一种基于深度学习的物理层密钥生成方法及系统与流程

1.本发明属于物理层安全领域，特别涉及一种基于深度学习的物理层密钥生成方法及系统。


背景技术：

2.无线通信在互联网、物联网以及电子支付等应用的驱使下迅速发展，无线信道已经成为各种隐私数据的传输通道，而无线信道的天然开放性又给无线通信带来了安全隐患。目前主流的数据加密方式是基于计算复杂度的应用层加密技术，但是随着计算机的算力不断提升，这种加密方式也有被破解的风险。近年来随着物理层加密基础理论的提出，物理层加密技术作为保护无线传输的手段也被广泛关注，其核心是合法通信双方能够获取相同的密钥序列，而窃听方无法截获该序列的任何信息。当密钥序列满足随机性、不可预测性以及不可重现等征程，其长度不小于被加密的信息长度时即可实现信息在物理层传输时的“完美加密”。无线信道的互易性、时变性、随机性以及空间去相关性等特性使之成为物理层密钥生成最直接的随机源。
3.目前利用信道信息来进行物理层加密的技术主要是：首先合法通信双方利用公共导频序列作为信道的探测协议，双方先后给对方发送公共导频。然后通过最小二乘法估计信道的测量值。采取某种量化方案将测量值量化成比特序列，获取原始密钥序列。这一密钥生成的缺陷主要在于：由于接收机噪声和信道的非同步测量等因素将会导致合法通信双方获取的信道测量值存在差异。信道的互易性保证了合法通信双方原始密钥序列的一致性，信道测量值的差异性又导致原始密钥序列的不一致性。而信道测量值的差异性对生成密钥的一致性影响是严重的，目前也提出诸多的提升密钥一致性的方案，其核心主要是舍弃那些落在量化门限附近的点。但这些做法虽然提升了密钥生成的一致性，密钥生成的速率极低，难以对物理层传输的私密信息进行有效加密。目前亟待一种既能有效提升生成密钥的一致率，又能有效提升生成密钥的速率的密钥生成方法。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的物理层密钥生成方法及系统，以克服现有技术的不足。
5.为达到上述目的，本发明采用如下技术方案：
6.一种基于深度学习的物理层密钥生成方法，包括以下步骤：
7.s1，收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据；
8.s2，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；
9.s3，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过
对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；
10.s4，将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
11.进一步的，合法通信双方对信道的测量时间间隔为τ，由于信道的时变性，每过相干时间τ信道都会变化一次，τ<τ，在相干时间内合法通信双方能完成一次对信道的测量。
12.进一步的，在相干时间内收集合法通信双方中发送方对信道的估计值以及接收方对信道的估计值，发送方或接收方接收对方对信道的估计值后组合双方的信道估计值得到估计值对。
13.进一步的，特征提取网络的隐藏层数为n
e
，其输入为通信双方中一方的信道测量值输入层的神经元个数为信道测量值的长度l；
14.隐藏层的第k层向k 1层的传播方式为：
[0015][0016]
其中为第k层隐藏层的输出，为第k层隐藏层的权重，为第k层隐藏层偏置，σ
r
(
·
)为relu激活函数，为第k 1层隐藏层的输出；
[0017]
特征提取网络的输出为：
[0018][0019]
其中v
s
为非互易性特征，v
q
为互易性特征。
[0020]
进一步的，解码网络的隐藏层数为n
d
，其输入为特征提取网络输出的特征序列v，输入层的神经元个数为特征序列v的长度l
s
l
q
，其中l
s
为v
s
长度，l
q
为v
q
长度；隐藏层的第k层向k 1层的传播方式为：
[0021][0022]
其中为第k层隐藏层的输出，为第k层隐藏层的权重，为第k层隐藏层的偏置，σ
lr
(
·
)为leakyrelu激活函数，为第k 1层隐藏层的输出；
[0023]
解码网络的输出为：
[0024][0025]
其中为根据特征提取网络提取的特征v所还原的预测值。
[0026]
进一步的，利用训练数据对秘钥生成网络进行联合训练更新所有网络参数使以下目标函数最小化：
[0027][0028]
其中m为一次训练的数据批量大小，λ为损失函数的权重，为encoder
a
的输出的损失函数，为当前批次encoder
a
输出的第i个特征向量的标签，为encoder
b
的输出的损失函数，为当前批次encoder
b
输出的第i个特征向量的标签，为encoder
a
的输出的损失函数，为当前批次decoder
a
输出的第i个值的标签，为decoder
b
的输出的损失函数，为当前批次decoder
b
输出的第i个值的标签。
[0029]
进一步的，采用随机梯度下降算法，各网络参数更新公式为：
[0030][0031][0032][0033][0034]
其中分别是encoder
a
，encoder
b
，decoder
a
，decoder
b
的参数，μ为学习率。
[0035]
进一步的，以得到的特征向量的均值为中心，设置下保护带门限和上保护带门限，具体量化公式为：
[0036][0037]
其中为特征向量第i维的下保护带门限，为特征向量第i维的上保护带门限，落在保护带之间的值会被舍弃，落在其他区域的值会根据量化准则量化为0或者1。
[0038]
进一步的，互易性特征第i维相关系数的计算公式为：
[0039][0040]
其中分别是合法通信双方互易性特征第i维的统计均值，分别是合法通信双方互易性特征第i维的统计均值，分别是合法通信双方互易性特征第i维的统计标准差。
[0041]
一种基于深度学习的物理层密钥生成系统，包括预训练模块和密钥生成模块，
[0042]
预训练模块用于根据收集的相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练并存储至密钥生成模块，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。
[0043]
与现有技术相比，本发明具有以下有益的技术效果：
[0044]
本发明一种基于深度学习的物理层密钥生成方法，通过收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；利用训练数据对秘钥生成网络进行训练，实现网络深度学习训练，利用通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列，利用该网络提取的一致性特征向量提取密钥有效提升了密钥的生成速率，提高了网络安全。
[0045]
进一步的，通过提取合法通信双发对信道测量值的一致性特征向量，将该一致性特征用于提取密钥，有效提升了生成密钥的一致率。
[0046]
进一步的，针对非理想信道测量值的特征提取网络结构，采用合法通信双方获取的密钥源是合法信号通过的信道的测量值，通过反向传播来更新网络参数，提高了网络训练速度，同时根据特征向量的各个维度的皮尔逊相关系数和均值，能够确保密钥生成的一致性。
[0047]
一种基于深度学习的物理层密钥生成系统，通过估计合法通信双方测量的信道值相关度来决策量化门限，有效提升了生成密钥的一致率。
附图说明
[0048]
图1为本发明实施例中物理层密钥生成方法的流程图。
[0049]
图2为本发明实施例中神经网络示意图。
[0050]
图3为本发明实施例中网络训练的示意图。
[0051]
图4为本发明实施例中本发明与对比方案的一致性密钥生成速率的对比图。
[0052]
图5为本发明实施例中本发明与对比方案的密钥生成不一致率的对比图。
具体实施方式
[0053]
下面结合附图对本发明做进一步详细描述：
[0054]
本发明基于深度学习的物理层密钥生成方法，合法通信双方获取的密钥源是合法信号通过的信道的测量值；合法通信双方对信道的测量时间间隔为τ，由于信道的时变性，每过相干时间τ信道都会变化一次，τ与τ之间满足τ<τ，在相干时间内合法通信双方能完成一次对信道的测量，具体方法步骤如下：
[0055]
如图1所示，一种基于深度学习的物理层密钥生成方法，包括以下步骤：
[0056]
s1，在前n个相干时间收集合法通信双方alice和bob对信道的估计值对；其中在第i个相干时间内alice对信道的估计值为bob对信道的估计值为bob端将估计的信道值发送给alice，alice端组合双方的信道估计值得到一对训练数据收集n个相干时间合法通信双方的信道估计值对，从而得到初始的训练集ts＝[t1,t2,
…
,t
n
]。
[0057]
s2，在合法通信双方的alice端初始化四个全连接神经网络，构成两个自编码器，其结构示意图如图2所示。其中两个全连接网络分别是合法通信双方alice和bob的特征提取网络encoder
a
和encoder
b
。另外两个全连接网络是用于将特征提取网络encoder
a
和encoder
b
输出的特征向量v
a
和v
b
还原成原始输入的解码网络encoder
a
和encoder
b
。
[0058]
具体的，将训练数据对和分别输入合法通信双方alice和bob的encoder
a
和encoder
b
，两个特征提取网络的输出为v
*
,*∈{a,b}分为两个部分，分别是和再将v
*
输入至各自对应的解码网络decoder得到和
[0059]
s3)，在encoder
*
,*∈{a,b}的输出设置mse损失函数，且两个encoder的输出互为标签，在decoder
