人员状态的一些信息,从而达到感知的目的。RF感知也被称为被动感知,是一种非接触式感知技术,其特点在于无需配备专用传感设备,常见通信系统中的信号及设备,如5G、WiFi、蓝牙等,均可成为RF感知的载体和媒介。RF感知技术发展的同时带来隐私和信息安全方面的问题,例如,恶意感知者仅利用空间WiFi信号和智能手机就能在室内环境乃至室外隔墙探知人员数量和移动轨迹等信息,威胁隐私安全。近年可重构智能表面调控电磁传播特性的能力在感知和通感一体应用中被研究探索,在RF感知领域,现有研究和发明主要利用该技术增加无线信道环境信息知识、消除信号干扰等,以实现信号接收设备RF感知粒度和精确度的提升。然而,当前研究关注重点在智能表面辅助提升RF感知性能上,而非隐私安全,感知性能增强也意味着更大的信息泄露风险和隐患。在RF感知隐私和安全层面,截至目前仍未发现有研究讨论在可重构智能表面辅助的RF感知系统中,如何防御和对抗恶意RF感知,保护隐私和安全。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于可重构智能表面的隐私保护方法、装置及设备,旨在解决现有技术在可重构智能表面辅助的RF感知系统中,如何对抗恶意RF感知,保证隐私安全的技术问题。
为实现上述目的,本发明提供了一种基于可重构智能表面的隐私保护方法,所述方法包括以下步骤:
根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;
基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;
根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;
根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。
可选地,所述基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型,包括:
根据所述信道特征向量和所述场景类型确定接收设备的接收信号;
根据所述接收设备的接收信号确定所述接收设备的接收信号能量;
根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型。
可选地,所述根据所述信道特征向量和所述场景类型确定接收设备的接收信号,包括:
获取可重构智能表面上各结构单元的特性参数;
根据各结构单元的特性参数确定所述可重构智能表面的参数对角矩阵;
根据所述信道特征向量、所述参数对角矩阵、所述信号发送符号以及所述场景类型确定接收设备的接收信号。
可选地,所述根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型,包括:
根据所述接收设备的接收信号能量和所述接收设备的判决门限确定概率计算方式;
根据所述概率计算方式、所述信道特征向量、所述判决门限、发送信号的统计特性以及白噪声特性确定各通信场景下的感知判断概率;
根据各通信场景下的感知判断概率构建所述接收设备的目标感知性能评价模型。
可选地,所述根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数,包括:
根据预设参数对所述目标感知性能评价模型进行模型简化,确定优化感知性能评价模型;
根据所述优化感知性能评价模型确定优化概率函数;
根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数。
可选地,所述根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数,包括:
对所述可重构智能表面的各结构单元的幅相参数组合进行优化,确定各结构单元的优化幅相参数;
对各结构单元的优化幅相参数进行转换,确定各结构单元的转换函数;
根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数。
可选地,所述根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数,包括:
根据预设优化方式、各结构单元的转换函数以及优化概率函数进行贪婪搜索,确定各结构单元的待选参数解;
根据各结构单元的待选参数解确定所述优化概率函数的变化值;
根据所述优化概率函数的变化值和优化迭代次数确定各结构单元的优化参数;
根据各结构单元的优化参数确定所述可重构智能表面的目标优化参数。
