本发明涉及到无线通信领域,特别涉及一种无线通信中基于量子学习的安全非随机叠加编码方法。
背景技术:
随着无线通信技术日益发展,一方面,未来通信网络对高可靠、低时延和大连接的性能需求增加;另一方面,无线信道的广播特性带来的安全风险与日俱增。无线接入安全作为无线通信的第一道安全防线,广泛采用基于高层密码加密解密体制的安全防护机制来保护接入过程中产生的无线数据。但是,随着量子计算机技术的发展,该机制面临被破译的风险,而与此同时,后量子密码技术体系尚未成熟,无线接入面临的安全威胁急剧增加,因而需要采用更为先进的底层信息编码技术来保障无线接入过程中数据的安全性。
研究ofdm系统无线接入过程中可防范导频攻击的无线安全接入机制。在ofdm系统中,导频是免授权无线接入的重要保障,通过收发端的导频共享机制,系统可以通过测量导频信号来精准获取免授权接入过程中激活的接入设备的身份,从而保障正常无线接入。现有的导频共享机制是建立在公共已知导频的基础上,是公开的、确定性的。因此,这些导频信号可被攻击者获知,当攻击者获悉合法收发机的帧同步信息和导频信息后,可精准发动导频攻击,通过与某一合法用户同步地发送特定的导频信号,进而干扰合法收发机配对之间的导频共享机制,进一步瘫痪无线接入过程中的无线数据传输服务。通过对随机导频信息进行编码可以有效地对抗攻击,现有研究大都采用子载波编码的方式来携带和传递导频信息。但是,这些研究中,导频解码过程的复杂度很高,并且难以捕获导频攻击的影响,安全性能受限。因此关键在于如何设计更加高效、精准的导频解码方案,在于如何设计安全的无线接入机制来削弱免授权ofdm接入系统中的导频感知攻击的影响。
技术实现要素:
本发明的目的在于提供一种无线通信中基于量子学习的安全非随机叠加编码方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种无线通信中基于量子学习的安全非随机叠加编码方法,包括以下步骤:
步骤1,建立系统模型;采用随机导频机制,多个激活的上行发射机采用随机导频进行无线通信接入,主动攻击者采取混合攻击模式,混合攻击模式包括:部分频带干扰合法用户的接入、全频带干扰合法用户的接入和保持静默;
步骤2,通过对各个子载波激活模式的编码,创建了码频域,构建基于量子学习的非随机叠加编码准则。
进一步的,步骤1中,系统模型中,考虑k个激活的上行发射机,一个接收机和一个导频感知攻击者,共产生k+1个上行通信链路,分别为上行发射机→接收机,导频感知攻击者→接收机;接收机拥有nt根天线,激活的上行发射机和导频感知攻击者均为单天线;频域上,每条上行链路的每根天线在每个ofdm符号内都同时占用n个子载波;每个激活的上行发射机随机在不同的频点上发射随机导频信号,导频感知攻击者随机在不同的频点上发射随机导频信号,第i个子载波上的的导频信号为
进一步的,导频信号配置为:在第k个ofdm符号期间,第m个激活的上行发射机在第i个子载波上的的导频信号为
进一步的,步骤2中,考虑k+2个ofdm符号时间,k表示用户个数;对任意单个子载波上收到的信号进行能量检测,通过配置检测阈值,实现每个子载波上精准的信号个数检测,若存在信号,则该子载波被编码为1,反之则为0;根据得到的二进制编码,得到二元码字向量集合为:s1={s1=[s1,m]|s1,m∈{0,1},1≤m≤ls},其中,s1,m表示第m个二元码字单元;ls表示码字的长度,同理,得到m+1元码字向量集合s2={s2|s2,m∈{0,...,m},1≤m≤ls},s2,m表示第m个m+1元码字单元;
