一种基于线性神经网络的物理层安全波束赋形方法与流程

1.本说明书一个或多个实施例涉及通信技术领域，尤其涉及一种基于线性神经网络的物理层安全波束赋形方法。


背景技术：

2.无线信道的开放性、终端的移动性、信号传输的广播性以及网络拓扑结构的多样性，使得无线通信系统面临着严重的安全威胁。物理层安全技术是利用无线信道的时变性、随机性和互易性等特性，从物理层上实现信息的保密传输。在物理层安全中，利用波束赋形技术，可以提高合法用户处的信号强度，降低窃听者的接收信号质量，从而形成合法信道和窃听信道之间的容量差，获得传输保密信息的能力。采用多天线波束赋形技术时，可达到的保密性能与发送者可用的信道状态信息(channel state information，csi)有关。现有的波束赋形的设计方案一般都依赖于信道的csi。csi反馈环节存在反馈开销，反馈信道的容量也会限制反馈csi的精度，同时信道估计中也存在偏差，影响波束赋形的性能。


技术实现要素：

3.有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于线性神经网络的物理层安全波束赋形方法，以解决csi反馈环节存在反馈开销，反馈信道的容量也会限制反馈csi的精度，同时信道估计中也存在偏差，影响波束赋形的性能的问题。
4.基于上述目的，本说明书一个或多个实施例提供了一种基于线性神经网络的物理层安全波束赋形方法，本发明针对存在被动窃听者的多输入单输出信道模型中的物理层安全传输问题，设计一种基于线性神经网络的物理层安全波束赋形方法。具体来说，就是在多输入单输出系统中，将信道估计、信道状态信息反馈、波束赋形设计3个过程合并为一个利用线性神经网络的反向训练过程。利用信道的互易性，由单天线合法接收端发送训练序列，通过神经网络训练得到多天线的发送方保密信号和人工噪声波束赋形的权值。对误比特率和保密容量进行仿真，表明该权值训练方法可行且有效，方案的安全性能非常接近理想信道状态信息条件下的常规安全方案的性能。相比较常规方案，所提方案复杂度显著降低。
5.本发明所设计的波束赋形算法主要分为建立系统模型、线性神经网络波束赋形两个部分。详述如下。
6.建立系统模型：建立一个多输入单输出的无线通信系统模型。
7.线性神经网络波束赋形：利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到的权值即是所需的波束赋形矢量。训练时，利用信道的互易性，由单天线合法接收端发送训练序列，训练多天线的发送方保密信号和人工噪声波束赋形权值。
8.从上面所述可以看出，本说明书一个或多个实施例提供的基于线性神经网络的物理层安全波束赋形方法。物理层安全作为一种基于信息论安全的实现方法，与传统的上层加密技术相结合，可有效提升无线通信系统的安全性。现有的波束赋形的设计方案一般都
依赖于信道的信道状态信息。本发明研究存在被动窃听者的多输入单输出信道模型中的物理层安全传输问题，将信道估计、信道状态信息反馈、波束赋形设计3个过程合并为一个利用线性神经网络的反向训练过程。首先建立一个无线通信系统模型，然后选择线性神经网络，利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到所需的波束赋形矢量。本发明相对比于传统物理层安全方案复杂度显著降低。
附图说明
9.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1为本说明书一个或多个实施例提供的系统模型示意图；
11.图2为本说明书一个或多个实施例提供的反向训练时模型框示意图；
12.图3为本说明书一个或多个实施例提供的算法与mrt误比特率对比示意图；
13.图4为本说明书一个或多个实施例提供的训练所得发送波束赋形权值矢量与mrt发送权值均方误差随ps变化示意图；
14.图5为本说明书一个或多个实施例提供的采用本算法用不同长度的训练序列时的平均误比特率示意图；
15.图6为本说明书一个或多个实施例提供的一种更为具体的电子设备硬件结构示意图。
具体实施方式
16.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
17.需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
18.无线信道的开放性、终端的移动性、信号传输的广播性以及网络拓扑结构的多样性，使得无线通信系统面临着严重的安全威胁。物理层安全技术是利用无线信道的时变性、随机性和互易性等特性，从物理层上实现信息的保密传输。在物理层安全中，利用波束赋形技术，可以提高合法用户处的信号强度，降低窃听者的接收信号质量，从而形成合法信道和窃听信道之间的容量差，获得传输保密信息的能力。采用多天线波束赋形技术时，可达到的保密性能与发送者可用的信道状态信息(channel state information，csi)有关。现有的
波束赋形的设计方案一般都依赖于信道的csi。csi反馈环节存在反馈开销，反馈信道的容量也会限制反馈csi的精度，同时信道估计中也存在偏差，影响波束赋形的性能。
19.本发明针对存在被动窃听者的多输入单输出信道模型中的物理层安全传输问题，设计一种基于线性神经网络的物理层安全波束赋形方法。具体来说，就是在多输入单输出系统中，将信道估计、信道状态信息反馈、波束赋形设计3个过程合并为一个利用线性神经网络的反向训练过程。利用信道的互易性，由单天线合法接收端发送训练序列，通过神经网络训练得到多天线的发送方保密信号和人工噪声波束赋形的权值。对误比特率和保密容量进行仿真，表明该权值训练方法可行且有效，方案的安全性能非常接近理想信道状态信息条件下的常规安全方案的性能。相比较常规方案，所提方案复杂度显著降低。