此外,为实现上述目的,本发明还提出一种基于可重构智能表面的隐私保护装置,所述基于可重构智能表面的隐私保护装置包括:
处理模块,用于根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;
构建模块,用于基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;
计算模块,用于根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;
调配模块,用于根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。
此外,为实现上述目的,本发明还提出一种基于可重构智能表面的隐私保护设备,所述基于可重构智能表面的隐私保护设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可重构智能表面的隐私保护程序,所述基于可重构智能表面的隐私保护程序配置为实现如上文所述的基于可重构智能表面的隐私保护方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于可重构智能表面的隐私保护程序,所述基于可重构智能表面的隐私保护程序被处理器执行时实现如上文所述的基于可重构智能表面的隐私保护方法的步骤。
本发明通过根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。通过上述方式,基于当前通信场景所对应的信道特征向量和场景类型确定接收设备的目标感知性能评价模型,基于目标感知评价性能模型和预设优化方式进行参数计算,基于得到目标优化参数对可重构智能表面进行调配,基于调配之后的可重构智能表面进行信号传输,实现了在当前通信场景为需要进行隐私保护的场景下,场景中的特征信息难以被可疑接收设备识别检测的效果,从而达到了对抗恶意RF感知,保证隐私安全的目的。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于可重构智能表面的隐私保护设备的结构示意图;
图2为本发明基于可重构智能表面的隐私保护方法第一实施例的流程示意图;
图3为本发明基于可重构智能表面的隐私保护方法一实施例的通信系统示意图;
图4为本发明基于可重构智能表面的隐私保护方法一实施例的模型构建示意图;
图5为本发明基于可重构智能表面的隐私保护方法一实施例的验证曲线示意图;
图6为本发明基于可重构智能表面的隐私保护方法第二实施例的流程示意图;
图7为本发明基于可重构智能表面的隐私保护方法第三实施例的流程示意图;
图8为本发明基于可重构智能表面的隐私保护装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于可重构智能表面的隐私保护设备结构示意图。
如图1所示,该基于可重构智能表面的隐私保护设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU)、通信总线1002、用户接口1003、网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于可重构智能表面的隐私保护设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于可重构智能表面的隐私保护程序。
在图1所示的基于可重构智能表面的隐私保护设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于可重构智能表面的隐私保护设备中的处理器1001、存储器1005可以设置在基于可重构智能表面的隐私保护设备中,所述基于可重构智能表面的隐私保护设备通过处理器1001调用存储器1005中存储的基于可重构智能表面的隐私保护程序,并执行本发明实施例提供的基于可重构智能表面的隐私保护方法。
本发明实施例提供了一种基于可重构智能表面的隐私保护方法,参照图2,图2为本发明一种基于可重构智能表面的隐私保护方法第一实施例的流程示意图。
本实施例中,所述基于可重构智能表面的隐私保护方法包括以下步骤:
步骤S10:根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面。
需要说明的是,本实施例的执行主体是基于可重构智能表面的隐私保护设备,其中,该基于可重构智能表面的隐私保护设备具有数据处理,数据通信及程序运行等功能,所述基于可重构智能表面的隐私保护设备可以为集成控制器,控制计算机等设备,当然还可以为其他具备相似功能的设备,本实施例对此不做限制。
