CN117896721A - 一种基于深度学习的自适应密钥分发的物理层加解密方法 - Google Patents
一种基于深度学习的自适应密钥分发的物理层加解密方法 Download PDFInfo
- Publication number
- CN117896721A CN117896721A CN202311842863.9A CN202311842863A CN117896721A CN 117896721 A CN117896721 A CN 117896721A CN 202311842863 A CN202311842863 A CN 202311842863A CN 117896721 A CN117896721 A CN 117896721A
- Authority
- CN
- China
- Prior art keywords
- information
- key
- channel
- parties
- physical key
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 101100504388 Arabidopsis thaliana GFS12 gene Proteins 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于深度学习的自适应密钥分发的物理层加解密方法，通过自适应提取信道特征，能够在不同的环境下自动学习并整合不同层次的特征，具有高适应性，避免对不同算法的复杂选择与组合，自适应地提取信道特征，并能够更好地表现合法双方的信道信息，提高密钥分发方案的初始误比特率与密钥分发双方获得的物理密钥的一致率，增大了密钥分发的成功率，提高物理层加密效率。更进一步的，即使CNN输出的信道特征未完全一致，在未获得精确本地物理密钥的情况下，也可以不通过繁琐的密钥协商过程完成信息传输。
Description
技术领域
本发明涉及无线通信加密技术，特别涉及基于无线信道直接加密的物理层通信技术。
背景技术
随着无线通信技术迅速发展，无线设备被广泛部署促进了物联网模式在各个行业快速传播，海量设备连接到无线网络中。无人机通信系统作为无人机与地面、无人机与无人机之间的信息传输纽带对与无人机网络具有重要作用。然而，由于无线信道自身的广播特性，无线信道容易受到来自第三方的恶意攻击。针对无线通信安全问题，目前已经有大量的相关研究，其安全保密方式主要分为传统的经典安全加密方式和物理层安全。传统的安全加密方式基于现代密码学，使用密钥算法对要发送的数据进行加密，这种加密方式基于攻击者难以通过计算破解信息，或者计算破解信息的时间大于信息价值的有效时间，然而随着计算机科学技术的发展，计算能力大大提高，传统的密钥加密方式已经不能满足通信安全的需要。同时，实现“一次一密”需要密钥长度大于等于发送数据的长度，随着用户的增加，密钥的生成、分发、管理都需要占用庞大的计算、存储资源和传输开销。
相对传统的密钥加密是用于通信协议的上层，物理层安全技术利用物理层的基础特性从安全编码、信号处理以及密钥生成等角度，对调制方式和信道编码信息进行保护，可以作为上层加密方法的一种有效补充。无线信道密钥生成技术是物理层安全技术研究的重要分支，其主要利用无线信道的互易性、时变性以及空间去相关性在合法方之间共享相同的密钥。无线信道在传输过程中会受到衰落，噪声等各方面的影响，而多径效应产生的各种信道特征具有信道互易性和空时唯一性，这为通信双方提取相同的密钥提供了可能性。合法双方可以利用信道特征，提取特征信号进行密钥生成，生成的密钥用作加密通信和接入认证。根据信道互易性，当合法双方在相干时间内互发信道估计序列进行信道估计，那么合法双方估计出的信道信息具有互易性。合法双方独立提取信道特征，通过量化，信息协商以及保密增强的过程生成密钥。将生成的密钥作为密钥信息进行安全传输，根据无线信道的空间变化性和时间变化性，合法双方只需要在相干时间外，或者不同的位置再次进行密钥生成，然后再一次用密钥进行安全传输，而窃听者无法跟随合法双方，不同时间，不同位置的信道变化，从而无法窃取任何关于生成密钥的信息。这表明“一次一密”的安全通信将有可能利用无线信道的特性进行实现。无线信道密钥生成技术的优点在于不需要一个固定的密钥分发设施，并且安全性不依赖于算法的计算复杂性，因此作为一种轻量级密钥分发工具而受到重视。当前的物理层密钥分发技术从信道中提取的特征在不同的环境下会产生不同的表现，需要额外对比不同算法的表现来选择性能最好的算法。
发明内容
本发明所要解决的技术问题是，针对传统的密钥分发方案采用的特征提取算法在不同的环境下表现不同，提供一种能够自动学习并整合不同层次的特征的物理层加解密方法。
