[发明专利]一种基于机器学习的OFDM-PON物理层认证方法

说明书

本发明涉及一种基于机器学习的OFDM‑PON物理层认证方法，属于光纤通信安全领域。该方法采用PCA算法和1D‑CNN相结合的OFDM‑PON物理层认证方法，在样本预处理过程中，将OFDM光谱数据作为发射机硬件指纹特征的载体，利用PCA算法来提取光谱数据的主要成分，并通过1D‑CNN来学习和分类这些硬件指纹特征。本发明能增强神经网络检测非法用户的能力，同时降低加密的复杂度。

技术领域

本发明属于光纤通信安全领域，涉及一种基于机器学习的OFDM-PON物理层认证方法。

背景技术

为了满足5G通信、万物互联、云服务等各种高带宽业务的发展，PON技术凭借高带宽、大容量和低成本等优势，成为了当前应用最广泛的光接入网方案之一。基于正交频分复用的无源光网络技术具有频谱资源利用率高、抗色散能力强、易于数字信号处理以及灵活调整子载波数的优点，较好地满足了人们对PON技术高速、成本低和动态分配带宽的需求。然而，由于OFDM-PON的下行链路采用的是点到多点的拓扑结构以及广播通信的方式，存在着许多安全隐患，例如窃听、干扰攻击、伪装攻击、拦截攻击等，其中伪装攻击是指对OFDM-PON系统物理层方面的攻击。具体来说，非法用户对一些可重构的光网络单元设备(ONU)进行重编程，然后伪装成合法ONU并加入到光网络中。这类非法ONU可以不断往上行链路发射信号来达到干扰合法ONU正常通信的目的。甚至，它们可以直接取代合法ONU身份，然后与光线路终端(OLT)进行通信，从而威胁到光网络的安全。因此，研究一种适用于OFDM-PON的身份认证方案就显得尤为必要。

传统的PON认证技术主要有三种认证方式，分别是基于注册值(Registration_ID)的认证、基于ONU管理和控制接口(OMCI)消息交换的认证和基于IEEE 802.1X消息交换的认证。总体上来说，传统PON认证技术的安全性主要还是由加密算法的复杂度来保证的。然而量子计算机的发展使得人们有望破解复杂的加密算法，从而威胁到传统PON认证技术的安全性。此外，复杂的加密算法会给OFDM-PON的底层通信增加额外的开销，不利于OFDM-PON底层高效传输的特点。

硬件指纹技术是一种物理层认证技术，相较于传统PON认证技术具有轻量级和不可克隆的优点。在设备的生产过程中，由于技术工艺、原材料、生产环境和运行环境等影响因素而导致同一批设备往往存在着各种细微的差异。同人类的指纹一样，这些差异具有不可克隆的、唯一的物理层特性，满足了身份认证所需要的条件。现有的OFDM-PON的物理层认证方法表明在接收端用光电探测器和数字采样示波器从OFDM导频信号中提取出发射设备的硬件指纹特征，然后通过二维卷积神经网络和小波变换算法相结合的方法可以识别合法ONU身份以及检测非法ONU。但是OFDM的导频信号持续时间很短，所以其携带的硬件指纹特征有限，乃至于有可能包含不到发射机的硬件指纹特征。为了解决这一问题，一种光谱特征分析法被提出用来识别授权和非授权信号，通过机器学习得到完整的硬件指纹特征。应用此种方法在检测非授权信号时候，用神经网络的损失值作为判决授权和非授权信号的阈值。但是这种检测非授权ONU的方法在应对硬件指纹差异很小的情况下就不再适用，比如同一批OFDM发射机。除了通过光谱来提取硬件指纹外，还可以从信号的眼图中提取发射机的硬件指纹。但是为了获取到眼图，需要先对采集到的信号进行一系列DSP算法处理，过程较为繁琐和复杂。

因此，亟需一种新的方法来解决现阶段OFDM-PON物理层认证提取硬件指纹特征不全以及OFDM发射机硬件指纹特征差异过小而检测非法用户困难的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器学习的OFDM-PON物理层认证方法，用于解决和改善现阶段OFDM-PON物理层认证提取硬件指纹特征不全以及OFDM发射机硬件指纹特征差异过小而检测非法用户困难的问题。

为达到上述目的，本发明提供如下技术方案：