可以理解的是,可重构智能表面是一种电磁特性可控的装置,它由多个反射(反射表面)或者透射(透射表面)相控单元构成阵列,可以对反射或者透射电磁波的幅相等特性进行调整,从而达到智能配置无线传播环境的功效,该技术在通信系统中被广泛考虑,它能够帮助优化通信环境,提升通信性能和质量。
可以理解的是,场景类型分为需进行保护的隐私敏感场景(即保护场景)和普通非敏感场景(即普通场景),通信场景中存在常见通信发射设备和一个或多个可疑RF接收设备,场景中部署可重构智能表面,可为反射型、透射型、和/或混合型表面。图3中为一个示例系统,系统利用反射型智能表面和透射型智能表面抵抗不同位置的可疑接收设备对场景感知,如在图3中可疑设备通过接收信号判断区域是否有人存在;系统中存在发射设备到智能表面至接收设备级联信道,可能存在发射设备和接收设备的直连信道。保护场景和普通场景的信道特征信息为智能表面结构单元电磁参数配置提供依据,通过优化调控智能表面特性重构无线传输环境,防止可疑接收设备通过RF信号感知不同场景信息。
在具体实现中,当前通信场景中配置至少一个可重构智能表面,利用当前通信场景的场景类型可确定当前通信场景的信道特征向量。在本实施例中,获取样本保护场景和样本普通场景作为参照,通过预训练、机器学习、环境仿真等方式获得各场景下无线传输信道特征,为后续构建可疑接收设备端侧的RF信号画像提供先验知识。
需要说明的是,如图4所示,在普通场景下,发射设备到可疑接收设备,发射终端到可重构智能表面及可重构智能表面到可疑接收设备的信道特性向量为/>;在保护场景/>下,发射设备到可疑接收设备,发射终端到可重构智能表面及可重构智能表面到可疑接收设备的信道特性向量为/>。
可以理解的是,为是复值标量,/>是M列的复值列向量,其中元素具体为经序号为/>的智能表面结构单元信道对信号幅值和相位响应,以表示,/>,/>和/>为信道的幅值响应特性,/>和/>为相位响应特性;具体信道模型构建以莱斯模型以及发射终端到智能表面第/>个单元的信道响应/>为示例,/>的表示为:/>,其中,,/>表示参考距离为1m(也可设定为其他距离值)处的路径损耗值;/>为发射终端到智能表面之间的距离;/>为发射终端到智能表面间的路径损耗因子;/>为假设/>场景下的莱斯因子;/>为复值直射路径分量,/>为复值瑞利衰落分量。在本实施例中,可重构智能表面中含有M个结构单元,且当前通信场景下为单天线收发设备。
步骤S20:基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型。
需要说明的是,目标感知评价模型包括接收设备正确检测出普通场景和保护场景的概率函数,误感普通场景和保护场景的概率函数。基于信道特征向量和当前通信场景的场景类型可先计算出接收设备的信号能量,基于信号能量可构建接收设备的目标感知性能评价模型。
步骤S30:根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数。
需要说明的是,预设优化方式在本实施例中指的是优化理论方法,基于目标感知性能评价模型,构建可重构智能表面参数矩阵优化问题,采用预设优化方式,通过算法求解最优可重构智能表面参数矩阵/>,最优可重构智能表面参数矩阵/>即为可重构智能表面的目标优化参数。在本实施例中,预设优化方式包括但不限于交替优化(Alternatingoptimization,AO),二分搜索等优化理论方法。
步骤S40:根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。
需要说明的是,基于目标优化参数对可重构智能表面进行调配,并利用调配后的可智能重构表面重新构成当前通信场景,基于当前通信场景对发射设备所发出的发送信号进行传输。
可以理解的是,如图5所示,示例了本实施例所提出的方法的蒙特卡洛仿真验证,具体实施为:仿真一个莱斯多径信道环境下室内环境,同水平高度存在一个发射终端、一个反射型可重构智能表面、一个可疑接收设备,三者空间距离均为30m;可重构智能表面结构单元数目为100;路径损耗因子为3。作为一个示例,可疑设备与发射终端之间无直接信道,受保护场景下环境多径信道莱斯因子为5;普通非敏感场景下多径信道莱斯因子为2。图5展示了可疑接收设备在恒0.1误感概率门限设置下,正确分辨出受保护场景的概率。在不采用可重构智能表面的系统中,可疑接收设备的正确感知概率随发射终端功率增大而提升,场景信息易被识别和暴露。与之相比,引入可重构智能表面对可疑接收设备的正确感知概率造成影响,但在不优化智能参数的情况下,如图5中随机/>参数结果示例,降低可疑设备感知概率的效果有限,且不能明确保证可重构智能表面对可疑设备RF感知的影响。如图5中所示,采用本实施例所提出的方法能够有效防止可疑接收设备正确对场景进行识别,在发射信号大功率的情况,可疑设备的正确感知概率仍小于0.5,差于一个盲猜测。
