[发明专利]一种基于机器学习储备池计算的保密通信方法及系统

权利要求书

1.一种基于机器学习储备池计算的保密通信方法，其特征在于，包括步骤：

(1)发送端的时滞混沌系统生成的混沌信号U(t)，所述混沌信号U(t)包括训练集U₁(t)和加密集U₂(t)；

(2)利用所述加密集U₂(t)对发送端发送的信号h(t)进行加密，生成加密信号S(t)；

(3)接收端接收训练集U₁(t)，经过储备池计算前处理模块对信号进行归一化处理后得到信号向量V'(t)，输入到储备池计算模块中，所述储备池计算模块输出信号向量V(t)；

(4)发送端将加密集U₂(t)中的某一个维度的标量信号发送给接收端，用于替代信号向量V(t)中同一维度的信号，将得到的信号再次输入到所述储备池计算前处理模块中更新V'(t)；

(5)对接收端接收的加密信号S(t)和所述储备池计算模块同步输出的信号向量V(t)进行解密，得到发送端发送的信号h(t)。

2.根据权利要求1所述的基于机器学习储备池计算的保密通信方法，其特征在于，所述时滞混沌系统采用含有时滞项的Lorenz系统进行加密验证，所述含有时滞项的Lorenz系统的系统方程如下：

其中，x,y,z分别表示时滞Lorenz系统的三个状态变量，分别表示状态变量随时间的导数，τ为延迟时间。

3.根据权利要求1所述的基于机器学习储备池计算的保密通信方法，其特征在于，步骤(2)中，所述加密的方程如下：

其中，U_2xi、U_2yi、U_2zi为加密集U₂(t)中的第i个数据的三个状态变量值，S_i为加密后的一维向量，h_i为解密后的一维向量，K₁、K₂、λ₁、λ₂为密钥。

4.根据权利要求1所述的基于机器学习储备池计算的保密通信方法，其特征在于，所述储备池计算模块中神经网络状态方程如下：

其中，r(t)是t时刻所述储备池计算模块的状态量，t表示时间，V'(t)是所述储备池计算模块输入的信号向量，α为学习率，bin为偏置参数，A是储层网络的邻接矩阵，Win是输入端的加权矩阵。

5.根据权利要求1所述的基于机器学习储备池计算的保密通信方法，其特征在于，所述储备池计算模块输出的信号向量V(t)计算公式如下：

其中，b_out是偏置参数，W_out是线性相关系数，r(t)是t时刻所述储备池计算模块的状态量，V'(t)是t时刻所述储备池计算模块输入的信号向量，V(t+1)是t+1时刻所述储备池计算模块输出的信号向量。

6.根据权利要求1所述的基于机器学习储备池计算的保密通信方法，其特征在于，步骤(5)中，所述解密的方程如下：

其中，V_xi、V_yi、V_zi为信号向量V(t)在第i个时刻的状态变量值，K₁、K₂、λ₁、λ₂为密钥，S_i为加密后的一维向量，h_i为解密后的一维向量。