基于機器學習的物理層安全認證技術研究

發(fā)布時間：2020-05-31 18:00

【摘要】：隨著社會的發(fā)展,通信早已同國計民生的方方面面緊密聯(lián)系起來,而通信安全則是保證相關應用能夠正常運轉的基本要素,特別是涉及到利用無線通信對機密信息進行傳送的情況下,由于無線信道的廣播特性,使其更加容易遭受到層出不窮的惡意攻擊。在5G到來之前,普遍采用的安全認證方案大多是構筑于物理層之上的加密技術。隨著網(wǎng)絡接入設備的爆發(fā)式增長和計算能力的不斷提升,傳統(tǒng)的安全認證方案逐漸顯露出種種不足,各種相關算法的設計也日趨復雜。構筑于物理層的安全認證方案可以利用無線信道的諸多優(yōu)良特性,具有原理簡單且性能可靠的優(yōu)勢。機器學習算法可以高效實現(xiàn)對海量數(shù)據(jù)的規(guī)律分析和特征攫取,而通過通信過程中的信道估計,可以輕松獲得足夠的信道數(shù)據(jù),因此將機器學習應用到物理層安全認證中在理論層面上具備可行性。為了高效識別并提取信道物理信息的特征,本文著重研究了基于機器學習的物理層安全認證方案設計,主要的研究工作分列如下:(1)本文針對如今通信場景的變化以及計算能力的提升等諸多因素引起的傳統(tǒng)通信安全解決方案逐漸力有不逮的情況,指出基于物理層的安全方案是一個極具潛力的研究方向。文中簡要概述和總結了現(xiàn)階段已經(jīng)存在的物理層安全方案,針對已有研究工作的不足和局限,提出了結合機器學習算法的物理層安全認證方案。該方案不需要對信道模型或者信道變化做出特別地假設,也不需要事先知道關于通信系統(tǒng)的任何先驗知識,完全是構筑在信道觀測數(shù)據(jù)上的自適應安全認證方案。(2)在眾多在機器學習算法中,本文針對kNN算法,Logistic回歸算法,SVM以及CNN與物理層安全認證的結合進行了算法方案設計。文中建立了物理層安全認證的系統(tǒng)模型,對認證流程進行了簡要論述,接著通過對無線信道的分析,提出了利用無線信道CSI進行物理層安全認證的方案。為了實現(xiàn)機器學習算法對CSI數(shù)據(jù)的有效利用,針對不同機器學習算法的特點,分別對仿真得到的CSI數(shù)據(jù)進行了特殊的預處理。在不同的參數(shù)設置下,仿真證明了將機器學習算法和物理層安全認證進行結合的有效性。經(jīng)過對比分析,發(fā)現(xiàn)基于機器學習算法的安全認證方案的性能相比傳統(tǒng)的基于NP測試的物理層安全認證方案有巨大的提升,在基于機器學習算法的物理層安全認證方案中,基于kNN的物理層安全認證方案時間復雜度最低,基于CNN的物理層安全認證方案效果最佳。(3)考慮到機器學習算法特別是深度學習算法的訓練往往需要大量的標注樣本,而當攻擊者采取一些偽裝手段時,對這些樣本進行標注將消耗大量的資源。為了實現(xiàn)對信道樣本的充分利用,本文還提出了基于半監(jiān)督學習的物理層安全認證算法。通過利用K-means聚類和少量已標注信道樣本,對收集到的其它未標注樣本進行聚類,通過標注偽標簽的形式實現(xiàn)了CNN訓練數(shù)據(jù)集的極大拓展。經(jīng)過蒙特卡洛仿真,證明了基于半監(jiān)督學習算法的物理層安全認證方案在標注樣本受限情況下的卓越性能。
【圖文】：

基于機器學習的物理層安全認證技術研究