本实施例通过根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。通过上述方式,基于当前通信场景所对应的信道特征向量和场景类型确定接收设备的目标感知性能评价模型,基于目标感知评价性能模型和预设优化方式进行参数计算,基于得到目标优化参数对可重构智能表面进行调配,基于调配之后的可重构智能表面进行信号传输,实现了在当前通信场景为需要进行隐私保护的场景下,场景中的特征信息难以被可疑接收设备识别检测的效果,从而达到了对抗恶意RF感知,保证隐私安全的目的。
参考图6,图6为本发明一种基于可重构智能表面的隐私保护方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于可重构智能表面的隐私保护方法在所述步骤S20,包括:
步骤S21:根据所述信道特征向量和所述场景类型确定接收设备的接收信号。
需要说明的是,接收设备对第个符号接收采样将得到不同的接收信号,基于当前通信场景的场景类型和信道特征向量可计算出接收设备的接收信号,为了保证计算的准确性,进一步地,所述根据所述信道特征向量和所述场景类型确定接收设备的接收信号,包括:获取可重构智能表面上各结构单元的特性参数;根据各结构单元的特性参数确定所述可重构智能表面的参数对角矩阵;根据所述信道特征向量、所述参数对角矩阵、所述信号发送符号以及所述场景类型确定接收设备的接收信号。
可以理解的是,将发射设备的信号发送符号用表示,其统计特性为,不失一般性,使用/>表示发送符号/>服从均值为0,方差为的复高斯分布,复高斯分布是指具有实部和虚部的高斯分布,通常用于描述具有复数值的随机变量的概率分布;信道高斯白噪声特性/>,使用/>表示噪声/>服从均值为0,方差为/>的复高斯分布,并获取可重构智能表面上每个结构单元的幅值、相位特性参数,每个结构单元的幅值、相位特性参数即为各结构单元的特性参数,/>和/>分别表示序号/>结构单元的幅值、相位特性参数,基于各结构单元的特性参数可确定可重构智能表面单元电磁特性参数的对角矩阵/>,/>,其中j为虚数,在本实施例中可设置为/>,可重构智能表面单元电磁特性参数的对角矩阵即为可重构智能表面的参数对角矩阵。
在具体实现中,基于信道特征向量、参数对角矩阵、信号发送符号以及场景类型确定接收设备对第个符号接收采样得到的接收信号,在普通场景下,在保护场景下/>。
步骤S22:根据所述接收设备的接收信号确定所述接收设备的接收信号能量。
需要说明的是,基于接收设备的接收信号可确定接收设备采用K个接收符号得到的接收信号能量为,其中/>为欧式范数。
可以理解的是,以发射端QPSK信号为例,根据中心极限定理和大数定律可以得到接收端采样信号能量统计特性:,其中均值/>和方差/>,分别为:/>,/>。
步骤S23:根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型。
需要说明的是,根据最大似然估计和Neyman-Pearson检测理论,接收设备端对场景判别可构建为:。其中,/>为接收设备的判决门限。基于接收设备的接收信号能量/>的统计分布特性,可推导出接收设备正确检测出两种场景以及误感两种场景的概率,从而得到接收设备的目标感知性能评价模型。
可以理解的是,为了准确构建接收设备的目标感知性能评价模型,进一步地,所述根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型,包括:根据所述接收设备的接收信号能量和所述接收设备的判决门限确定概率计算方式;根据所述概率计算方式、所述信道特征向量、所述判决门限、发送信号的统计特性以及白噪声特性确定各通信场景下的感知判断概率;根据各通信场景下的感知判断概率构建所述接收设备的目标感知性能评价模型。
在具体实现中,用和/>分别表示正确感知出保护场景和普通场景的概率,用/>和/>分别表示误感保护场景和普通场景的概率,在不同通信场景下,接收信号能量和判决门限之间的关系不同,概率计算方式也不同,因此,基于当前通信场景的场景类型、接收信号能量和判决门限之间的大小关系确定概率计算方式。
需要说明的是,基于概率计算方式、信道特征向量、判决门限、发送信号的统计特性以及信道高斯白噪声特性确定各通信场景下的感知判断概率,具体为,,/>,,/>是高斯误差函数,/>,。
可以理解的是,基于接收设备在各通信场景下的感知判断概率从而可得到接收设备的目标感知性能评价模型。
本实施例通过根据所述信道特征向量和所述场景类型确定接收设备的接收信号;根据所述接收设备的接收信号确定所述接收设备的接收信号能量;根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型。通过上述方式,可保证目标感知性能评价模型构建的准确性,为后续进行参数调配奠定了基础。
参考图7,图7为本发明一种基于可重构智能表面的隐私保护方法第三实施例的流程示意图。
基于上述第一实施例,本实施例基于可重构智能表面的隐私保护方法在所述步骤S30,包括:
步骤S31:根据预设参数对所述目标感知性能评价模型进行模型简化,确定优化感知性能评价模型。
需要说明的是,按照恒虚警法则设置判决门限,接收设备的判决门限/>设置为/>。即为预设参数,其中/>为逆高斯误差函数。
可以理解的是,在此判决门限设置下,接收设备对不同通信场景的感知概率可确定为。
步骤S32:根据所述优化感知性能评价模型确定优化概率函数。
需要说明的是,通过优化感知性能评价模型可进行优化问题构建,从而得到优化概率函数,
步骤S33:根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数。
需要说明的是,通过调控可重构智能表面的对角参数矩阵,可之间改变不同通信场景下接收设备采用接收信号感知不同通信场景的概率和/>。
可以理解的是,采用预设优化方式,通过算法求解最优对角参数矩阵,得到可重构智能表面的目标优化参数,为保证计算过程的准确性,进一步地,所述根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数,包括:对所述可重构智能表面的各结构单元的幅相参数组合进行优化,确定各结构单元的优化幅相参数;对各结构单元的优化幅相参数进行转换,确定各结构单元的转换函数;根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数。
在具体实现中,在可重构智能表面中选取一个序号的结构单元的幅相参数组合进行优化,保持其他单元参数不变;用/>表示第t次迭代中的目标函数,此时,仅为关于/>的函数,优化后的幅相参数组合即为优化幅相参数。
需要说明的是,针对选定结构单元,对优化幅相参数进行转化,实际可智能重构表面上的结构单元的幅值、相位参数通常具有耦合关系,即幅值可以表示为一个相位的函数/>,/>即为转换函数,耦合关系函数/>由可智能重构表面上的结构单元的底层物理结构和工作机理所确定。关于结构单元的二维变量优化因此转化为仅以相位/>为优化变量的问题:/>。
可以理解的是,为了基于转换函数和优化概率函数准确得到目标优化参数,进一步地,所述根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数,包括:根据预设优化方式、各结构单元的转换函数以及优化概率函数进行贪婪搜索,确定各结构单元的待选参数解;根据各结构单元的待选参数解确定所述优化概率函数的变化值;根据所述优化概率函数的变化值和优化迭代次数确定各结构单元的优化参数;根据各结构单元的优化参数确定所述可重构智能表面的目标优化参数。
在具体实现中,基于预设优化方式、各结构单元的转换函数以及优化概率函数,对变量在/>范围内进行贪婪搜索,利用优化概率函数,具有Lipschitz连续特性,对N个离散/>=/>,进行穷举返回使/>最小的/>,作为第m个结构单元的优化参数。
需要说明的是,计算此次优化中优化概率函数的变化值,当变化值/>且当前的优化迭代次数/>时继续迭代,下一次优化对象为第/>个单元,重复上述步骤;否则,算法结束,返回各结构单元的优化参数,最终基于各结构单元的优化参数得到最优对角参数矩阵/>。
本实施例通过根据预设参数对所述目标感知性能评价模型进行模型简化,确定优化感知性能评价模型;根据所述优化感知性能评价模型确定优化概率函数;根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数。通过上述方式,基于预设优化方式和优化概率函数可保证参数调配过程的准确性.
