一种面向MIMO OFDM通信的电力物联网物理层设备认证方法

技术领域

本发明属于电力物联网技术领域，尤其涉及一种面向MIMO OFDM通信的电力物联网物理层设备认证方法。

背景技术

由于无线通信、微电子等技术的日趋成熟，越来越多的无线通信技术进入了电力物联网。然而因为无线通信设备固有的接入方式，成为了电力物联网的一大安全隐患。因此，越来越多的业界和学术力量投入该领域。作为设备安全接入的重要方式，认证是每个无线设备接入网络的必要步骤。已有传统基于密码或基于区块链的认证方法计算量巨大，难以在计算能力低下的物联设备上运行。因此，目前急需一种轻量级认证方法。

物理层认证正是在这种应用需求下应运而生。物理层认证通过一对收发设备之间的无线信道响应中特有模式来进行验证。具体来说，对于任意一对无线收发设备，都可以从它们之间的信道响应中提取出固有的区别于其它设备的特征，常用来的物理层认证特征有I/Q偏移、载波频率偏移、时频统计量等。要提取这些特征需要得到收发设备间的信道状态信息CSI。早年间，CSI提取需要用到软件无线电设备，这种设备昂贵且笨重，难以普及。但是，随着OFDM以及MIMO通信设备的发展和普及，现在可以非常方便通过配备OFDM的通信设备提取CSI信息。

因为物理层认证所用特征较多且较为复杂，手动从原始CSI中提取所需认证特征较为繁重。越来越多的方法倾向于使用深度学习的方法直接从原始CSI中自动提取特征，以此简化工作流程。但是已有用于物理层认证的深度学习方法难以保证训练完后的模型精度，加之电力物联网大多射频环境复杂、金属遮挡严重，已有方法难以保证训练样本的有效性，造成模型精度下降等问题。

公开号为CN113704737A的中国发明专利公开了一种小样本物理层设备认证方法、系统、终端及存储介质，在认证开始之前，合法发送设备和攻击设备向合法接收设备发送训练序列，合法接收设备估计其与合法发送设备和攻击设备之间的信道状态信息，进而提取出相应的二维信道特征作为训练样本训练宽度学习网络；在认证阶段，合法接收设备对接收到的信号先估计出其信道状态信息，提取二维信道特征放入训练好的宽度学习网络中，再通过加保护带筛选出较可靠的数据作为补充样本；将通过加保护带筛选出的补充样本通过增量学习的方法更新宽度学习网络参数，完成对训练样本的补充，利用更新后的网络进行下一次认证。该发明主要解决了训练样本少的问题，但是没有针对性的对容易识别错误的样本进行重复识别从而提高认证准确性。

公开号为CN115052288A的中国发明专利公开了一种一种基于深度学习的多用户物理层认证方法，接收端通过估计每个终端节点的信道状态信息，并对信道状态信息进行处理得到数据样本集；S2，根据数据样本集构建深度神经网络的训练集、验证集和测试集；利用构建好的训练集、验证集和测试集，训练并测试深度神经网络；S3，将接收端接收来自新未知用户的信号序列，通过训练好的深度神经网络进行合法性认证。本发明采用了加权随机指数数据增强的方法，解决了样本集匮乏以及可靠性不足的问题，但是没有针对性的对容易识别错误的样本进行重复识别从而提高认证准确性。

发明内容

针对现有技术的不足，本发明的目的是提供一种面向MIMO OFDM通信的电力物联网物理层设备认证方法，既能够选择更好的训练样本，又可以保证训练后模型的认证准确性。

为实现上述目的，本发明采用以下技术方案：

一种面向MIMO OFDM通信的电力物联网物理层设备认证方法，认证方法采用CSI信息作为认证特征，认证包括离线训练阶段和在线认证阶段，在离线训练阶段同时对训练样本采集器和物理层认证模型进行训练，其中，训练样本采集器用于采集生成训练样本，物理层认证模型用于物理层认证，并根据认证结果更新训练样本采集器，在在线认证阶段，用物理层认证模型对需认证设备CSI进行认证。

离线训练阶段包括以下步骤：

S1：定义合法设备的数量l、合法设备的集合L＝{d

S2：利用E中每个非法设备对物理层认证模型进行P轮训练，其中P为用户指定参数；在使用非法通信设备f

S3：训练样本采集器确定本次CSI样本采集位置，采集训练样本，并将该样本C的标签设置为1；

S4：将本次采集CSI样本混入训练样本，即X＝X∪{C}；

S5：利用训练集合X采用随机梯度下降算法对物理层认证模型进行训练；

S6：根据物理层认证模型对本次采集CSI样本C的预测结果更新训练样本采集器；

S7：循环执行步骤S3-S6P次。

进一步的，步骤S3中，训练样本采集器采集训练样本的步骤为：MIMO OFDM通信系统所覆盖区域A进行网格化处理，并记a

进一步的，步骤S6中，根据物理层认证模型对本次采集CSI样本C的预测结果更新训练样本采集器，具体为：如果物理层认证模型认为C为合法通信设备所采集样本，则训练样本采集器成功欺骗物理层认证模型，认证错误，si加一；否则，训练样本采集器欺骗失败，认证正确，si不做任何改动；不论训练样本采集器是否欺骗成功，ti都要加一。

