论文部分内容阅读
无线通信技术由于其传输介质的开放性与其广播特性,使得其面临各种安全问题。例如,窃听攻击（Eavesdropping Attack,EA）、干扰攻击（Jamming Attack,JA）和欺骗攻击（Spoofing Attack,SA）等。另外,无线通信中网络高度异构,而且其动态拓扑特性使得传统基于密码学的安全体制难以进行统一的安全加密或进行安全管理,无线通信中的终端向着小型化、低功耗的方向发展,使得传统的基于密码学的安全加密体制或者安全加密算法难以在终端上执行,或取得应有的安全性能。物理层安全技术利用物理层信道信息对发射信号进行处理或执行相应安全策略,具有轻重量和高安全性的特点,一直被学界所关注与研究。本文研究了无线通信的基于无线信道特征的物理层认证（Physical Layer Authentication,PLA）,提出了在无线通信场景下的多用户轻重量认证机制。通过结合深度学习算法,解决了传统认证方法依赖门限的问题,不仅实现了门限自由,还能实现多用户的轻重量认证。并通过通用软件无线电外设（Universal Software Radio Peripheral,USRP）模拟真实的多用户无线通信场景,对提出的算法性能进行了验证与分析。此外,本文还研究了基于信道预测的物理层安全传输机制,提出了多种基于反向传播神经网络的信道预测算法。详细的研究内容和创新点如下:（1）针对多用户无线通信中的安全威胁,提出了一种基于深度神经网络（Deep Neural Networks,DNN）的物理层认证方案,该方案利用信道状态信息（Channel State Information,CSI）检测无线网络中的欺骗攻击,从而增强无线通信的安全性。给出了具体的物理层认证机制和一种包含合法节点、窃听节点和恶意节点的物理层认证场景。其次,提出了三种不同梯度下降算法下的深度神经网络多用户认证算法,其能加速深度神经网络的训练,实现更小的计算开销和更低的能量消耗。此外,通过推导出多用户认证方法的最大似然函数,解释了选择交叉熵作为代价函数的原因,还给出了其矢量化代价函数。采用小批量（mini batch）方案和L2正则化分别提高训练精度和避免过拟合。最后,通过与传统的基于假设检验（hypothesis test）方法的比较,得出了所提出的方法有着更好性能的结论。（2）针对动态环境对环境自适应认证的需求,提出了基于深度学习（Deep Learning,DL）的自适应多用户物理层认证方案,以便更能适应动态的认证环境。给出了基于深度神经网络的自适应多用户物理层认证算法、基于卷积神经网络（Convolutional Neural Networks,CNN）的自适应多用户物理层认证算法和基于半盲卷积预处理网络（Semi-blind Convolution Preprocessing Networks,SCPN）的自适应多用户物理层认证算法。另外,加速梯度下降、小批量方案以及L2正则化同样用于加速神经网络的训练并防止其出现过拟合。通过数字仿真,以及采用USRP在一个真实的工厂环境下的边缘计算（Edge Computing,EC）场景进行了模拟,对所提出的算法的认证性能进行了分析与评估,并对其在多用户无线通信中的实际意义进行了分析与讨论。（3）基于机器学习类算法的物理层认证的训练需要大量的训练样本,这使得训练过程样本采集耗时且在有的场景难于进行大量数据的采集。因此,我们提出了数据增强下的多用户物理层认证方案,给出了三种数据增强算法,利用采集到的少量信号样本生成大量训练数据,加快认证模型的训练,提高认证率。通过将深度神经网络与数据增强方法相结合,即使在较少的训练样本的情况下,基于深度神经网络的多用户物理层认证方案的性能也得到改善,并缩短数据采集所耗费的时间。在美国国家标准技术研究所（National Institute of Standards and Technology,NIST）数据集下进行了相应的仿真与模拟,对基于深度神经网络的多用户物理层认证算法在真实的工业物联网环境下进行了验证,并对三种数据增强算法进行了测试,最终结果表明所提出的方法具有很强的实用性与有效性。（4）最后研究了在时变信道环境下,基于信道预测的安全编码传输策略以及波束成形设计。提出了一种基于反向传播神经网络（Back Propagation Neural Network,BPNN）的信道预测方案,给出了单时刻信道预测算法和多时刻信道预测算法。然后对Jakes模型下的Rayleigh信道时域响应值进行了预测,并分析其性能,与传统信道预测算法和不同神经网络隐层数量下的性能分别进行了对比。进而,提出了一种基于信道预测的安全编码传输策略和波束成形设计方案。本论文所提出的物理层安全认证方法除了软件仿真分析,部分在模拟的边缘计算场景下进行性能验证。在边缘计算场景下,边缘服务器在物理上接近终端用户,有利于提取终端用户的物理信道特征参数,它还可以提供强大的计算资源,用于完成深度神经网络的训练学习;且对终端节点来说,几乎不增加额外的通信开销和计算开销,具有轻量级的特点,所以边缘计算场景适合执行物理层认证。而本文实景模拟的无线信道特征数据均为实际信道下的数据采集,是真实环境下的物理层安全性能验证,其为物理层安全从理论分析走向实际应用提供了重要的参考。