本发明为解决上述技术问题所采用的技术方案是，一种基于深度学习的自适应密钥分发的物理层加解密方法，包括步骤：
信道探测步骤：通信双方先利用无线信道互相发送探测信号；一方根据捕获到的另一方发送的探测信号并进行信道估计得到信道状态信息，双方各自将本地得到的信道状态信息输入至CNN网络中进行信道特征提取；其中，CNN在训练时，接收来自通信双方输入的信道状态信息，以输出双方共同的信道状态信息的信道特征为训练目标；
量化步骤：双方各自对提取的信道特征进行量化得到量化值；
密钥生成步骤：通信双方各自利用量化值产生本地物理密钥；
信息传输步骤：双方对本地物理密钥进行一致性协商，当协商一致性后，采用协商一致性的物理密钥并进行隐私放大后生成信道密钥，利用信道密钥分别对传输信息进行对称加密或对称解密处理。进一步的，在双方对本地物理密钥进行一致性协商时，采用BCH纠错码对本地物理密钥进行纠错，合法双方得到一致的密钥。
进一步的，为了更进一步的减小通信开销，使用一种更优选的，双方不需要进行协商的信息传输步骤，一方对待传输信息进行纠错码编码，再使用发送方本地物理密钥对纠错码编码后的信息进行对称加密处理得到发送信息；通过公共有差错信道将发送信息发至另一方；另一方将接收到的发送信息作为接收信息，利用接收方本地物理密钥对接收信息进行对称解密处理，再对解密得到信息进行纠错码译码恢复出传输信息。
本发明的有益效果是，通过自适应提取信道特征，能够在不同的环境下自动学习并整合不同层次的特征，具有高适应性，避免对不同算法的复杂选择与组合，自适应地提取信道特征，并能够更好地表现合法双方的信道信息，提高密钥分发方案的初始误比特率与密钥分发双方获得的物理密钥的一致率，增大了密钥分发的成功率，提高物理层加密效率。更进一步的，即使CNN输出的信道特征未完全一致，在未获得精确本地物理密钥的情况下，也可以不通过繁琐的密钥协商过程完成信息传输。
附图说明
图1为本发明中密钥分发过程流程图；
图2为CNN训练过程中的性能表现。
具体实施方式
实施例1
图1为流程图，包括信道探测步骤、量化步骤、密钥生成步骤与信息传输步骤。
信道探测步骤：通信双方先利用无线信道的互相发送探测信号；一方根据捕获到的另一方发送的探测信号并进行信道估计得到信道状态信息，双方各自将本地得到的信道状态信息输入至CNN网络中进行信道特征提取；
量化步骤：双方各自对提取的信道特征进行量化得到量化值；具体的，采用的是均匀量化的方式将信道特征量化为01比特序列：将信道特征的取值域按照等距离分割为4分，将每一部分向上取整，然后转格雷码得到对应的01比特；
密钥生成步骤：通信双方各自利用量化值产生本地物理密钥；
信息传输步骤：采用经典物理层密钥分发模型中的进行信息传输步骤的处理，双方对本地物理密钥进行一致性协商，当协商一致性后，采用协商一致性的物理密钥并进行隐私放大后生成信道密钥，发送方利用信道密钥对信息进行对称加密处理得到发送信息；接收方利用信道密钥对接收信息进行对称解密处理。
协商过程中，当协商未达成一致，可以重新返回信道探测步骤重新提取信道特征，或者，采用一种更优选的方式，在双方对本地物理密钥进行一致性协商时，采用BCH纠错码对本地物理密钥进行纠错，使得合法双方得到一致的物理密钥。
其中，CNN在训练时，接收来自通信双方输入的信道状态信息，以输出双方共同的信道状态信息的信道特征为训练目标。
具体的，从多天线网卡中获得CSI数据，将每一条长度为270的数据重构为18x15的数据，并构建密钥分发双方的数据集Alice和Bob，作为CNN模型的输入。将数据集输入到CNN网络中进行训练，利用CNN的卷积层和池化层提取CSI数据中的信道特征。如图2所示，损失图中，一开始损失值较高，然后逐渐下降，在后期趋于平稳，表示模型趋于收敛，得到双方的信道特征。
实施例2
针对实施例1CNN输出的双方的信道特征仍会出现略有不一致的问题，提出更一步改进的方案。
信道探测步骤、量化步骤与密钥生成步骤与实施例1相同。提供一种能够容错的信息传输步骤，具体为：
发送方对待传输信息进行纠错码编码，再使用本地物理密钥对纠错码编码后的信息进行对称加密处理得到发送信息；通过公共有差错信道将发送信息发至接收方；接收方利用本地物理密钥对接收信息进行对称解密处理，再对解密得到信息进行纠错码译码恢复出传输信息。具体的，纠错码编为BCH编码、纠错码译码为BCH译码。对称加密与对称解密均为异或处理。
通信双方Alice和Bob的信道服从瑞利分布，Alice信道特征HA和Bob信道特征HB的互易程度即相似度可以用相关系数ρ和高斯白噪声δ描述：
ρ的选取范围由0到1，越接近1，Alice和Bob互易性就越好。
同理，非法窃听者Eve窃听Alice可以获得
ρE为Alice信道特征HA和Eve信道特征HE的相关系数，范围由0到1。δE为Eve信道的高斯白噪声。
由于等概量化后生成的密钥有着更好的信息熵，所以实施例采用的是等概率量化，选取的参数是幅度、相位和实部来生成本地密钥。纠错编码采用BCH[n,k,t]，BCH码的码字长度n固定为127，k为数据比特个数，t是可被纠正的错误比特数，表示纠错能力。k随着t的增加而减小。
信息传输具体实现如下：
Alice对信息M进行BCH[n,k,t]编码得到C
C＝BCH(M)
Alice将BCH编码后的信息C与本地物理密钥KA进行异或得到发送信号S
异或在此视为一种对称加密中的RC4加密，即加密时将伪随机流与明文进行异或运算得到密文，解密时将密文与伪随机流进行异或得到原始明文的一种实现方法。本领域技术人员也可以根据具体需求利用KA对C进行其他的对称加密方式；KA为加密密钥；
Alice通过公共有差错信道error-prone channel将发送信号S发给Bob。Bob接收到的信号记为S'。由于信道噪声的影响，S'和S会有略微的不一致
S≠S'
Bob将本地物理密钥KB与S'进行异或得到信号C"
相应的，本领域技术人员也可以根据具体加密手段，使用利用KB对S'进行解密；
Bob对信号C"进行BCH编码对应的BCH译码BCHD，最终得到信息M'
M'＝BCHD(C")。
由于BCH码具有纠错能力，因此在解密是使用与加密密钥KA几乎相同的KB来解密得到的解密结果也与原始信号C有很高的相似度，再通过纠错编码的译码算法最终恢复出信息M'即等同于原始信息M。Eve即使根据相同方法试图对窃听到的信号进行恢复，但由于生成的物理密钥KE无法与KA强相似，通过纠错译码得到信息ME将与原始信息M相差甚远，无法达到恢复原始信息M的效果。
具体的，本领域技术人员可以具体实际需要选择不同量化方法和纠错编码在加密模型中的应用效果。
实施例2规避的了繁琐的信息协商过程，不再对信道有无差错的要求，这使得Alice和Bob无需通过纠错获得完全一致的密钥也可以利用信道编码和本地生成的密钥就可以进行信息的加密和解密。并且将生成的密钥与信息的加解密直接结合，使得物理层密钥得到充分的使用。
Claims (6)
1.一种基于深度学习的自适应密钥分发的物理层加解密方法，其特征在于，包括以下步骤：
信道探测步骤：通信双方先利用无线信道互相发送探测信号；一方根据捕获到的另一方发送的探测信号并进行信道估计得到信道状态信息，双方各自将本地得到的信道状态信息输入至CNN网络中进行信道特征提取；其中，CNN在训练时，接收来自通信双方输入的信道状态信息，以输出双方共同的信道状态信息的信道特征为训练目标；
量化步骤：双方各自对提取的信道特征进行量化得到量化值；
密钥生成步骤：通信双方各自利用量化值产生本地物理密钥；
信息传输步骤：发送方利用本地物理密钥对信息进行对称加密处理得到发送信息；接收方利用本地物理密钥对接收信息进行对称解密处理。
2.如权利要求1所述方法，其特征在于，信息传输步骤具体为：在本地物理密钥生成之后，双方对本地物理密钥进行一致性协商，当协商一致性后，采用协商一致性的物理密钥并进行隐私放大后生成信道密钥，双方利用信道密钥分别对传输信息进行对称加密或对称解密处理。
3.如权利要求1所述方法，其特征在于，在双方对本地物理密钥进行一致性协商时，采用BCH纠错码对本地物理密钥进行纠错，使得双方得到一致的物理密钥。
4.如权利要求1所述方法，其特征在于，信息传输步骤具体为：发送方对待传输信息进行纠错码编码，再使用本地物理密钥对纠错码编码后的信息进行对称加密处理得到发送信息；通过公共有差错信道将发送信息发至接收方；接收方将接收到的发送信息作为接收信息，接收方利用本地物理密钥对接收信息进行对称解密处理，再对解密得到信息进行纠错码译码恢复出传输信息。
5.如权利要求4所述方法，其特征在于，纠错码编为BCH编码、纠错码译码为BCH译码。
6.如权利要求4所述方法，其特征在于，对称加密与对称解密均为异或处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311842863.9A CN117896721A (zh) | 2023-12-29 | 2023-12-29 | 一种基于深度学习的自适应密钥分发的物理层加解密方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311842863.9A CN117896721A (zh) | 2023-12-29 | 2023-12-29 | 一种基于深度学习的自适应密钥分发的物理层加解密方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117896721A true CN117896721A (zh) | 2024-04-16 |