进一步的，CSI信息为M×N×K的复数矩阵C，其中K为OFDM通信系统的子载波个数，M为发射设备天线个数，N为接收设备天线个数；矩阵中的元素C

进一步的，物理层认证模型接收到CSI信息后对CSI信息进行降维处理，将M×N×2K矩阵视为M×N个长度为2K的向量c

进一步的，物理层认证模型的输入层神经元个数为2K，每层神经元个数较上一层减少一半，共有K-1个隐藏层，每层后接激活函数ReLU函数进行非线性化处理，输出层的神经元个数为2，输出层后接softmax函数计算分类概率，并根据概率决定是否通过认证，在训练时，采用交叉熵作为损失函数，并采用后向传递算法优化模型。

进一步的，在线认证阶段包括以下步骤：采集需认证设备的CSI样本，将需认证设备的CSI样本输入物理层认证模型，物理层认证模型通过输出结果判断该设备是否是合法通信设备。

与现有技术相比，本发明提供的面向MIMO OFDM通信的电力物联网物理层设备认证方法有以下有益效果：

本发明针对电力物联网大多射频环境复杂、金属遮挡严重，已有方法难以保证训练样本的有效性，造成模型精度下降等问题，设计了用于电力物联网设备物理层认证的方法。该方法充分利用了生成对抗网络的特点，既能够选择更好的训练样本，又可以保证训练后模型的认证准确性，为复杂射频环境下的电力物联网提供了一种切实有效的物理层设备认证方法。具体表现为：

与已有方法只能一次性采集CSI样本用于训练不同，本发明所设计的CSI训练样本采集器可以根据实时训练效果，统计更易欺骗认证模型的网格点进行CSI样本采集，因此能够训练出精度更高的认证模型。

与已有方法一次性训练认证模型不同，本发明所设计的物理层认证模型会进行多轮次的训练，而且训练是在不同非法设备所采集CSI样本下进行，另外，由于训练样本采集器更倾向于选择较易欺骗物理层认证模型的网格点生成CSI训练样本，因此会更进一步提升物理层认证模型的精度。

附图说明

下面结合附图对本发明做进一步的详细说明。

图1为本发明提供的面向MIMO OFDM通信的电力物联网物理层设备认证方法总体示意图；

图2为CSI样本采集示意图；

图3为训练样本采集器工作原理示意图；

图4为物理层认证模型示意图。

具体实施方式

下面结合实施例对本发明作进一步说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明提供的面向MIMO OFDM通信的电力物联网物理层设备认证方法总体示意图；认证方法采用CSI信息作为认证特征，认证包括离线训练阶段和在线认证阶段，在离线训练阶段同时对训练样本采集器和物理层认证模型进行训练，其中，训练样本采集器用于采集生成训练样本，物理层认证模型用于物理层认证，并根据认证结果更新训练样本采集器，在在线认证阶段，用物理层认证模型对需认证设备CSI进行认证。

图2为CSI样本采集示意图，其中须认证设备将在接收设备所覆盖的通信区域内与接收设备进行无线通信。在进行通信时，接收设备可以通过物理层信息收集须认证设备与接收设备间信道的CSI。

离线训练阶段包括以下步骤：

S1：定义合法设备的数量l、合法设备的集合L＝{d

S2：利用E中每个非法设备对物理层认证模型进行P轮训练，其中P为用户指定参数；在使用非法通信设备f

S3：训练样本采集器确定本次CSI样本采集位置，采集训练样本，并将该样本C的标签设置为1；

S4：将本次采集CSI样本混入训练样本，即X＝X∪{C}；

S5：利用训练集合X采用随机梯度下降算法对物理层认证模型进行训练；

S6：根据物理层认证模型对本次采集CSI样本C的预测结果更新训练样本采集器；

S7：循环执行步骤S3-S6P次。

图3为训练样本采集器工作原理示意图，其中通信区域A已经被网格化处理，CSI样本只能在网格点(即方格顶点)处进行采样。步骤S3中，训练样本采集器采集训练样本的步骤为：MIMO OFDM通信系统所覆盖区域A进行网格化处理，并记a

在步骤S6中，根据物理层认证模型对本次采集CSI样本C的预测结果更新训练样本采集器，具体为：如果物理层认证模型认为C为合法通信设备所采集样本，则训练样本采集器成功欺骗物理层认证模型，认证错误，si加一；否则，训练样本采集器欺骗失败，认证正确，si不做任何改动；不论训练样本采集器是否欺骗成功，ti都要加一。

CSI信息为M×N×K的复数矩阵C，其中K为OFDM通信系统的子载波个数，M为发射设备天线个数，N为接收设备天线个数；矩阵中的元素C

物理层认证模型为多层感知机，物理层认证模型接收到CSI信息后对CSI信息进行降维处理，将M×N×2K矩阵视为M×N个长度为2K的向量c

图4为物理层认证模型示意图，物理层认证模型的输入层神经元个数为2K，每层神经元个数较上一层减少一半，共有K-1个隐藏层，每层后接激活函数ReLU函数进行非线性化处理，因为认证问题为二分类问题，输出层的神经元个数为2，输出层后接softmax函数计算分类概率，并根据概率决定是否通过认证，在训练时，采用交叉熵作为损失函数，并采用后向传递算法优化模型。

在线认证阶段包括以下步骤：采集需认证设备的CSI样本，将需认证设备的CSI样本输入物理层认证模型，物理层认证模型通过输出结果判断该设备是否是合法通信设备。

本发明针对电力物联网大多射频环境复杂、金属遮挡严重，已有方法难以保证训练样本的有效性，造成模型精度下降等问题，设计了用于电力物联网设备物理层认证的方法。该方法充分利用了生成对抗网络的特点，既能够选择更好的训练样本，又可以保证训练后模型的认证准确性，为复杂射频环境下的电力物联网提供了一种切实有效的物理层设备认证方法。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。