20.本发明所设计的波束赋形算法主要分为建立系统模型、线性神经网络波束赋形两个部分。详述如下。
21.建立系统模型：建立一个多输入单输出的无线通信系统模型。
22.线性神经网络波束赋形：利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到的权值即是所需的波束赋形矢量。训练时，利用信道的互易性，由单天线合法接收端发送训练序列，训练多天线的发送方保密信号和人工噪声波束赋形权值。
23.从上面所述可以看出，本说明书一个或多个实施例提供的基于线性神经网络的物理层安全波束赋形方法。物理层安全作为一种基于信息论安全的实现方法，与传统的上层加密技术相结合，可有效提升无线通信系统的安全性。现有的波束赋形的设计方案一般都依赖于信道的信道状态信息。本发明研究存在被动窃听者的多输入单输出信道模型中的物理层安全传输问题，将信道估计、信道状态信息反馈、波束赋形设计3个过程合并为一个利用线性神经网络的反向训练过程。首先建立一个无线通信系统模型，然后选择线性神经网络，利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到所需的波束赋形矢量。本发明相对比于传统物理层安全方案复杂度显著降低。
24.本发明针对存在被动窃听者的多输入单输出miso信道模型中的物理层安全传输问题波束赋形设计，主要分为建立通信系统模型以及采用线性神经网络训练得到安全波束赋形权值两部分，并分述如下。
25.1、建立通信系统模型
26.考虑一个包括发送者alice、一个合法接收者bob和一个窃听者eve的无线通信系统模型，如图1。模型中，eve是被动窃听者，不发送信号，因此alice无法获得窃听信道的csi。alice有n(n＞1)根天线，bob和eve配备单天线。我们使用发送波束赋形和人工噪声的安全传输方案，alice发送保密信号的同时发送人工噪声，保密信号和人工噪声的波束赋形矢量通过线性神经网络来获得。记保密信号和人工噪声分别为s和z，均为单位功率。假设alice的发送总功率为p，其中，发送保密信号的功率为ps，发送人工噪声的功率为pz。
27.alice的发送信号为
[0028][0029]
式中:ωs＝[ω
s1
,ω
s2,
...ω
sn
]
t
为保密信号的波束赋形矢量；ωz＝[ω
z1
,ω
z2,
…
ω
zn
]
t
为人工噪声的波束赋形矢量。
[0030]
经过信道传输后，bob和eve接收到的信号分别为
[0031][0032][0033]
bob处的瞬时接收信噪比为
[0034][0035]
合法信道容量为
[0036]
cb＝lb(1 γb)
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0037]
eve处的瞬时接收信噪比为
[0038][0039]
窃听信道容量为
[0040]ce
＝lb(1 γe)
ꢀꢀꢀꢀꢀ
(7)
[0041]
可达保密速率为
[0042]rs
＝max{0,c
b-ce}
ꢀꢀꢀꢀꢀꢀ
(8)
[0043]
保密信号和人工噪声的波束赋形设计的基础都是信道的csi，而csi的获得需要经过信道估计和反馈环节。本发明方案中，波束赋形的设计不是在已经获得csi的前提进行的，而是利用信道的互易性，由bob发送训练信号序列，采用线性神经网络按照某种准则训练得到保密信号和人工噪声的波束赋形矢量，训练模型如图2。
[0044]
假设训练信号为单位功率信号x
bj
，其中，j＝1,2,
…
l为训练符号序号，l是训练序列长度，即神经网络输入训练样本个数。x
rj
采用伪随机信号发生器产生，该信号在alice处也能同步产生。x
bj
经过信道传输后alice收到的信号为
[0045][0046]
式中:pb是bob发送训练信号序列的功率；na是alice处的n
×
1维复加性高斯白噪声矢量，每根天线处的信道噪声功率为
[0047]
alice用加权矢量ω对各天线接收的信号进行加权后合并，且‖ω‖＝1，得到合并信号为
[0048][0049]
如果将信号x
bj
改为由alice发送给bob的正向传输，采用相同的权值对信号进行加权处理，则bob处接收到的信号为
[0050][0051]
与(10)式中的信号部分相同。如果alice处和bob处的信道噪声方差相同，则两式中的噪声都是相同分布的高斯噪声，如果权值ω能使y
aj
满足某种训练准则，则同样也能使ybj
满足训练准则。在信道具有互易性的情况下，在与数据传输方向相反的方向上通过训练得到的波束赋形权值，与在数据传输的方向上进行训练是等价的。
[0052]
2、线性神经网络波束赋形
[0053]
选择线性神经网络，利用线性神经网路的逼近特性，通过在学习过程中不断调整权值，使得实际输出信号不断逼近期望信号，最终得到的权值即所需的波束赋形矢量。ui是输入，即alice各天线的接收信号，ωi是从输入到神经元的权值，b是偏置，神经元的输出为
[0054][0055]
输出节点中使用线性传递函数purelin，其输入输出之间是一个简单的比例函数。线性网络的最终输出为y＝purelin(v)。
[0056]
在信道发生较明显变化后需要重新进行一次训练。神经网络训练中需要进行多次迭代，在迭代中权值逐渐收敛。最小均方误差(least mean square，lms)学习规则是依据误差来调整网络的权值和偏置，减小这些误差平方和的均值，即均方误差最小化。
[0057]
线性神经网络使用lms算法训练权值的步骤归纳如下。
[0058]
1)初始化，给权值与偏置赋一个较小的随机变量；
[0059]
2)输入样本r
l
，根据给定的期望输出，计算实际输出和均方误差ξ；
[0060]
3)若ξ小于某个事先规定的较小的值或者训练已经达到预先设定的最大训练次数，则停止训练，得到输入层与输出层的连接权值与偏置，否则继续步骤4)；
[0061]
4)利用lms算法计算新的连接权值与偏置，并返回步骤2)。
[0062]
最后，网络训练好的权值需要进行归一化处理，保证波束赋形过程不改变信号的总功率。
[0063]
以下以仿真验证所设计波束赋形方案的有效性。仿真中，alice的天线数n＝4；所有信道均是瑞利平坦衰落信道，合法信道系数矢量h和窃听信道系数矢量g中的元素都是独立同分布的复高斯随机变量，均值为0，方差为1；各天线处的信道噪声方差相同，均归一化为1。反向训练时，bob发送训练序列的功率与alice发送保密信号的功率相同。
[0064]
图3给出了2种方案误比特率的仿真结果。从图3中可以看出，利用线性神经网络反向训练得到的权值进行信号发送波束赋形的性能非常接近mrt的性能。图4给出了信道变化20000次的情况下，通过训练得到的发送波束赋形权值矢量与mrt发送权值间的均方误差(mean square error，mse)值。可以看到，训练得到的权值与最优权值间差距很小，且ps越高，误差越小。图3和图4的仿真结果证明了采用神经网络进行权值的反向训练的方法是可行和有效的。
[0065]
图5是采用不同长度的训练序列时，bob的平均误比特率的仿真结果，调制方式仍然是qpsk调制。可以看出，随着训练序列长度的增加，平均误比特率越小。但即使是训练序列长度仅为10，仍然能获得非常接近训练序列长度为100时的误比特率，表明在很短的训练序列长度下也能获得较准确的权值，说明本发明采用的神经网络算法具有很高的学习效率，训练开销很小。
[0066]
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述
的方法。
[0067]
需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0068]
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种基于线性神经网络的物理层安全波束赋形装置，包括：
[0069]
系统构建模块，用于在预先构建的多输入单输出无线通信系统中，将信道估计、信道状态信息反馈和波束赋形设计三个过程合并为一个利用线性神经网络的反向训练过程；
[0070]
权值运算模块，用于利用信道的互易性，由单天线的合法接收者发送训练序列，通过神经网络训练得到多天线的发送者的保密信号和人工噪声波束赋形的权值。
[0071]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0072]
上述实施例的装置用于实现前述任一实施例中相应的基于线性神经网络的物理层安全波束赋形方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0073]
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于线性神经网络的物理层安全波束赋形方法。
[0074]
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0075]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0076]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0077]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0078]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0079]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0080]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0081]
上述实施例的电子设备用于实现前述任一实施例中相应的基于线性神经网络的物理层安全波束赋形方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0082]
基于同一发明构思，与上述任意实施例方法相对应的，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于线性神经网络的物理层安全波束赋形方法。
[0083]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0084]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于线性神经网络的物理层安全波束赋形方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0085]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0086]
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0087]
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0088]
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。