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于可重构智能表面的隐私保护程序,所述基于可重构智能表面的隐私保护程序被处理器执行时实现如上文所述的基于可重构智能表面的隐私保护方法的步骤。
参照图8,图8为本发明基于可重构智能表面的隐私保护装置第一实施例的结构框图。
如图8所示,本发明实施例提出的基于可重构智能表面的隐私保护装置包括:
处理模块10,用于根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面。
构建模块20,用于基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型。
计算模块30,用于根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数。
调配模块40,用于根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。
本实施例通过根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输。通过上述方式,基于当前通信场景所对应的信道特征向量和场景类型确定接收设备的目标感知性能评价模型,基于目标感知评价性能模型和预设优化方式进行参数计算,基于得到目标优化参数对可重构智能表面进行调配,基于调配之后的可重构智能表面进行信号传输,实现了在当前通信场景为需要进行隐私保护的场景下,场景中的特征信息难以被可疑接收设备识别检测的效果,从而达到了对抗恶意RF感知,保证隐私安全的目的。
在一实施例中,所述构建模块20,还用于根据所述信道特征向量和所述场景类型确定接收设备的接收信号;
根据所述接收设备的接收信号确定所述接收设备的接收信号能量;
根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型。
在一实施例中,所述构建模块20,还用于获取可重构智能表面上各结构单元的特性参数;
根据各结构单元的特性参数确定所述可重构智能表面的参数对角矩阵;
根据所述信道特征向量、所述参数对角矩阵、所述信号发送符号以及所述场景类型确定接收设备的接收信号。
在一实施例中,所述构建模块20,还用于根据所述接收设备的接收信号能量和所述接收设备的判决门限确定概率计算方式;
根据所述概率计算方式、所述信道特征向量、所述判决门限、发送信号的统计特性以及白噪声特性确定各通信场景下的感知判断概率;
根据各通信场景下的感知判断概率构建所述接收设备的目标感知性能评价模型。
在一实施例中,所述计算模块30,还用于根据预设参数对所述目标感知性能评价模型进行模型简化,确定优化感知性能评价模型;
根据所述优化感知性能评价模型确定优化概率函数;
根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数。
在一实施例中,所述计算模块30,还用于对所述可重构智能表面的各结构单元的幅相参数组合进行优化,确定各结构单元的优化幅相参数;
对各结构单元的优化幅相参数进行转换,确定各结构单元的转换函数;
根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数。
在一实施例中,所述计算模块30,还用于根据预设优化方式、各结构单元的转换函数以及优化概率函数进行贪婪搜索,确定各结构单元的待选参数解;
根据各结构单元的待选参数解确定所述优化概率函数的变化值;
根据所述优化概率函数的变化值和优化迭代次数确定各结构单元的优化参数;
根据各结构单元的优化参数确定所述可重构智能表面的目标优化参数。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于可重构智能表面的隐私保护方法,其特征在于,所述基于可重构智能表面的隐私保护方法,包括:
根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;
基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;
根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;
根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输;
其中,所述根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数,包括:
根据预设参数对所述目标感知性能评价模型进行模型简化,确定优化感知性能评价模型;
根据所述优化感知性能评价模型确定优化概率函数;
根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;
其中,所述根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数,包括:
对所述可重构智能表面的各结构单元的幅相参数组合进行优化,确定各结构单元的优化幅相参数;
对各结构单元的优化幅相参数进行转换,确定各结构单元的转换函数;
根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数;
其中,所述根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数,包括:
根据预设优化方式、各结构单元的转换函数以及优化概率函数进行贪婪搜索,确定各结构单元的待选参数解;
根据各结构单元的待选参数解确定所述优化概率函数的变化值;
根据所述优化概率函数的变化值和优化迭代次数确定各结构单元的优化参数;
根据各结构单元的优化参数确定所述可重构智能表面的目标优化参数。
2.如权利要求1所述的基于可重构智能表面的隐私保护方法,其特征在于,所述基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型,包括:
根据所述信道特征向量和所述场景类型确定接收设备的接收信号;
根据所述接收设备的接收信号确定所述接收设备的接收信号能量;
根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型。
3.如权利要求2所述的基于可重构智能表面的隐私保护方法,其特征在于,所述根据所述信道特征向量和所述场景类型确定接收设备的接收信号,包括:
获取可重构智能表面上各结构单元的特性参数;
根据各结构单元的特性参数确定所述可重构智能表面的参数对角矩阵;
