[發明專利]一種基于神經網絡的高一致性物理密鑰生成方法

有效

• 申請號: 201810052683.3
• 申請日: 2018-01-19
• 公開（公告）號: CN108365951B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 管新榮;蔡躍明;楊煒偉;楊文東;吳丹;石會;王易達;丁寧
• 申請（專利權）人: 中國人民解放軍陸軍工程大學
• 主分類號: H04L9/08
• 分類號: H04L9/08;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 許峰;程化銘

1.一種基于神經網絡的高一致性物理密鑰生成方法，其特征在于：該生成方法包括以下步驟：

步驟10)：在一無線物理密鑰生成模型中，設有一個源節點S、一個目的節點D和一個竊聽節點E，所有節點采用TDD方式工作；設在時刻t，源節點S和目的節點D之間的信道系數記為h_SD(t)，源節點S和竊聽節點E之間的信道系數記為h_SE(t)，目的節點D和竊聽節點E之間的信道系數記為h_DE(t)；

步驟20)：獲取訓練樣本；具體包括：受TDD方式限制，源節點S和目的節點D不能同時進行信號收發，故二者交替進行信道探測；設從t₁到t_n時刻，源節點S通過信道探測得到的幅度值為a_S＝[a(t₁),a(t₂),...,a(t_n)]，目的節點D每次信道探測比源節點S延后Δ時刻，得到的幅度值為a_D＝[a(t₁+Δ),a(t₂+Δ),...,a(t_n+Δ)]；隨后，目的節點D將a_D發送給源節點S，供源節點S進行神經網絡參數訓練；源節點S在進行神經網絡訓練之前，對(a_S,a_D)進行歸一化處理，得到其中，將作為訓練樣本；

步驟30)：建立神經網絡模型；

步驟40)：訓練參數；

步驟50)：生成密鑰；具體包括：源節點、目的節點重新交替對h_SD(t)進行探測，獲取h_SD(t)的幅度值a(t)；目的節點對a_D進行量化得到目的節點物理密鑰K_D，源節點通過步驟40)訓練得到的神經網絡基于a_S對a_D進行預測，再對預測結果進行量化，得到源節點物理密鑰K_S；步驟60)：進行一致性檢驗。

2.按照權利要求1所述的基于神經網絡的高一致性物理密鑰生成方法，其特征在于：所述步驟30)包括：神經網絡模型包括輸入層、隱層和輸出層，其中，

輸入層：以即歸一化的源節點信道探測結果為輸入向量，設輸入層神經元個數為q₁個；

隱層：設隱層神經元個數為q₂個，隱層輸入向量為α，隱層輸出向量為b，隱層閾值向量為γ，輸入層和隱層的連接矩陣為V；

輸出層：輸出層神經元個數為1；隱層和輸出層的連接向量為w，輸出層的輸入值為β，輸出層閾值為θ，輸出層輸出為源節點基于得到的關于的預測值；

通過神經網絡模型，源節點利用自身t_i至t_i+4時刻的信道探測結果，預測目的節點t_i+4+Δ時刻的信道探測結果。

3.按照權利要求2所述的基于神經網絡的高一致性物理密鑰生成方法，其特征在于：所述步驟40)包括：以步驟20)中歸一化的信道系數幅度值為訓練集，對步驟30)的神經網絡模型進行訓練；

源節點對進行分組，分為n-4組：為第1組，為第2組，……，為第n-4組；

源節點將上述分組輸入步驟30)建立的神經網絡模型中，經隱層計算，對神經網絡模型的輸出結果去歸一化，得到對目的節點t₅時刻之后探測結果的預測向量

預測值與真實值a(t₅+Δ)的差值，即預測誤差ξ_i如式(1)所示：

源節點利用梯度下降算法更新神經網絡參數V、γ、w和θ，并繼續將剩余分組依次輸入神經網絡，得到對目的節點后續時刻探測結果的預測值及預測誤差；所有分組輸入完畢，得累積誤差E如式(2)所示

循環進行上述訓練過程，直到累計預測誤差的減小值小于0.0001，完成神經網絡訓練。