5G边缘计算下基于深度学习的提高安全认证的方法

5g边缘计算下基于深度学习的提高安全认证的方法
技术领域
1.本发明属于传输数据包安全识别领域，特别涉及5g边缘计算下基于深度学习的提高安全认证的方法。


背景技术：

2.物理层信道认证是利用无线信道独特的信道指纹来识别数据包，具有轻重量、高可靠的特点，非常适用于5g大规模机器通信的应用场景。然而，传统基于门限阈值的物理层信道认证方法由于难以获得准确的门限阈值而导致信道认证准确率波动性大、认证成功率不高。基于机器学习的信道认证方法虽然可以有效提升信道指纹的认证成功率，尤其是在边缘计算的支持下，可以实现边缘训练，终端或节点几乎可以不做任何计算。但是基于机器学习的信道认证方法的高认证率需要大量数据来训练认证模型，然而在资源受限或时延敏感的一些无线通信应用场景中，通常没有足够的时间来采集充足的信道指纹训练数据集样本，从而影响网络模型的训练和认证性能。
3.数据增强(data augmentation，da)是一种可用于增加训练深度学习模型的数据集样本大小的技术，比如几何变换、核滤波、随机擦除、随机尺度缩放、特征空间增强训练、对抗训练等等。通过数据增强技术对已有的训练数据集进行扩充，而扩充后的数据集可以更好地训练机器学习模型，并期望实现对目标的分类预测。数据增强在计算机视觉和图像音频等领域已有不少研究，但是适用于图像分类的数据增强算法却不利于增加物理层信道指纹样本的多样性，因为基于翻转、旋转、平移缩放、核滤波器、随机擦除等技术的数据增强方法会破坏信道矩阵的内部结构，并降低了物理层信道认证成功率，故这些传统的数据增强方法不适用于物理层信道认证的应用场景，因此有必要设计新的适合于物理层信道认证的基于深度学习的数据增强方法。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供了5g边缘计算下基于深度学习的提高安全认证的方法。在获取较少的原始信道训练样本的情况下，针对不同资源服务器的应用场景，分别通过随机权重(stochastic weight data augmentation，swda)数据增强的方法和分块交换(block swap data augmentation，bsda)数据增强的方法快速生成更多有效的训练数据样本，以加速网络模型的训练，并提高物理层信道认证成功率。
5.本发明采用的技术方案如下：5g边缘计算下基于深度学习的提高安全认证的方法，包括以下步骤：s1.采集个通信节点的初始信道指纹矩阵，其中，，表示采集通信节点k的初始信道指纹矩阵数量的最大值，是一个维度为的复数矩阵，，表示子载波数，表示发射天线的数量，n表示接收天线的数量；
s2.根据初始信道指纹矩阵生成初始实数信道指纹矩阵，：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，表示初始信道指纹矩阵的实部矩阵，表示初始信道指纹矩阵h的虚部矩阵；s3.给每个初始实数信道指纹矩阵一个对应的标签，生成初始训练样本集为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，，均表示计算过程的中间变量，无具体含义；s4.对初始训练样本集进行数据增强处理；方法一：随机权重数据增强方法：选取个初始实数信道指纹矩阵参与构造第个新的实数信道指纹矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）其中，是一个正整数并且；；表示从初始实数信道指纹矩阵中选取通信节点k的第i个初始实数信道指纹矩阵，；表示随机权重值并且；给每个新的实数信道指纹矩阵一个对应的标签，得到第k个通信节点的随机权重数据增强样本集；结合第k个通信节点的随机权重数据增强样本集和初始训练样本集，构成第k个通信节点的新的训练样本集：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
ꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）其中，，均表示计算过程的中间变量，无具体含义；方法二：分块交换数据增强方法：将实数信道指纹矩阵按行或者按列平均分成两块，按照行进行分块如公式（10）所示，按照列进行分块如公式（11）所示：
ꢀꢀꢀꢀꢀꢀꢀ
（10）
ꢀꢀꢀ
（11）其中，均表示维度为的行向量，表示矩阵的转置，和分别表示实数信道指纹矩阵的上半分块元素矩阵和下半分块元素矩阵；均表示维度为的列向量，和分别表示实数信道指纹矩阵的左半分块元素矩阵和右半分块元素矩阵；将相邻个实数信道指纹矩阵的分块元素分别进行同位置交换，如公式（12）或公式（13）所示，生成新的信道指纹矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）其中，，，此
处的表示一个正整数且；给每个新的信道指纹矩阵一个对应的标签，得到第k个通信节点的分块交换数据增强样本集；结合第k个通信节点的分块交换数据增强样本集和初始训练样本集，构成第k个通信节点的新的训练样本集：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（16）
ꢀꢀꢀ
（17）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（18）其中，均表示计算过程的中间变量，无具体含义；s5.重复步骤s4，通过对所有通信节点的初始训练样本集进行随机权重数据增强或者分块交换数据增强处理，并更新对应的标签，得到新的训练数据样本集；s6.通过新的训练数据样本集去训练网络模型，从而得到训练好的物理层信道指纹认证模型；s7.将未知信道指纹输入步骤s6的物理层信道指纹认证模型，根据输出结果完成对未知信道指纹的认证识别。
6.优选地，所述步骤s6中的网络模型包括但不限定于机器学习算法或神经网络算法，其中，机器学习算法包括支持向量机算法、k最近邻（k
‑
nearest neighbor，knn）算法和分类树算法等，神经网络算法包括逻辑回归算法、浅层神经网络算法、深度神经网络（deep neural networks，dnn）算法、卷积神经网络（convolutional neural networks，cnn）算法和循环神经网络算法等。