Family
ID=90650045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311842863.9A Pending CN117896721A (zh) | 2023-12-29 | 2023-12-29 | 一种基于深度学习的自适应密钥分发的物理层加解密方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117896721A (zh) |
-
2023
- 2023-12-29 CN CN202311842863.9A patent/CN117896721A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shakiba-Herfeh et al. | Physical layer security: Authentication, integrity, and confidentiality | |
| US20070036353A1 (en) | Authentication and encryption methods using shared secret randomness in a joint channel | |
| CN107148015B (zh) | 一种基于极化码构造的连续加密物理层安全传输方法 | |
| KR20150129328A (ko) | 보안 통신을 위한 방법 및 장치 | |
| CN111132153B (zh) | 一种基于无线信道特征的内生安全通信方法 | |
| CN110086616B (zh) | 基于无线信道的前向一次一密保密通信方法 | |
| CN106685639B (zh) | 5g通信系统中基于人工加噪的序列密码加密安全传输方法 | |
| CN111065096B (zh) | 针对无线通信的物理层加密传输系统及其方法 | |
| CN110535563B (zh) | 一种基于喷泉码控制与数据互锁的无线安全传输方法 | |
| CN109743155B (zh) | 一种基于天线选择的差分混沌键控的物理层安全传输方法 | |
| CN116669022A (zh) | 无线通信系统数据安全传输方法 | |
| CN111641500B (zh) | 一种用于无人机无线视频传输安全的加解密方法 | |
| Wu et al. | Attack and countermeasure on interlock-based device pairing schemes | |
| CN109819438B (zh) | 一种基于aes加密的喷泉编码无线数据安全传输方法 | |
| CN102918795A (zh) | 用于音频的认证加密的方法和设备 | |
| US20060126841A1 (en) | Method and apparatus for a security system for wireless networks | |
| CN109889327B (zh) | 共享密钥生成方法和装置 | |
| CN116017451A (zh) | 一种利用5G NR物理层信息的IPv6终端身份认证方法 | |
| Noura et al. | Secure MIMO D2D communication based on a lightweight and robust PLS cipher scheme | |
| CN117896721A (zh) | 一种基于深度学习的自适应密钥分发的物理层加解密方法 | |
| CN111464265B (zh) | 一种退化窃听信道中基于加密极化编码的信息传输方法 | |
| CN111464299B (zh) | 基于频分双工模式下构建互易信道参数的物理层密钥生成方法 | |
| CN111726221B (zh) | 可对抗任意窃听天线数量的物理层安全传输方法 | |
| Hu et al. | Modulated symbol-based one-time pad secure transmission scheme using physical layer keys | |
| CN117336715A (zh) | 一种基于无线信道直接加密的物理层安全通信方法 |
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 |