[发明专利]基于深度支持向量描述方法的物理层身份认证方法

权利要求书

1.一种基于深度支持向量描述方法的物理层身份认证方法，其特征在于该身份认证方法中，数据样本将通过神经网络从样本空间映射到一个超球体中，在训练模型阶段，通过迭代不断更新神经网络权重，使得数据样本尽可能多地映射到超球体内，同时保证超球体体积最小；在认证阶段，若数据样本映射到超球体内，则视为合法信息发送者信息，反之，则视为攻击者信息；

身份认证方法包括如下步骤：

第一步：收集T个时刻的合法用户之间的CSI数据作为训练数据集，其中每条记录，即t时刻的CSI数据，t＝1,2,…T，称为一个训练样本，T值决定着训练样本的数目，训练样本太少会降低认证模型的泛化能力，而训练样本太多会导致模型训练时间延长，造成不必要的计算资源浪费，T值可以根据仿真情况选取；

第二步：数据预处理，本步骤包括如下流程：

2.1.特征矩阵重构：为了便于神经网络的计算，需改变训练样本的结构，并将训练样本从复矩阵变为实矩阵；重构后的实矩阵为H_rec(t)∈R^M×N×D，其中M＝N_T×N_R，N＝N_S，D＝2表示复矩阵的实部和虚部；转化公式如下：

其中，i＝1,2,…N_T，j＝1,2,…N_R，k＝1,2,…N_S，real(x)函数表示取复数x的实部，imag(x)函数表示取复数x的虚部；

2.2.数据标准化：为了提升模型精度和收敛速度，需对训练样本H_rec(t)，进行标准化处理，经标准化后的样本数据的均值为0、方差为1，其转化函数如下：

其中，H_scaled(t)表示经标准化后的训练样本，μ表示所有训练样本数据的均值，σ表示所有训练样本数据的标准差；

第三步：训练并生成深度支持向量描述模型；模型的生成过程分为前向传播阶段和反向传播阶段，需要多次重复这两个阶段来更新调整模型参数，促使认证模型达到预期性能目标，每一次的重复称为一次“迭代”，最大迭代次数ite_max需要根据模型的收敛情况确定；

第四歩：使用深度支持向量描述模型进行身份认证，本步骤包括如下流程：

4.1.合法信息接收者在T+t′时刻接收到源自于未知用户即合法信息接收者或攻击者的信号r(T+t′)，经过信道估计得到CSI矩阵t′＝1,2，…，+∞，

4.2.对进行如同第二步中的数据预处理得到H_scaled(T+t′)作为神经网络的输入；

4.3.H_scaled(T+t′)通过神经网络的前向传播阶段输出Y(T+t′)；

4.4.计算Dist(T+t′)，若Dist(T+t′)小于等于超球体半径R，则信号r(T+t′)是源自于合法信息发送者；若Dist(T+t′)大于超球体半径R，则信号r(T+t′)是源自于攻击者，即完成身份认证。

2.根据权利要求1所述的一种基于深度支持向量描述方法的物理层身份认证方法，其特征在于所述的第一步包括如下流程：

1.1.合法信息发送者在t时刻向合法信息接收者发送包含有导频信息的数据s(t)，s(t)是一个N_T×N_S的复矩阵，s(t)经多径衰落信道传送至合法信息接收者，该过程可以表示为：

其中，r(t)表示合法信息接收者接收到的信号，h(t)表示多径衰落信道的冲激响应，n(t)表示信道噪声，表示卷积操作；

1.2.合法信息接收者对接收到的信号进行信道估计，得到CSI矩阵就是训练数据集中的一个训练样本，是一个N_T×N_R×N_S维的复矩阵；

1.3.重复步骤1.1、1.2操作T次，收集T个时刻的CSI矩阵作为训练数据集。