根据所述信道特征向量、所述参数对角矩阵、所述信号发送符号以及所述场景类型确定接收设备的接收信号。
4.如权利要求2所述的基于可重构智能表面的隐私保护方法,其特征在于,所述根据所述接收设备的接收信号能量和所述接收设备的判决门限构建所述接收设备的目标感知性能评价模型,包括:
根据所述接收设备的接收信号能量和所述接收设备的判决门限确定概率计算方式;
根据所述概率计算方式、所述信道特征向量、所述判决门限、发送信号的统计特性以及白噪声特性确定各通信场景下的感知判断概率;
根据各通信场景下的感知判断概率构建所述接收设备的目标感知性能评价模型。
5.一种基于可重构智能表面的隐私保护装置,其特征在于,所述基于可重构智能表面的隐私保护装置包括:
处理模块,用于根据当前通信场景的场景类型确定信道特征向量,所述当前通信场景中配置至少一个可重构智能表面;
构建模块,用于基于所述信道特征向量和所述场景类型构建接收设备的目标感知性能评价模型;
计算模块,用于根据所述目标感知性能评价模型和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;
调配模块,用于根据所述目标优化参数对所述可重构智能表面进行调配,基于调配结果对发射设备的发送信号进行信号传输;
所述计算模块,还用于根据预设参数对所述目标感知性能评价模型进行模型简化,确定优化感知性能评价模型;
根据所述优化感知性能评价模型确定优化概率函数;
根据所述优化概率函数和预设优化方式进行参数计算,确定所述可重构智能表面的目标优化参数;
所述计算模块,还用于对所述可重构智能表面的各结构单元的幅相参数组合进行优化,确定各结构单元的优化幅相参数;
对各结构单元的优化幅相参数进行转换,确定各结构单元的转换函数;
根据各结构单元的转换函数、预设优化方式以及优化概率函数进行参数计算,确定所述可重构智能表面的目标优化参数;
所述计算模块,还用于根据预设优化方式、各结构单元的转换函数以及优化概率函数进行贪婪搜索,确定各结构单元的待选参数解;
根据各结构单元的待选参数解确定所述优化概率函数的变化值;
根据所述优化概率函数的变化值和优化迭代次数确定各结构单元的优化参数;
根据各结构单元的优化参数确定所述可重构智能表面的目标优化参数。
6.一种基于可重构智能表面的隐私保护设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于可重构智能表面的隐私保护程序,所述基于可重构智能表面的隐私保护程序配置为实现如权利要求1至4中任一项所述的基于可重构智能表面的隐私保护方法。
7.一种存储介质,其特征在于,所述存储介质上存储有基于可重构智能表面的隐私保护程序,所述基于可重构智能表面的隐私保护程序被处理器执行时实现如权利要求1至4任一项所述的基于可重构智能表面的隐私保护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033731.XA CN117560662B (zh) | 2024-01-10 | 2024-01-10 | 基于可重构智能表面的隐私保护方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033731.XA CN117560662B (zh) | 2024-01-10 | 2024-01-10 | 基于可重构智能表面的隐私保护方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117560662A CN117560662A (zh) | 2024-02-13 |
CN117560662B true CN117560662B (zh) | 2024-05-10 |
Family
ID=89820824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410033731.XA Active CN117560662B (zh) | 2024-01-10 | 2024-01-10 | 基于可重构智能表面的隐私保护方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117560662B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630784A (zh) * | 2020-12-04 | 2021-04-09 | 浙江大学 | 基于凸优化和神经网络的平面阵列幅相误差校正方法 |
CN114172597A (zh) * | 2021-12-10 | 2022-03-11 | 中国传媒大学 | 一种基于可重构智能表面的非迭代参数联合估计方法 |
CN114610910A (zh) * | 2022-02-22 | 2022-06-10 | 湖北美和易思教育科技有限公司 | 一种面向群体感知的师生群体隐私保护方法及系统 |
CN114900219A (zh) * | 2022-05-05 | 2022-08-12 | 山东师范大学 | 一种智能反射面辅助的信息安全传输方法及系统 |
CN116318311A (zh) * | 2023-05-15 | 2023-06-23 | 浙江香农通信科技有限公司 | 一种基于可重构智能表面反相位索引调制的传输方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220190963A1 (en) * | 2020-12-16 | 2022-06-16 | Qualcomm Incorporated | Signal reconstruction for dynamic analog-to-digital converters |
-
2024
- 2024-01-10 CN CN202410033731.XA patent/CN117560662B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630784A (zh) * | 2020-12-04 | 2021-04-09 | 浙江大学 | 基于凸优化和神经网络的平面阵列幅相误差校正方法 |
CN114172597A (zh) * | 2021-12-10 | 2022-03-11 | 中国传媒大学 | 一种基于可重构智能表面的非迭代参数联合估计方法 |
CN114610910A (zh) * | 2022-02-22 | 2022-06-10 | 湖北美和易思教育科技有限公司 | 一种面向群体感知的师生群体隐私保护方法及系统 |
