一种基于深度学习的物理层安全预测方法

技术领域

本发明涉及通信信道安全预测技术，特别涉及基于深度学习的通信信道安全预测技术。

背景技术

随着移动互联网、物联网、智能城市等领域的蓬勃发展，无线通信技术正日益成为人们生活和工作的重要基础。在无线通信系统中，信道状态是衡量通信性能的关键指标之一。然而，现实世界中的无线信道常受到多种因素的影响，包括多径传播、障碍物遮挡、电磁干扰等，导致信号在传输过程中产生衰落、失真和延迟，从而降低了通信的可靠性和质量。

当前的物理层安全中，由于不知道窃听信道情况，绝大部分方案假设已知窃听信道的概率统计分布特征来设计和优化物理层安全通信和认证算法。但是在实际应用中，窃听信道不一定服从假设的信道分布，这会导致安全性能出现波动，安全中断概率增大。同时，由于不知道窃听信道的瞬时变化规律，使得当前的物理层安全算法面临较大的安全中断概率，并且合法双方很难获知安全中断事件，这在应用中有很大的缺陷。

在无线网络中存在购买的服务的授权用户和非授权用户。如果基站对授权服务用户和非授权服务用户实施物理层安全技术，如物理层安全传输或密钥生成等技术，基站需获取并预测其安全状态和性能，避免出现非授权用户获取服务的情况。

发明内容

本发明所要解决的技术问题是，提供一种通过使用深度学习模型来预测未授权用户的实时信道强度从而预测物理层安全性能的方法。

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物理层安全预测方法，包括以下步骤：

训练步骤：将合法信道的增益矩阵和位置信息以及未授权用户的位置信息作为训练数据，将真实的未授权信道的增益矩阵做为标签输入至长短期记忆网络LSTM，训练LSTM输出预测的未授权信道的增益矩阵；

安全预测步骤：将合法信道的增益矩阵和位置信息以及未授权用户的位置信息输入完成训练的LSTM中，LSTM输出预测的未授权信道的增益矩阵；利用预测的未授权信道的增益矩阵和已知的合法信道的增益矩阵进行物理层安全预测。

物理层安全预测包括安全容量预测和信道相似度预测；利用预测的未授权信道的增益矩阵和已知的合法信道的增益矩阵计算得到当前的安全容量，当安全容量小于容量阈值则表示合法信道的物理层安全性低，输出安全性警告后者采取安全中断措施；利用预测的未授权信道的增益矩阵和已知的合法信道的增益矩阵进行均方误差得到合法信道与非法信道的相似性值，当相似性值低于预设的相似度阈值，则表示合法信道的物理层安全性低，输出安全性警告后者采取安全中断措施。

本发明应用在无线网络服务中，针对网络中的授权服务用户和非授权服务用户进行物理层安全性能预测，通过利用授权用户的信道和位置信息以及未授权用户的位置信息，设计深度学习模型来预测未授权用户的实时信道强度，从而预测物理层安全的相关性能，如信道的安全容量、授权服务用户与非授权服务用户的信道相似程度等指标。通过采集信道状态信息CSI数据输入长短期记忆网络LSTM提取时间特征实现了对无证用户信号接收强度(信号增益)的准确预测。这种对非授权用户接收信号强度的精确预测有助于减少非授权用户通过监控信道强度来收集通信活动信息的能力。实验表明本发明取得了良好的预测效果，为通信安全提供了一种新的解决方案。

本发明的有益效果是，通过获取授权服务用户的信道状态来对非授权服务用户的接收信号强度进行预测，从而完成通信过程中物理层安全性能的实时预测，达到物理层安全性能可预测的效果，有效防止非授权用户获取通信活动信息，提高无线通信的安全性。

高准确性：利用LSTM得到的预测结果更准确，捕获信道变化的长期依赖性，提高安全评估的可靠性。

安全保障：及时检测信道安全威胁，包括窃听、干扰和攻击，加强通信数据的保密性和完整性，提升通信系统的安全性。

通用适应：适用于不同频率、信号类型和通信环境，具备高度适应性和泛化能力，为多样化通信场景提供解决方案。

附图说明

图1为三节点信道示意图；

图2为训练损失图像；

图3为预测信道与实际信道的对比示意图；

图4为长时长实际功率与预测功率对比；

图5为短时长实际功率与预测功率对比；

图6为安全容量预测对比；

图7为H

具体实施方式

实施例实施本发明的方法的硬件包括：

表1实验设备

在二维平面上，考虑位于特定坐标的Alice(A)，Bob(B)和Eve(E)，Alice(A)为发送方，Bob(B)为合法接收方，Eve(E)为非授权用户。把它们的坐标表示为A(x

