申请/专利权人：四川大学

申请日：2023-01-05

公开（公告）日：2024-07-05

公开（公告）号：CN118301601A

主分类号：H04W12/041

分类号：H04W12/041;H04L25/02;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明面向物联网合法设备可直接通信的场景，针对当前应用于无线特征提取的深度学习模型中没有将噪音去除考虑到模型设计中的问题，本发明提出了一种基于双向趋同特征学习卷积网络的物理层密钥生成方案BCFLPKG。BCFLPKG方案在信道信息预处理阶段，使用双向趋同特征学习网络进行去噪，在对BCFLNet进行训练时，将相干时间内两个合法设备通过信道探测与估计获取的CSI数据各自作为输入放入模型，将二者输出的均方差作为损失进行迭代训练，使两个合法设备得到高度相关的信道特征。BCFLPKG方案在特征量化阶段，加入多次量化的量化方式，提升了最终的密钥生成率。然后通过一致性协商和隐私放大，在提升密钥生成率的同时确保了最终密钥的安全性。

主权项：1.一种基于深度学习的物理层密钥生成方法，其特征在于，所述方法包括以下步骤：步骤1、信道探测与估计，作为利用无线信道特征生成密钥的第一步，信道估计要求合法通信者Alice与Bob通过无线信道交换探测序列来获取具有高度相关性的信道特征，需要注意的是，Alice与Bob的探测序列交换要确保在相干时间内实现，由此才能保证信道测量到的数据具有内在的强相关性，在信道估计的过程中，在合法通信者Alice向另一合法通信者Bob发送探测信号pAt后，合法通信者Bob和攻击者Eve接收到的信号分别如下：rBt＝pAt*hA-Bt+nBt1rA-Et＝pAt*hA-Et+nA-Et2式1与式2中pAt是Alice所发送的探测序列，hA-Bt、hA-Et是在t时刻Alice与Bob之间、Alice与Eve之间的信道冲激响应，nBt、nA-Et分别为Bob和Eve的加性高斯白噪声，在合法通信者Bob向合法通信者Alice发送探测序列pBt+τ后，合法通信者Alice和攻击者Eve接收到的信号分别如下：rAt+τ＝pBt+τ*hB-At+τ+nAt+τ3rB-Et+τ＝pBt+τ*hB-Et+τ+nB-Et+τ4式3与式4中pBt是探测信号，hB-At+τ、hB-Et是在t时刻的冲激响应，nAt+τ、nB-Et+τ分别是合法通信者Alice和攻击者Eve的高斯白噪声，由于无线信道所具有的互易性，即当无线通信方Alice和Bob在信道相干时间Tc内进行通信时，从Alice到Bob的无线信号与从Bob到Alice的无线信号之间信道的冲激响应在理想状态下是相同的，因此，在存在噪声的信道中：hA-Bt≈hB-At+τ,τ＜Tc5而对于攻击者Eve，同样也可以窃听到两个合法通信者的信道，但是，当攻击者Eve与两个合法通信者即Alice和Bob之间的距离大于半个通信波长时，攻击者Eve窃听所利用的信道与合法信道在统计上是相互独立的，此时攻击者Eve收集到的无线信道信息与两个合法通信者之间的无线信道信息具有高度不相关性即hB-Et、hA-Et分别与hA-Bt、hB-At统计独立，由是合法的无线设备Alice和Bob可以利用二者间高度相似的信道特征信息来生成公共密钥，通过接收到的信号rBt与rAt+τ，Bob与Alice可以分别对探测并估计到的信道特征进行处理、量化，从而最终获得初始密钥；步骤2、信道信息预处理，合法通信着获取到的信道估计如下：h'A-B＝hA-B+zA-B6h'B-A＝hB-A+zB-A7其中zA-B与zB-A为高斯白噪声经过处理后的噪声部分，理论上，由于hA-B与hB-A是无线信道所固有的物理特性，是可以通过相应手段提取出来的，信道估计后获取的信道特征h'A-B和h'B-A包含一定量的相关信息，以往基于RSS或CSI的物理层密钥生成算法获取信道估计后的信道特征后，会直接将h'A-B和h'B-A进行量化获取密钥比特流，但由于环境中的噪音及干扰，hA-B与hB-A中大量的信息在量化的过程中被舍弃，从而导致密钥生成速率过低，预处理这一步骤就是为了解决特征量化前信道特征中相关信息过少这一问题，通过本文提出的基于卷积神经网络的特征提取处理，如式8：HA-B＝Ph'A-B8其中HA-B是经过预处理算法Px处理后得到的信道特征，对合法通信者Alice与Bob之间获取的信道特征进行优化处理，最大程度的利用Alice与Bob之间的信道互易性，从而达到大幅提升最终的密钥生成速率的目的；步骤3、特征量化，经过预处理后的信道特征HA-B和HB-A已经具有了极高的相关性，即在数值上二者之间的偏差已经大幅缩小，特征量化这一步骤，会将HA-B和HB-A从参数值量化为比特串，实现这一功能的函数被称为量化器： q+和q-作为量化阈值，需要谨慎的进行选取，因为，如果阈值之间的范围过大，会造成过多有用特征丢失；如果阈值范围过小，则会造成比特串冗余度增高导致随机性降低，当然，考虑到不同场景中固有信道特征的各异性，有方向性地对量化阈值进行调整是可以有效影响最终的比特串生成速率的，特征量化步骤最终会在合法通信者Alice与Bob处各生成一串0、1比特序列，有了预处理对信道特征的相关性增强，这两串比特序列即为初始密钥，为了将它们之间剩下的差异彻底消除，需要进行接下来的一致性协商步骤；步骤4、一致性协商，一致性协商是为了使合法通信者Alice与Bob获取完全一致的密钥而对初始密钥存在的差异进行修正或丢弃的步骤，在该步骤中，合法通信者Alice与Bob对各自生成的初始密钥进行相同的一致性协商算法处理，常用的一致性协商算法有Cascade、BCH编码及纠错码等，在一致性协商的过程中，Alice与Bob之间需要在无线信道中不断进行消息传递，来确认通过一致性协商算法处理获得的结果是否达到可以作为公共密钥的程度，这会将一部分信息泄露给被动窃听者Eve，在一致性协商步骤完成后，合法通信者Alice与Bob会获取相同的准公共密钥；步骤5、隐私放大，为了使一致性协商步骤中的信息泄露对密钥安全性的影响降到最低，通过对准公共密钥的进一步打乱、重排等操作，令被动窃听者Eve获得的关于合法密钥的信息的有用性降到最低，这一步骤即为隐私放大；单向散列函数即哈希函数具有单向性和防碰撞性，是用来进行隐私放大的常用算法，单向性是指哈希函数的计算过程是不可逆的，即对于任意输入来说，经过哈希运算，可以快速计算出输出，但是对于一个哈希函数的输出，很难逆向获取对应的输入，而防碰撞性指的是对哈希函数来说，输入的范围远远大于输出的范围，且不同的输入对应于不同的输出，通过利用哈希函数，本方案可以将准公共密钥从具有较低熵率的长保密比特流转化为具有较高熵率的保密比特流，这便是合法通信者Alice与Bob进行明文加密的最终公共密钥。

全文数据：

权利要求：

百度查询： 四川大学 一种基于深度学习的物理层密钥生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD