[发明专利]一种基于指数平均数据增强的物理层认证方法

权利要求书

1.一种基于指数平均数据增强的物理层认证方法，其特征在于：包括以下步骤：

S1.边缘计算设备根据第k个已知节点的信道信息和标签，构建第k个已知节点的信道信息数据集D_k：

D_k＝{X_k,Y_k}

其中，X_k为输入样本集，Y_k为输出样本集：

式中，k＝1,2,...Q，Q表示已知节点的总数目；表示在t时隙上第k个已知节点的信道信息向量，N_k表示第k个已知节点时隙总数；Y_k中包含N_k个相同I_k，其中I_k表示第k个已知节点的标签；

S2.边缘计算设备根据输入样本集X_k中的第n个数据采用指数平均数据增强方法构造一个新的伪信道信息样本

其中，β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大；为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；

S3.边缘计算设备在n＝1,2,...,M_k时，重复步骤S2，得到M_k个新的伪信道信息样本：

其中，1≤M_k≤N_k；

S4.边缘计算设备将得到的M_k个新的伪信道信息样本加入输入样本集X_k，得到平均数据增强后的输入样本集为：

该输入样本集中共包含M_k+N_k个样本；

S5.边缘计算设备对平均数据增强后的输入样本集构建标签矩阵作为输出样本集

中包含M_k+N_k个相同I_k，其中I_k表示第k个已知节点的标签；

然后构建新的信道信息数据集作为第k个已知节点训练数据集：

S6.在k＝1,2,...Q时，重复步骤S1～S5，得到Q个已知节点的训练数据集边缘计算设备将Q个已知节点的训练数据集加入到一个总的训练数据集D中；

S7.边缘计算设备构建基于识别算法的分类器模型，并利用总的训练数据集D对生成的分类器模型进行训练，得到成熟的分类器模型，并利用成熟的分类器模型完成未知节点的物理层认证。

2.根据权利要求1所述的一种基于指数平均数据增强的物理层认证方法，其特征在于：所述步骤S1包括以下子步骤：

S101.边缘计算设备接收来自第k个已知节点的信号后，提取各个时隙中第k个已知节点的信道信息向量，获得第k个已知节点的信道信息矩阵X_k：

其中，k＝1,2,...Q，Q表示已知节点的总数目；表示在t时隙上第k个已知节点的信道信息向量，N_k表示第k个已知节点的信道信息个数，也就是时隙总数；

S102.边缘计算设备构建输出样本Y_k：

即输出样本Y_k中包含N_k个相同I_k，其中I_k表示第k个已知节点的标签；

S103.边缘计算设备将X_k作为输入样本，Y_k作为输出样本，构建第k个已知节点的信道信息数据集D_k：

D_k＝{X_k,Y_k}。

3.根据权利要求1所述的一种基于指数平均数据增强的物理层认证方法，其特征在于：步骤S7的识别算法包括但不限于机器类学习算法或深度神经网络学习算法。

4.根据权利要求1所述的一种基于指数平均数据增强的物理层认证方法，其特征在于：所述步骤S7中对未知节点进行物理层认证的过程包括：

S701.边缘计算设备接收来自未知节点l的信号，提取各个时隙中未知节点l的信道信息向量，获得未知节点l的信道信息矩阵X_l：

表示在t时隙上未知节点l的信道信息向量，N_l表示未知节点l时隙总数；

S702.边缘计算设备根据输入样本集X_l中的第n个数据采用指数平均数据增强方法构造一个新的伪信道信息样本

其中，β是预设的指数平均数据增强方法的超参数，表示构造的新的伪信道信息向量和直接提取的信道信息向量的相关性，其值越大相关性越大；为偏差修正项，作用是是防止构造的前两个信道信息样本幅度太小；

S703.边缘计算设备在n＝1,2,...,M_l时，重复步骤S702，得到M_l个新的伪信道信息样本：

其中，1≤M_l≤N_l；

S704.边缘计算设备将得到的M_l个新的伪信道信息样本加入输入样本集X_l，得到平均数据增强后的输入样本集为：

该输入样本集中共包含M_l+N_l个样本；

S705.边缘计算设备将输入样本集输入到成熟的分类器模型中，根据成熟的分类器模型输出结果实现未知节点l的物理层认证，具体认证步骤包括：

将输入样本集中的任一样本输入成熟的分类器模型中，若成熟的分类器模型输出的信息为已知节点的标签，则未知节点l合法，物理层认证通过，否则，物理层认证不通过；

或者，将输入样本集中的每一样本分别送入成熟的分类器模型中，统计成熟的分类器输出次数最多的输出信息，该信息若为已知节点的标签，则未知节点l合法，物理层认证通过，否则，物理层认证不通过。