7.本发明的有益效果是：本发明通过随机权重数据增强方法或者分块交换数据增强方法，将初始采集的少量信道指纹样本进行数据增强以生成更多的训练数据样本，用数据增强后的训练数据样本集去训练网络模型，不仅可以加快网络模型的训练速度，还有利于提高多用户物理层信道指纹的认证成功率，非常适用于5g边缘计算下基于深度学习的提高安全认证的应用场景。
附图说明
8.图1为本发明实施例的信道指纹认证流程图。
9.图2为实施例中信道指纹认证成功率图。
具体实施方式
10.下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
11.图1为本实施例的信道指纹认证流程图，5g边缘计算下基于深度学习的提高安全认证的方法，包括以下步骤：s1. 本实施例中，接收天线数量n为8，发射天线数量为1，子载波数量为128；15个通信节点均采集100个初始信道指纹矩阵，其中，。
12.s2.根据初始信道指纹矩阵生成初始实数信道指纹矩阵，：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，表示初始信道指纹矩阵的实部矩阵，表示初始信道指纹矩阵的虚部矩阵；则初始实数信道指纹矩阵的表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）表示实部矩阵中第m行第n列个元素，表示虚部矩阵中第m行第n列个元素。
13.s3. 给每个初始实数信道指纹矩阵一个对应的标签，则初始训练样本集为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）
其中，标签用独热码(one
‑
hot code)表示，，均表示计算过程的中间变量，无具体含义。
14.s4. 针对不同资源服务器的应用场景，选择不同的数据增强方法对初始训练样本集进行数据增强处理，其中方法一更适用于服务器资源一般的应用场景，方法二更适用于服务器资源充足的应用场景。
15.方法一：随机权重数据增强方法；首先，选取个初始实数信道指纹矩阵参与构造第个新的信道指纹矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）此时，，例如则选择参与构造第个新的信道指纹矩阵；表示随机权重值并且。
16.给每个新的实数信道指纹矩阵一个对应的标签，得到第k个通信节点的随机权重数据增强样本集；结合第k个通信节点的随机权重数据增强样本集和第k个通信节点的初始训练样本集，构成第k个通信节点的新的训练样本集：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
ꢀꢀꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）方法二：分块交换数据增强方法；首先，将实数信道指纹矩阵按行或者按列平均分成两块，按照行进行分块如公式（10）所示，按照列进行分块如公式（11）所示：
ꢀꢀꢀꢀꢀꢀꢀ
（10）
ꢀꢀꢀ
（11）其中，均表示维度为的行向量，表示矩阵的转置，和分别表示实数信道指纹矩阵的上半分块元素矩阵和下半分块元素矩阵；均表示维度为的列向量，和分别表示实数信道指纹矩
阵的左半分块元素矩阵和右半分块元素矩阵。
17.然后，将相邻个实数信道指纹矩阵的分块元素分别进行同位置交换，如公式（12）或公式（13）所示，生成新的信道指纹矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）其中，，。
18.因此，第k个通信节点的新的信道指纹矩阵集如式（14）或式（15）所示：如式（14）或式（15）所示：（14）（14）（14）（15）给每个新的信道指纹矩阵一个对应的标签，得到第k个通信节点的分块交换数据增强样本集；结合第k个通信节点的分块交换数据增强样本集和第k个通信节点的初始训练样本集，构成第k个通信节点的新的训练样本集：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（16）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（17）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（18）s5.重复步骤s4，通过对所有通信节点的初始训练样本集进行随机权重数据增强或者分块交换数据增强处理，并更新对应的标签，得到新的训练数据样本集为或者。
19.s6.通过或者去训练网络模型，从而得到训练好的物理层信道指纹认证模型。
20.s7.将未知信道指纹输入步骤s6的物理层信道指纹认证模型，根据输出结果完成对未知信道指纹的认证识别。
21.在本实施例中，选择两层卷积神经网络进行训练和分类，每层卷积神经网络均包含卷积层、池化层、激活层，最后为全连接层。
22.在本实施例中，第一层的卷积核大小设为4
×
4，步长为1，卷积核数量设为8，第一层池化层选择平均池化，池化滤波器为4
×
4，池化步长为4，第一层的激活函数选择relu函数。第二层卷积核大小设为2
×
2，步长为1，卷积核数量设为16，第二层也选择平均池化，池化滤波器为2
×
2，池化步长为2，第二层的激活函数选择relu函数。图2为本实施例的信道指纹认证成功率图，如图所示，经过多轮迭代后，信道认证成功率收敛，并且经过数据增强处理的信道认证方法的认证成功率明显高于没有数据增强的信道认证方法。当服务器资源充足的时候，相比于随机权重数据增强算法，选用分块交换数据增强方法则可以快速生成更多有效的训练样本，因此分块交换数据增强方法更能加快深度学习模型的训练速度并提高信道认证成功率。
23.综上，本发明通过随机权重数据增强方法和分块交换数据增强方法，将初始采集的少量信道指纹样本进行数据增强处理以生成更多的训练样本，再用数据增强后的训练样本集去训练网络模型，不仅加快了网络模型的训练速度，还提高了多用户物理层信道指纹的认证成功率，非常适用于5g边缘计算下基于深度学习的提高安全认证的应用场景。
24.以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其它实施例的排除，而可用于其它组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。