[发明专利]5G边缘计算下基于深度学习的提高安全认证的方法

说明书

本发明公开了5G边缘计算下基于深度学习的提高安全认证的方法，属于传输数据包安全识别领域。该方法包括以下步骤：采集初始信道指纹；对初始信道指纹进行预处理，得到初始训练样本集；对初始训练样本集进行随机权重数据增强处理或者分块交换数据增强处理；用数据增强后的训练数据集去训练网络模型，从而得到物理层信道指纹认证模型；对未知信道指纹进行物理层信道认证。本发明在获取较少的原始信道指纹数据的情况下，通过随机权重数据增强或者分块交换数据增强的方法快速生成更多有效的训练数据样本，加快了网络模型的训练速度，并提高了物理层信道认证成功率。

技术领域

本发明属于传输数据包安全识别领域，特别涉及5G边缘计算下基于深度学习的提高安全认证的方法。

背景技术

物理层信道认证是利用无线信道独特的信道指纹来识别数据包，具有轻重量、高可靠的特点，非常适用于5G大规模机器通信的应用场景。然而，传统基于门限阈值的物理层信道认证方法由于难以获得准确的门限阈值而导致信道认证准确率波动性大、认证成功率不高。基于机器学习的信道认证方法虽然可以有效提升信道指纹的认证成功率，尤其是在边缘计算的支持下，可以实现边缘训练，终端或节点几乎可以不做任何计算。但是基于机器学习的信道认证方法的高认证率需要大量数据来训练认证模型，然而在资源受限或时延敏感的一些无线通信应用场景中，通常没有足够的时间来采集充足的信道指纹训练数据集样本，从而影响网络模型的训练和认证性能。

数据增强(Data Augmentation，DA)是一种可用于增加训练深度学习模型的数据集样本大小的技术，比如几何变换、核滤波、随机擦除、随机尺度缩放、特征空间增强训练、对抗训练等等。通过数据增强技术对已有的训练数据集进行扩充，而扩充后的数据集可以更好地训练机器学习模型，并期望实现对目标的分类预测。数据增强在计算机视觉和图像音频等领域已有不少研究，但是适用于图像分类的数据增强算法却不利于增加物理层信道指纹样本的多样性，因为基于翻转、旋转、平移缩放、核滤波器、随机擦除等技术的数据增强方法会破坏信道矩阵的内部结构，并降低了物理层信道认证成功率，故这些传统的数据增强方法不适用于物理层信道认证的应用场景，因此有必要设计新的适合于物理层信道认证的基于深度学习的数据增强方法。

发明内容

本发明的目的在于克服现有技术的不足，提供了5G边缘计算下基于深度学习的提高安全认证的方法。在获取较少的原始信道训练样本的情况下，针对不同资源服务器的应用场景，分别通过随机权重(Stochastic Weight Data Augmentation，SWDA)数据增强的方法和分块交换(Block Swap Data Augmentation，BSDA)数据增强的方法快速生成更多有效的训练数据样本，以加速网络模型的训练，并提高物理层信道认证成功率。

本发明采用的技术方案如下：

5G边缘计算下基于深度学习的提高安全认证的方法，包括以下步骤：

S1.采集个通信节点的初始信道指纹矩阵，其中，，表示采集通信节点k的初始信道指纹矩阵数量的最大值，是一个维度为的复数矩阵，，表示子载波数，表示发射天线的数量，n表示接收天线的数量；

S2.根据初始信道指纹矩阵生成初始实数信道指纹矩阵，：

（1）

其中，表示初始信道指纹矩阵的实部矩阵，表示初始信道指纹矩阵H的虚部矩阵；

S3.给每个初始实数信道指纹矩阵一个对应的标签，生成初始训练样本集为：

（3）

（4）

（5）

其中，，均表示计算过程的中间变量，无具体含义；

S4.对初始训练样本集进行数据增强处理；

方法一：随机权重数据增强方法：