论文部分内容阅读
随着无线通信技术的发展和终端设备数目的增加,越来越多的信息在自由空间中传播,无线网络的开放性给信息传输带来了极大的安全隐患,即容易被窃听和攻击,无线通信网络的信息安全保障问题日益突出。由于量子计算技术和电子器件的发展,传统的基于密码学的信息安全技术已经展现出很多不足,而物理层诸多信道特性具备随机性和唯一性等优势,成为物理层安全技术的主要研究方向之一。深度学习算法能够实现对海量数据的学习和分析,我们也可以利用信道估计技术轻松获得信道状态信息(Channel State Information,CSI),因此,本文引入深度学习,对大量的CSI数据进行特征挖掘和规律分析,从而实现用户的安全接入认证。本文的主要内容分为两部分:1.引入深度学习算法并基于CSI设计物理层安全接入认证模型和算法:本文建立了一个由合法用户Alice、非法用户Eve和接收用户Bob组成的安全接入认证模型,结合CSI的天然优势分析了深度学习算法的可行性和鲁棒性。针对不同深度神经网络的特点和优势,引入了卷积神经网络(Convolutional Neural Network,CNN)、跨层卷积神经网络(skip-layer Convolutional Neural Network,skiplayer CNN)和循环神经网络(Recurrent Neural Network,RNN)三种深度神经网络。CNN所特有的卷积层和池化层使CNN具有很强的特征表征能力;skip-layer CNN通过对特征图的复用降低了网络的计算量并加强了对特征的利用率;RNN具有记忆功能能够分析数据的前后文联系。对于整个系统,深度神经网络的隐含层看作是CSI的特征“盲提取”过程,而输出层看作是分类器,实现了认证与分类的一体化设计。通过仿真对比,得出了深度学习算法比现有的K最近邻(k-Nearest Neighbor,kNN)、支持向量机(Support Vector Machine,SVM)等算法具有更好的认证性能的结论。在深度学习算法中,skip-layer CNN具有最高的认证准确率,而RNN具有最低的时间复杂度。2.基于USRP搭建算法验证平台:三台USRP分别作为合法用户、非法用户和接收用户,基于OFDM调制技术搭建实验系统。在接收端进行信道估计并采集实测信道数据,利用这些数据对本文所提算法和现有的一些算法进行验证。结果表明,本文所提的深度学习算法具有更好的认证性能,证明了本文的物理层安全接入认证方案在实际通信系统中的可行性。