[发明专利]认知无线电中基于SOM神经网络的恶意用户判别方法

说明书

本发明公开了一种认知无线电中基于自组织映射神经网络的恶意用户判别方法，本发明利用自组织映射(简称SOM)神经网络学习输入能量矩阵的分布特征，并根据学习结果对输入量进行有效的分类。首先引入“可疑度”的概念，其大小根据每次训练后每种类别所包含的次级用户的个数进行分配。为了消除传统的SOM神经网络的缺陷，本发明进一步提出了“平均可疑度”的概念。具体步骤包括：获得能量矩阵，利用SOM神经网络算法对能量矩阵进行训练得到分类矩阵，计算每个次级用户的“可疑度”，构造索引矩阵并重复训练过程，并将每次得到的“可疑度”取平均值，即“平均可疑度”，并利用“平均可疑度”对次级用户进行分类，识别出恶意用户或是正常用户。

技术领域

本发明涉及一种基于自组织映射神经网络的恶意攻击的应对技术,属于认知无线电技术领域。

背景技术

无线通信技术的发展日新月异，这种高速发展直接导致了频谱资源变得愈发稀缺。为了解决这个问题，协作频谱感知应运而生。一种常见的中心式协作频谱感知模型包含一个主用户、一个融合中心和多个次级用户。当主用户处于空闲状态时，次级用户被允许接入主用户。感知的具体过程为：

(1)在完成检测后，所有的次级用户将报告发送给融合中心进行判决。

(2)融合中心将接收到的数据进行融合并将融合结果与门限值进行比较，如果融合结果大于门限值，则判决结果为主用户处于被占用状态，否则判决结果为主用户处于空闲状态。

然而，在实际的感知过程中，次级用户中往往会包含一些恶意用户，这些恶意用户会采用某种攻击模型对发送给融合中心的数据进行伪造或篡改，从而导致感知性能的下降，甚至破坏协作频谱感知网络的正常运行。

为了降低进而消除恶意用户带来的负面影响，多种应对策略已经被提出。目前，主流的策略主要分为两个大类：硬判决和软判决。这两种判决方案的区别在于，硬判决需要将数据量化为0和1，而软判决无需量化过程。相比较而言，硬判决系统的物理可实现性更高，但量化过程导致了一定程度的数据丢失，对判决结果的准确度造成了一定影响。与此同时，机器学习已经受到了越来越多的关注，尤其是人工神经网络。考虑到人工神经网络在认知无线电领域还未得到足够的重视，本发明便着重考虑在软判决条件下利用人工神经网络中的SOM神经网络解决恶意用户的协作频谱感知问题。

发明内容

发明目的：本发明目的在于提供一种基于自组织映射(简称SOM)神经网络的恶意用户判别方法，该方法适用于软判决模型，在传统SOM神经网络的基础上进行了一定的改进，为解决恶意用户攻击问题提供了新的思路。

技术方案：为实现上述发明目的，本发明采用如下技术方案：认知无线电中基于SOM神经网络的恶意用户判别方法，包括如下步骤：

(1)建立能量矩阵并进行归一化，所述能量矩阵的行数为待判决的主用户最大状态数，列数为次级用户总数，矩阵元素为次级用户发送给融合中心的能量值；

(2)构建SOM神经网络，对归一化的能量矩阵进行训练并测试得到分类结果矩阵，所述分类结果矩阵的行数为最大训练次数，列数为次级用户总数，矩阵元素为次级用户所属神经元的序号；

(3)根据分类结果矩阵计算每一个次级用户的“可疑度”，“可疑度”大小根据每个神经元所包含的次级用户的个数进行分配，对于每一行的分类结果向量，降低包含次级用户个数最多的神经元对应的次级用户的“可疑度”，增加包含次级用户个数最少的神经元对应的次级用户的“可疑度”；

(4)对能量矩阵的列的排列顺序进行调整，重复步骤(2)、(3)至设定的最大训练次数，计算每个次级用户的“可疑度”均值得到“平均可疑度”，并利用“平均可疑度”对次级用户进行分类。

进一步地，所述步骤(2)中包括：