[發明專利]一種基于深度學習的物理層密鑰生成方法及系統

有效

• 申請號: 202111165134.5
• 申請日: 2021-09-30
• 公開（公告）號: CN113746628B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 孫黎;馮誠
• 申請（專利權）人: 西安交通大學
• 主分類號: H04L9/08
• 分類號: H04L9/08;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 崔方方

本發明公開了一種基于深度學習的物理層密鑰生成方法及系統，通過收集相干時間內合法通信雙方對合法通信雙方的信道的估計值對，將合法通信雙方分別獲取的估計值對融合得到一對訓練數據，在若干相干時間內獲取若干對訓練數據，在通信雙方建立秘鑰生成網絡，秘鑰生成網絡包括特征提取網絡和解碼網絡；利用訓練數據對秘鑰生成網絡進行訓練，實現網絡深度學習訓練，通信雙方特征提取網絡輸出的一致性特征向量的各個維度的皮爾遜相關系數和均值共享完成秘鑰生成網絡訓練，利用訓練后的秘鑰生成網絡根據通信值生成特征向量，采用密鑰量化算法對生成的特征向量量化得到通信雙方的密鑰序列，有效提升了生成密鑰的一致率和密鑰的生成速率，提高了網絡安全。

技術領域

本發明屬于物理層安全領域，特別涉及一種基于深度學習的物理層密鑰生成方法及系統。

背景技術

無線通信在互聯網、物聯網以及電子支付等應用的驅使下迅速發展，無線信道已經成為各種隱私數據的傳輸通道，而無線信道的天然開放性又給無線通信帶來了安全隱患。目前主流的數據加密方式是基于計算復雜度的應用層加密技術，但是隨著計算機的算力不斷提升，這種加密方式也有被破解的風險。近年來隨著物理層加密基礎理論的提出，物理層加密技術作為保護無線傳輸的手段也被廣泛關注，其核心是合法通信雙方能夠獲取相同的密鑰序列，而竊聽方無法截獲該序列的任何信息。當密鑰序列滿足隨機性、不可預測性以及不可重現等征程，其長度不小于被加密的信息長度時即可實現信息在物理層傳輸時的“完美加密”。無線信道的互易性、時變性、隨機性以及空間去相關性等特性使之成為物理層密鑰生成最直接的隨機源。

目前利用信道信息來進行物理層加密的技術主要是：首先合法通信雙方利用公共導頻序列作為信道的探測協議，雙方先后給對方發送公共導頻。然后通過最小二乘法估計信道的測量值。采取某種量化方案將測量值量化成比特序列，獲取原始密鑰序列。這一密鑰生成的缺陷主要在于：由于接收機噪聲和信道的非同步測量等因素將會導致合法通信雙方獲取的信道測量值存在差異。信道的互易性保證了合法通信雙方原始密鑰序列的一致性，信道測量值的差異性又導致原始密鑰序列的不一致性。而信道測量值的差異性對生成密鑰的一致性影響是嚴重的，目前也提出諸多的提升密鑰一致性的方案，其核心主要是舍棄那些落在量化門限附近的點。但這些做法雖然提升了密鑰生成的一致性，密鑰生成的速率極低，難以對物理層傳輸的私密信息進行有效加密。目前亟待一種既能有效提升生成密鑰的一致率，又能有效提升生成密鑰的速率的密鑰生成方法。

發明內容

本發明的目的在于提供一種基于深度學習的物理層密鑰生成方法及系統，以克服現有技術的不足。

為達到上述目的，本發明采用如下技術方案：

一種基于深度學習的物理層密鑰生成方法，包括以下步驟：

S1，收集相干時間內合法通信雙方對合法通信雙方的信道的估計值對，將合法通信雙方分別獲取的估計值對融合得到一對訓練數據，在若干相干時間內獲取若干對訓練數據；

S2，在通信雙方建立秘鑰生成網絡，秘鑰生成網絡包括特征提取網絡和解碼網絡；

S3，利用訓練數據對秘鑰生成網絡進行訓練，訓練過程中在特征提取網絡和解碼網絡的輸出設置損失函數，且將通信雙方特征提取網絡的輸出作為標簽傳輸至對方，通過對損失函數梯度的反向傳播來更新網絡參數，直至訓練次數達到設置的迭代周期數停止訓練；

S4，將通信雙方特征提取網絡輸出的一致性特征向量的各個維度的皮爾遜相關系數和均值共享完成秘鑰生成網絡訓練，利用訓練后的秘鑰生成網絡根據通信值生成特征向量，采用密鑰量化算法對生成的特征向量量化得到通信雙方的密鑰序列。

進一步的，合法通信雙方對信道的測量時間間隔為τ，由于信道的時變性，每過相干時間Τ信道都會變化一次，τΤ，在相干時間內合法通信雙方能完成一次對信道的測量。