【技术实现步骤摘要】
本专利技术涉及物理层认证方法，尤其涉及一种面向移动终端的物理层认证方法。
技术介绍
1、移动设备的部署促进了智能工厂的快速发展，例如自动化物流和自动化仓库。无线通信使工业移动设备具有灵活性和可扩展性，同时也使它们更容易受到由无线介质的开放广播性质引起的攻击。因此，准确的身份认证对于抵抗伪装身份的攻击者至关重要。传统的基于密码的身份认证在实践中得到了广泛的应用，但在物联网、传感器网络、工业无线边缘网络等中，由于设备的计算能力低、电源有限、内存小、对延迟要求高等特点，采用基于密码学的认证具有很大的挑战性。对于这些移动设备而言，需要的是一种功耗低、认证可靠性高的轻量型认证方法。
2、物理层认证还可以通过无线通信信道的特征属性来识别合法设备和非法设备，其中基于信道状态信息的物理层认证，是利用信道状态的空间相关特性来区分设备是否位于合理的位置，在实际工业无线网络中，随着设备位置的移动，合法移动终端的空间位置可以在任何时间改变，并且信道的空间环境相应地改变。这时单一的基于信道状态的认证方法不能满足高认证准确率的需求。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种面向移动设备，能实现低功耗、认证准确率高的基于深度学习的物理层认证方法。
2、技术方案:本专利技术的物理层认证方法，包括以下步骤：
3、s1，接收端通过信道估计获取原始信道状态信息，并对原始信道状态信息进行预处理得到样本数据集；
4、s2，通过预处理后样本数据集构建深度学习模
5、s3，将测试集输入到训练好的深度学习模型中，进行判别认证。
6、进一步，所述步骤s1的具体实现过程如下：
7、s11，合法移动终端和非法移动终端向接收端发送消息信号；
8、s12，接收端通过信道估计得出每个终端用户第t个时隙的信道状态信息；
9、s13，对这些信道状态信息进行预处理，首先，通过归一化将信道状态信息矩阵中的所有值归一化到[0,1]之间，所用的方式是min-max：
10、
11、然后，通过自相关函数得到全新得信道状态信息向量：
12、r(τ,δt)＝h*(τ,t)h(τ,t+δt)
13、其中，τ为多径延时，δt为时隙大小，h(τ,t)为信道响应函数，包括频率响应和信道时变响应，*为共轭，r(τ,δt)可表示为信道状态信息的时空相关性矩阵；
14、其次，将所得的时空相关性矩阵r(τ,δt)转化为图片形式hpic，即三维矩阵；
15、
16、n为第n个终端设备，具体方式为，将ofdm系统中的子载波数和总时隙数t分别作为图片的高和宽，通道数为2，分别为时空相关性矩阵的实部和虚部，然后，通过指数加权平均的方式构造出信道状态信息的样本数据集x和对应标签集y：
17、
18、y＝[in,…in]
19、其中，表示第t个时隙的信道状态信息矩阵，表示经过数据增强后的信达状态信息矩阵，β表示新创建的信道向量与先前向量之间的相关性的超参数例如β＝0.9表示新的信道响应向量近似为它前面的十个信道向量的加权平均。in为第n个移动终端的对应标签，i0～i9为合法设备的标签，其余均为非法设备。
20、进一步，所述步骤s2的具体实现过程如下：
21、s21，根据样本数据集x和标签集y构建深度学习网络的xtrain，验证集xval，测试集xtest,划分之前先随机打乱样本数据集x的顺序，标签集y的顺序也对应打乱，以增加数据的健壮性，其中xtrain占60％，验证集xval占15％，测试集xtest占25％；
22、s22，将样本数据集x和对应标签集y输入深度模型之中，每个卷积层的输入输出为：
23、v＝conv2(w,x,"valid")+b
24、y＝f(v)
25、其中，w为权重，x为输入，"valid"为卷积运算的类型，b为偏置，f为激活函数，采用的是relu函数，若第n层输出的向量形式为yn，输出期望是d，则误差为：
26、
27、其中‖x‖2为x的2-范数，计算表达式为随后通过池化层，池化层采用2×2大小的卷积核，在全连接层后面接上一个softmax函数：
28、
29、其中，i为数组中的第i个元素，si就为该元素的softmax值。最终输出的softmax值最大的标签即为预测标签。
30、进一步，所述损失函数表示如下：
31、floss＝0.5nllloss()+crossentropyloss()
32、其中，nllloss为负对数似然损失函数，crossentropyloss为交叉熵损失函数。第n个样本对应的损失函数为：
33、
34、其中，x为神经网络的输出，y为样本对应的类别标签，w为权重。
35、进一步，所述步骤2中，深度神经网络的训练方法包括梯度下降法；所述梯度下降法采用adam优化算法，能基于训练数据迭代地更新神经网络权重，并且可以通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。
36、进一步，所述步骤3中，认证阶段包括以下内容：
37、对于构造出的未用于训练的测试集xtest和对应标签集y，将其作为输入数据输入到已经训练好的深度学习模型后，可得到预测标签，可通过以下方式判别：
38、
39、判断为合法终端后，通过模型可以进一步确定消息来自哪个合法终端。
40、本专利技术与现有技术相比，其显著效果如下：
41、1、本专利技术通过采集合法移动终端bob和非法移动终端eve的信道状态信息并对其进行预处理，包括时空相关性处理和数据增强，构造出样本集，将样本集划分为训练集、验证集和测试集，通过训练集和验证集对深度神经网络进行训练和验证，以得到训练认证率高的模型参数，然后利用该模型对测试集进行认证。
42、2、本专利技术相比于其他基于深度学习的物理层认证方法，本专利技术采用了构造信道时空相关性的方法和指数加权平均的数据增强方法，解决了边缘计算中样本集匮乏以及计算和存储能力不足的问题，对于移动设备而言，具有较高的认证精度和较短的认证时间。
本文档来自技高网...【技术保护点】
1.一种面向移动终端的物理层认证方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的一种面向移动终端的物理层认证方法，其特征在于，所述步骤S1的具体实现过程如下：
3.根据权利要求2所述的一种面向移动终端的物理层认证方法，其特征在于，所述步骤S2的具体实现过程如下：
4.根据权利要求3所述的一种面向移动终端的物理层认证方法，其特征在于，所述损失函数表示如下：
5.根据权利要求3所述的一种面向移动终端的物理层认证方法，其特征在于，所述步骤2中，深度神经网络的训练方法包括梯度下降法；所述梯度下降法采用Adam优化算法，能基于训练数据迭代地更新神经网络权重，并且可以通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。
6.根据权利要求3所述的一种面向移动终端的物理层认证方法，其特征在于，所述步骤3中，认证阶段包括以下内容：
【技术特征摘要】
1.一种面向移动终端的物理层认证方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的一种面向移动终端的物理层认证方法，其特征在于，所述步骤s1的具体实现过程如下：
3.根据权利要求2所述的一种面向移动终端的物理层认证方法，其特征在于，所述步骤s2的具体实现过程如下：
4.根据权利要求3所述的一种面向移动终端的物理层认证方法，其特征在于，所述损失函数表示如下：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。