[发明专利]一种基于随机森林均匀量化特征提取的安全中继选择方法

说明书

本发明属于无线通信技术领域，涉及物理层安全技术领域，特别涉及一种基于随机森林均匀量化特征提取的安全中继选择方法，包括构建全双工多中继系统模型；分别获取中继节点、目的节点以及窃听节点的可达容量，计算在这些可达容量下系统的安全容量，并找出使系统安全性能最优的中继节点索引；基于均匀量化算法来提取RF集成学习算法所需信道状态信息的离散特征值；构建基于RF集成学习方法的全双工中继系统安全中继选择模型，并根据该模型选择中继节点；本发明在具有多个中继节点的全双工中继系统中,将安全中继选择建模为一个多类分类问题，通过构建随机森集成学习算法模型，选择最优中继以提升系统安全性能。

技术领域

本发明属于无线通信技术领域，涉及物理层安全技术领域，特别涉及一种基于随机森林均匀量化特征提取的安全中继选择方法。

背景技术

由于无线信号的开放性，保障数据的安全传输是无线通信系统应用的重要前提。Wyne于1975年首次提出一种新型的安全保障技术，物理层安全技术。如信息论和密码学表明，通过有效地利用无线信道内在的随机特性，如环境衰落、路径损耗以及环境噪声、用户间干扰等，可以降低恶意用户窃听到的信号质量，并通过信号设计和信号处理技术实现无密钥的信息安全传输。

中继技术是最常用的物理层安全技术之一，它可以通过扩展通信范围来对抗衰落。在中继系统中，适当的中继选择方案可以提高主信道的可达容量，提高系统的安全性能。传统的中继选择方案主要依靠端到端最大化算法和精确信道状态信息实现，当系统环境更为复杂时，例如涉及多跳中继或快速变化的CSI环境时，传统的中继选择方案会导致较高资源消耗和处理延迟。

机器学习(Machine learning,ML)是一种高效的人工智能技术，它利用智能算法和经验提高系统性能。采用机器学习技术时，中继选择的训练阶段可以离线进行，可以减少实时决策的时延，快速适应信道变化。集成学习算法集成了多个个体分类算法，克服了个体分类算法精确度不高以及过度拟合的固有缺陷。随机森林(random forest,RF)是由Breiman设计的一种有效的集成学习算法，该方法利用装袋法和随机子空间方法，形成多个不同的决策树模型，并通过组合和投票来确定最终的预测结果。

发明内容

为了在中继选择时提升系统安全性能，本发明提出一种基于随机森林均匀量化特征提取的安全中继选择方法，包括以下步骤：

S1、构建全双工多中继系统模型，其包括源节点S、目的节点D、窃听节点E和K个全双工中继节点R₁,…,R_i,…,R_K；

S2、分别获取中继节点、目的节点以及窃听节点的可达容量，计算在这些可达容量下系统的安全容量，并找出使系统安全性能最优的中继节点索引k^*；

S3、基于均匀量化算法来提取RF集成学习算法所需的离散CSI特征值；

S4、构建基于RF集成学习方法的全双工中继系统安全中继选择模型，并根据该模型选择中继节点。

进一步的，在构建的全双工多中继系统模型的时隙t中，中继节点处R_i的接收信号表示为：目的节点处的接收信号表示为：窃听节点处的接收信号表示为：其中，P_S为源节点的发射功率，为源节点到中继节点的信道系数，x_s(t)表示时隙t时源节点传输到中继节点的数据，为中继节点处R_i的发射功率，为中继节点R_i残余自干扰系数，x_s(t-1)表示时隙t-1时源节点传输到中继节点的数据，为中继节点上的噪声；为中继节点到目的节点的信道系数，n_D(t)为目的节点上的噪声；h_SE为源节点与窃听节点之间的信道系数，为中继节点与窃听节点之间的信道系数，n_E(t)窃听节点上的噪声；n_D(t)以及n_E(t)为服从均值为0，方差依次为以及的高斯分布的噪声。