建立码频域为:
构建基于量子学习的非随机叠加编码准则,具体包括编码准则和解码准则。
进一步的,步骤2中,
编码准则:一个n×c的二元码本c=[bi,j]被称之为非随机叠加编码矩阵,当且仅当,如下特性得到满足:
对于任意两个向量的集合
首先,将c均匀的划分为k个子码本,表示为ci,1≤i≤k,其次,表征第i个上行发
射机采用的子载波激活模式为bi∈ci,攻击者采用的子载波激活模式为c,那么,对于此k+1个节点产生的信号产生的叠加现象,将其刻画为:
b1∨…∨bk=bs,k,bs,k∨c=bi
并且
m1+…+mk=ms,k,ms,k+c=mi
其中,bs,k,ms,k代表k个节点产生的独立的子载波激活模式的相互叠加;c是攻击者采用的子载波激活模式,满足:
bi,mi则是接收机最终唯一能获得的两种编码;所有可能的列向量bs,k组成了一个码字矩阵bk,也为bs,k是bk的某一列向量;同理,对于bk中任何一个列向量码字,都能唯一的分解为一组码字bi,1≤i≤k。
进一步的,步骤2中,
解码准则:解码流程如下:
1)遍历n个子载波,获得一个差分编码矩阵d=[dj∈[1,n]],其中,dj=[d1,j…dn,j];
2)从三种攻击类型中识别出当前所遇到的攻击类型;
3)根据识别的攻击类型进行解码。
进一步的,步骤2)具体流程分为:
判断bi,d中所有元素是否为1,若成立,则表明全频带攻击发生,输出码字bi;否则,执行下一步操作;
判断bi是否是bk的某一列向量,若否,部分频带攻击发生,输出码字bi,若是,则继续执行下一步操作;
若存在mi=ms,k则知道攻击者当前保持静默状态,输出码字bs,k,否则,判决当前发生部分频带攻击,输出码字bi。
进一步的,步骤3)具体流程分为:
如果攻击模式是全频带攻击和保持静默,则alice直接解码bi;
如果攻击模式是部分频带攻击,以第j个子载波为参考子载波,通过信号差分内积技术提取相邻子载波间不同设备信号独立性特征,得到一个二元码字
量子学习数学模型:
将步骤iii中的f间,建模为一个自变量为{0,1}n的布尔函数f,满足如下:
f:{0,1}n→{0,1}
定义c为可能的布尔函数集合;c上的量子学习定义为一系列酉变换u1,uf,u2,uf,u3,uf,…,其中ui是独立于布尔函数集合的酉矩阵,uf则代表量子电路,定义为:
其中x∈{01}n,y∈{0,1};
攻击者码字的识别过程本质上是一个布尔函数c,通过定义对应的量子电路为uf,将攻击者的码字识别过程建模为:
其中,|x>代表了控制量子位,|y>代表了目标量子位;通过该模型进行量子加速学习,攻击者的不确定行为被精确捕捉。
与现有技术相比,本发明有以下技术效果:
本发明首次成功将基于非随机叠加编码技术的导频解码过程建模为一个黑盒模型,进一步通过对改模型采用量子学习技术,可以快速、精准捕捉和剔除受到攻击影响的导频解码过程中存在的不确定性,从而提升攻击环境下解码的精确性,并且极大的降低解码复杂度。通过该模型进行量子加速学习,攻击者的不确定行为可以被精确捕捉,并且计算复杂度降低一倍。
附图说明
图1是系统模型图。
图2是编码框架图。
图3是解码框架图。
图4是码率随子载波个数变化曲线图。
图5解码过程的代数结构图。
具体实施方式
以下结合附图对本发明进一步说明:
图1给出的系统模型图,考虑k个激活的上行发射机,一个接收机和一个导频感知攻击者,共产生k+1个上行通信链路,分别为上行发射机→接收机,导频感知攻击者→接收机;接收机拥有nt根天线,激活的上行发射机和导频感知攻击者均为单天线;频域上,每条上行链路的每根天线在每个ofdm符号内都同时占用n个子载波。每个激活的上行发射机随机在不同的频点上发射随机导频信号,导频信号配置为:在第k个ofdm符号期间,第m个激活的上行发射机在第i个子载波上的的导频信号为
图2给出了所提编码框架图,包括如下步骤:
step1:考虑k+2个ofdm符号时间,k表示用户个数;对任意单个子载波上收到的信号进行能量检测,通过配置检测阈值,实现每个子载波上精准的信号个数检测,若存在信号,则该子载波被编码为1,反之则为0;根据得到的二进制编码,得到二元码字向量集合为:s1={s1=[s1,m]|s1,m∈{0,1},1≤m≤ls},其中,s1,m表示第m个二元码字单元;ls表示码字的长度,同理,得到m+1元码字向量集合s2={s2|s2,m∈{0,...,m},1≤m≤ls},s2,m表示第m个m+1元码字单元;
建立码频域为:
step2:构建基于量子学习的安全非随机叠加编码技术准则,具体可包括编码准则和解码准则。
编码准则:一个n×c的二元码本c=[bi,j]被称之为非随机叠加编码矩阵,当且仅当,如下特性得到满足:
对于任意两个向量的集合
首先,将c均匀的划分为k个子码本,表示为ci,1≤i≤k,其次,表征第i个上行发射机采用的子载波激活模式为bi∈ci,攻击者采用的子载波激活模式为c,那么,对于此k+1个节点产生的信号产生的叠加现象,将其刻画为:
b1∨…∨bk=bs,k,bs,k∨c=bi
并且
m1+…+mk=ms,k,ms,k+c=mi
其中,bs,k,ms,k代表k个节点产生的独立的子载波激活模式的相互叠加;c是攻击者采用的子载波激活模式,满足:
bi,mi则是接收机最终唯一能获得的两种编码;所有可能的列向量bs,k组成了一个码字矩阵bk,也即,bs,k是bk的某一列向量;同理,对于bk中任何一个列向量码字,都能唯一的分解为一组码字bi,1≤i≤k;
图3给出了所提解码准则:解码流程如下:
1)遍历n个子载波,获得一个差分编码矩阵d=[dj∈[1,n]],其中,dj=[d1,j…dn,j];
2)从三种攻击类型中识别出当前所遇到的攻击类型;具体流程分为:
i)判断bi,d中所有元素是否为1,若成立,则表明全频带攻击发生,输出码字bi;否则,执行下一步操作;
ii)判断bi是否是bk的某一列向量,若否,部分频带攻击发生,输出码字bi,若是,则继续执行下一步操作
iii)若存在mi=ms,k则知道攻击者当前保持静默状态,输出码字bs,k,否则,判决当前发生部分频带攻击,输出码字bi;
3)根据识别的攻击类型进行解码;
i)如果攻击模式是全频带攻击和保持静默,则alice直接解码bi;
如果攻击模式是部分频带攻击,以第j个子载波为参考子载波,通过信号差分内积技术提取相邻子载波间不同设备信号独立性特征,得到一个二元码字
ii)量子学习数学模型:
将步骤iii中的f间,建模为一个自变量为{0,1}n的布尔函数f,满足如下:
f:{0,1}n→{0,1}
我们定义c为可能的布尔函数集合。c上的量子学习定义为一系列酉变换u1,uf,u2,uf,u3,uf,…,其中ui是独立于布尔函数集合的酉矩阵,uf则代表量子电路,定义为:
其中x∈{01}n,y∈{0,1}。
攻击者码字的识别过程本质上是一个布尔函数c,通过定义对应的量子电路为uf,将攻击者的码字识别过程建模为:
其中,|x>代表了控制量子位,|y>代表了目标量子位。通过该模型进行量子加速学习,攻击者的不确定行为可以被精确捕捉,并且计算复杂度降低一倍。