*
,*∈{a,b}的输出设置mse损失函数，其标签为各自encoder的输入。
[0060]
s4)，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练。
[0061]
s5)，训练完成后保留用于一致性特征提取网络encoder
a
和encoder
b
。计算n个训练样本分别通过alice和bob特征提取网络输出的一致性特征向量和的各个维度的皮尔逊相关系数和均值。将用于bob端信道估计值特征提取的encoder
b
的参数、相关系数以及的均值发送给bob。
[0062]
alice和bob端分别将其信道测量值输入各自的特征提取网络encoder得到各自的特征向量v
q
，使用密钥量化算法对v
q
量化得到密钥序列k
a
与k
b
。
[0063]
上述的训练阶段的步骤2)中两个自编码器结构示意图如图2所示，包括特征提取网络encoder和解码网络decoder两个部分，其前向传播方式具体为：
[0064]
特征提取网络encoder部分：
[0065]
a.encoder
a
的隐藏层数为n
e
，其输入为alice的信道测量值输入层的神经元个
数为信道测量值的长度l；
[0066]
b.隐藏层的第k层向k 1层的传播方式为：
[0067][0068]
其中为第k层隐藏层的输出，为第k层隐藏层的权重，为第k层隐藏层偏置，σ
r
(
·
)为relu激活函数，为第k 1层隐藏层的输出；
[0069]
c.全连接特征提取网络encoder的输出为：
[0070][0071]
其中v
s
为非互易性特征，v
q
为互易性特征。
[0072]
解码网络decoder部分：
[0073]
a.解码网络decoder
a
的隐藏层数为n
d
，其输入为特征提取网络输出的特征序列v，输入层的神经元个数为特征序列v的长度l
s
l
q
，其中l
s
为v
s
长度，l
q
为v
q
长度；
[0074]
b.隐藏层的第k层向k 1层的传播方式为：
[0075][0076]
其中为第k层隐藏层的输出，为第k层隐藏层的权重，为第k层隐藏层的偏置，σ
lr
(
·
)为leakyrelu激活函数，为第k 1层隐藏层的输出。
[0077]
c.全连接解码网络decoder
a
的输出为：
[0078][0079]
其中为根据特征提取网络提取的特征v所还原的预测值。
[0080]
对两个自编码器的训练方式为联合训练，其训练示意图如图3所示，具体为：
[0081]
利用训练数据对秘钥生成网络进行联合训练更新所有网络参数使以下目标函数最小化：
[0082][0083]
其中m为一次训练的数据批量大小，λ为损失函数的权重，为encoder
a
的输出的损失函数，为当前批次encoder
a
输出的第i个特征向量的标签，为encoder
b
的输出的损失函数，为当前批次encoder
b
输出的第i个特征向量的标签，为encoder
a
的输出的损失函数，为当前批次decoder
a
输出的第i个值的标签，为decoder
b
的输出的损失函数，为当前批次decoder
b
输出的第i个值的标签。为了实现上述优化任务，采用随机梯度下降算法，各网络参数更新公式为：
[0084][0085][0086][0087][0088]
其中分别是encoder
a
，encoder
b
，decoder
a
，decoder
b
的参数，μ为学习率。
[0089]
采用密钥量化算法能够根据互易性特征向量各个维度的相关系数来自适应设置其量化门限，具体的算法实现：
[0090]
以得到的特征向量的均值为中心，设置下保护带门限和上保护带门限，具体量化公式为：
[0091][0092]
其中为特征向量第i维的下保护带门限，为特征向量第i维的上保护带门限，落在保护带之间的值会被舍弃，落在其他区域的值会根据量化准则量化为0或者1。保护带的设置由合法通信双方alice和bob训练阶段计算的出的特征向量各个维度的相关系数决定，互易性特征第i维相关系数的计算公式为：
[0093][0094]
其中分别是alice和bob互易性特征第i维的统计均值，分别是alice和bob互易性特征第i维的统计均值，分别是alice和bob互易性特征第i维的统计标准差。
[0095]
下保护带和上保护带的计算公式为：
[0096][0097][0098]
其中是互易性特征向量第i维的均值。
[0099]
图4展示了根据本发明和对比方案提取的一致性密钥生成速率随snr的变化曲线。显然，利用本发明基于深度学习的物理层密钥提取方案提取的一致性密钥生成速率相比直接利用信道估计值量化的一致性密钥生成速率得到明显的提升。
[0100]
图5展示了根据本发明和对比方案提取的密钥不一致率速率随snr的变化曲线。在snr小于7时，本发明提取密钥的不一致率和对比方案相当，当snr大于7时本发明提取的密钥不一致率远低于对比方案。