CN114900219A (zh) * | 2022-05-05 | 2022-08-12 | 山东师范大学 | 一种智能反射面辅助的信息安全传输方法及系统 |
CN116318311A (zh) * | 2023-05-15 | 2023-06-23 | 浙江香农通信科技有限公司 | 一种基于可重构智能表面反相位索引调制的传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117560662A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jagannath et al. | A comprehensive survey on radio frequency (RF) fingerprinting: Traditional approaches, deep learning, and open challenges | |
Khan et al. | Support vector machine‐based classification of malicious users in cognitive radio networks | |
Li et al. | Optimal scheduling-based RFID reader-to-reader collision avoidance method using artificial immune system | |
Ren et al. | Spectrum sensing algorithm based on sample variance in multi-antenna cognitive radio systems | |
Ciftci et al. | A comparison of energy detectability models for cognitive radios in fading environments | |
Haghighat et al. | Smart primary user emulation in cognitive radio networks: defence strategies against radio‐aware attacks and robust spectrum sensing | |
Treeumnuk et al. | Using hidden Markov models to evaluate performance of cooperative spectrum sensing | |
Yuan et al. | On MMD-based secure fusion strategy for robust cooperative spectrum sensing | |
Li et al. | R&P: an low-cost device-free activity recognition for E-health | |
Sureka et al. | Investigations on detection and prevention of primary user emulation attack in cognitive radio networks using extreme machine learning algorithm | |
Kim et al. | Massive data generation for deep learning-aided wireless systems using meta learning and generative adversarial network | |
CN117560662B (zh) | 基于可重构智能表面的隐私保护方法、装置及设备 | |
CN114339764A (zh) | 导频欺骗攻击检测方法、装置、电子设备及存储介质 | |
Verma et al. | On the performance of energy detection-based CR with SC diversity over IG channel | |
Wei et al. | Spectrum sensing with Gaussian approximated eigenvalue ratio based detection | |
KR102041012B1 (ko) | 시분할 이중통신 다중 사용자 다중 안테나 환경에서 다중 안테나를 이용한 파일럿 오염 공격을 검출하는 방법 및 시스템 | |
Valentini et al. | Cross-layer analysis of multi-static RFID systems exploiting capture diversity | |
Li et al. | Active RIS assisted spectrum sharing: Able to achieve energy-efficient notable detection performance gains | |
Budati et al. | Novel aninath computation detection algorithm to identify the UAV users in 5G networks | |
Peng et al. | LiKey: Location-independent keystroke recognition on numeric keypads using WiFi signal | |
KR102009506B1 (ko) | 인지 무선 통신 방법 | |
Armi et al. | Error rate detection due to primary user emulation attack in cognitive radio networks | |
Kobeissi et al. | On the detection probability of the standard condition number detector in finite-dimensional cognitive radio context | |
Martins et al. | Poster: Privacy-Preserving Joint Communication and Sensing | |
CN118041474B (zh) | 一种通感一体化网络感知约束下信道容量计算方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |