[发明专利]一种基于机器学习的二维联合特征认证方法

说明书

本发明公开了一种基于机器学习的二维联合特征认证方法,首先基站B对合法信息发送者A和模拟非法信息发送者E进行信道信息采集，然后对于基站B与信息发送者之间的信道信息，计算连续数据帧之间的信道信息差值，在信道信息差值的基础上，构建基于幅度的检验统计量，进行处理得到基于幅度的归一化LRT统计量；基于幅度和相位联合，构建检验统计量，进行处理得到基于幅度和相位联合的归一化LRT统计量，然后构造二维联合特征的样本集，建立认证模型，利用机器学习方法生成分类器，并根据样本集进行训练，得到检测率达标的分类器，对未知身份的信息发送者进行合法性判断。本发明相比于单一特征维度的信道认证方法，具有更高准确性。

技术领域

本发明涉及信道信息的认证技术,尤其是涉及一种基于机器学习的二维联合特征认证方法。

背景技术

5G移动通信系统提出了高速、高效和高安全性的要求,当许多移动设备同时接入无线网络时，将大大增加网络中身份认证的负担。5G涉及大量机器和设备之间的相互连接和通信,因此,在网络的密集应用场景中,需要轻量级认证方法，这是物联网操作的必要条件。在过去的十年中，物理层安全技术的发展给无线移动通信领域带来了新的活力。物理层认证是一种非密码认证，因为信道信息的获取比较容易，并且信道特征难以伪造，因此,基于信道特征的物理层认证一直受到研究者的广泛关注。

通常情况下，我们可以利用无线电的信道信息来检测无线网络中发送方身份的合法性。但使用单一特征的认证措施具有一定的局限性，并且只使用某一个信道特征作为划分依据，不具有很高的准确性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于机器学习的二维联合特征认证方法，在基于幅度的检验统计量T_A的基础上，使用了基于幅度的改进的归一化LRT统计量T_a，并在基于幅度和相位联合的检验统计量T_B的基础上,使用了基于幅度和相位联合的改进的归一化LRT统计量T_b，然后建立基于二维特征(T_a，T_b)的认证模型，相比于单一特征维度的信道认证方法，本发明信道认证具有更高准确性。

本发明的目的是通过以下技术方案来实现的：一种基于机器学习的二维联合特征认证方法，包括以下步骤：

S1.基站B对合法信息发送者A和模拟非法信息发送者E进行信道信息采集,得到合法信息发送者A的信道信息数据集和模拟非法信息发送者E的信道信息数据集

S2.对于基站B与信息发送者之间的信道信息，计算连续数据帧之间的信道信息差值；

S3.在信道信息差值的基础上，基于子载波幅度差异构建基于幅度的检验统计量T_A，并对T_A进行处理，得到基于T_A改进的归一化LRT统计量T_a，将其作为第一维特征：

其中，合法信息发送者A与基站B之间的第一维特征为模拟非法信息发送者E与基站B之间第一维特征为

S4.在信道信息差值的基础上，基于幅度和相位联合，构建检验统计量T_B，对T_B进行处理，得到基于T_B改进的归一化LRT统计量T_b，将其作为第二维特征：

其中，合法信息发送者A与基站B之间的第二维特征为模拟非法信息发送者E与基站B之间第二维特征为

S5.利用信道信息数据集和构造二维联合特征(T_a，T_b)作为样本集，对于同一时刻的数据帧，将二维联合特征(T_a，T_b)作为综合的判定依据，构建认证模型[(T_a，T_b),y]，其中：

合法信息发送者A与基站B之间二维联合特征的样本集为：