收发双方配置：合法通信双方A、B和非授权用户E都至少配备1根天线，如图1所示。下文用N

本发明的实现步骤如下：

S1：系统模型配置步骤

在无线通信中，SISO(Single Input Single Output)系统是指只有一个发射天线和一个接收天线的场景。SISO系统中的信道容量可以表示为:

C＝B•log

C为信道容量，B为信道带宽，SNR为信噪比，其中信噪比可表示为:

S＝|H|

其中，接收信号功率记为S。发射信号功率用P表示。信道增益用|H|，表示信道传递函数的幅度。

物理层安全容量的定义为:

式中，C

l和l

从式(2)(3)(4)(5)可以看出，E的信噪比是由信道增益的随机性决定的。信道增益表示传输过程中信号衰减和干扰的程度。增益的随机性意味着它可以随着信道的变化而不断变化。其中，通过准确预测非授权用户信道增益的波动，可以在实际通信中实现更高的安全容量。

对于MIMO通信，该场景涉及n个发射天线和n个接收天线。与SISO系统类似，每对天线之间也有相应的信道。这意味着多个信道在同一时间同时运行。因此，在随后的模型训练中，我们利用从MIMO系统中收集到的信道信息来进行广泛的数据收集和训练。MIMO信道的增益矩阵E表示为:

S2：预测模型训练步骤

为了方便信道增益的时间预测，我们采用了LSTM模型。LSTM是递归神经网络(RNN)的一种变体。LSTM使用门机制来调节信息流，有效地解决诸如梯度消失和爆炸之类的挑战。这种体系结构有助于在较长时期内保留历史信息。

在训练过程中，我们将收集到的数据分为训练集和验证集。LSTM模型使用训练集进行训练。随后，使用验证集评估模型的性能。在整个训练过程中，LSTM模型将合法信道的增益矩阵E＝|H

“MSE”表示均方误差，“n”表示每个时间步长的信道总数，“

S3：实时预测：

信道强度预测:

由于我们获得了大量的信道信息，所以我们对收集到的每个天线对应的信道都进行了相似性比较实验。我们的目标是验证预测的功率是否与实际数据一致，以及它是否可以作为安全预测的有效工具。信道功率矩阵可以表示为:

C＝P×E(8)

其中P为发射功率，E为信道增益矩阵。

在实际计算中，我们假设发射功率为10dB，实验结果如图4和图5所示，x轴表示的为总数为270个信道，其中包含9个信道在30个子载波上的信道，y轴表示功率。图4显示了一段相对较长的时间内的平均信道功率预测，而图5显示了很短时间内的平均功率预测。结果表明，该模型对非授权用户的信道功率的预测是较为准确的。

再将通过信道强度预测验证的LSTM用于实际的物理层安全预测中，实施例采用安全容量与信道相似度两个指标来反应当前非授权用户的信道是否会影响到合法信道的物理层安全。先预设容量阈值和相似度阈值。

(1)安全容量预测

在物理层安全上下文中，具有大于零的安全容量的概率表示在物理层实现安全传输的可能性。因此，如果我们能够预测安全容量大于零的概率，就直接表明了安全传输的可行性。因此，我们进行了以下实验。

在一个传输过程中，发射功率在Alice的控制之下，Alice和Eve的背景噪声通常是相似的。如果我们假定底噪相等γ＝γ

(2)信道相似度预测

在合法信道与非法信道表现出相似性的情况下，非授权用户可能会发现通过将其信号伪造为合法通信来冒充合法用户更容易。这可能会产生与身份验证和身份验证相关的问题，从而使恶意行为者能够访问受保护的资源或信息。

当LSTM输出预测的未授权信道的增益矩阵时，与已知的授权信道的增益矩阵进行均方误差MSE来得到合法信道与非法信道的相似性值，当相似性值低于预设的相似度阈值，则表示合法信道的物理层安全性低。

因此，提前确定相似性的能力可以显著提高通信安全性。如图7所示，系统中有9个信道，每个图表示一个信道的相似度，其中x轴表示时间步长，y轴表示合法信道和非授权信道之间的MSE相似度。从图中可以看出，我们准确地预测了非授权和授权信道之间的相似性。

验证这种相似性使通信参与者能够更好地评估是否存在未经授权的活动。这有助于提高通信安全性，防止敏感信息被未经授权的第三方访问和窃取。

此外，它还允许调整加密策略，从而能够根据威胁的严重程度选择适当的加密算法参数。