[发明专利]一种小样本物理层设备认证方法、系统、终端及存储介质

说明书

一种小样本物理层设备认证方法、系统、终端及存储介质，认证方法包括以下步骤：在认证开始之前，合法发送设备和攻击设备向合法接收设备发送训练序列，合法接收设备估计其与合法发送设备和攻击设备之间的信道状态信息，进而提取出相应的二维信道特征作为训练样本训练宽度学习网络；在认证阶段，合法接收设备对接收到的信号先估计出其信道状态信息，提取二维信道特征放入训练好的宽度学习网络中，再通过加保护带筛选出较可靠的数据作为补充样本；将通过加保护带筛选出的补充样本通过增量学习的方法更新宽度学习网络参数，完成对训练样本的补充，利用更新后的网络进行下一次认证。本发明能够动态补充训练集，改善样本不足对认证系统造成的影响。

技术领域

本发明属于无线通信领域，具体涉及一种小样本物理层设备认证方法、系统、终端及存储介质。

背景技术

随着通信技术的发展，人类正逐渐向移动物联的方向前进。更海量用户的接入在促进信息交流与共享的同时也对通信的安全保障问题提出了更高的要求。无线信道的开放性使得无线通信网络容易遭受到各种各样的攻击，而无线设备的身份认证作为保障通信系统安全的第一个环节始终是一个极为重要的研究方向。

设备认证通常通过上层基于密钥的密码学方法实现，然而在更接近实际的移动场景中，分发和管理密钥都显得十分困难。在物联网等应用场景下，无线终端设备通常存储量有限、计算能力较低，传统基于密码学的设备认证方法由于计算复杂度较高、时延较大，无法满足当下的需求，同时由于计算能力的快速发展，密钥也很容易在短时间内被破解，给通信安全带来极大挑战。物理层认证相比传统身份认证方法由于其更低时延、更高准确率的特性受到越来越广泛的关注。

物理层认证主要利用信道特征等物理层信息进行合法与非法设备的鉴别，由于其安全性不像传统的密码学方法依赖于计算复杂度，因此可以实现轻量化的认证。同时，由于无线信道具有衰落性、随机性、空时唯一性等特点，无线信道就可以作为一种天然的设备指纹实现高准确率的认证。目前已有一些利用机器学习、深度学习算法进行物理层认证的研究，例如北京邮电大学的王宁等利用极限学习机设计了物理层认证的认证与分类框架；电子科技大学的廖润发等利用卷积神经网络进一步提取物理层特征进行设备认证；电子科技大学的王倩等提出一种基于卷积循环神经网络的认证方法；北京邮电大学的邱晓英等考虑前后时刻间的相关性提出一种基于自适应矩阵和卷积神经网络的设备认证方法。利用深度神经网络虽然能够取得较好的认证效果，但是其需要的训练数据量也通常十分庞大，当实际中无法获得如此充足的训练数据时，基于深度神经网络的方案难以再发挥作用。据调研，目前还没有文献针对训练样本不充足时的物理层认证技术进行研究和讨论。

发明内容

本发明的目的在于针对上述现有技术中存在的问题，提供一种小样本物理层设备认证方法、系统、终端及存储介质，利用二维信道特征通过加保护带的方式筛选出较为可靠的数据作为补充样本，再通过宽度学习网络利用增量学习的方法更新网络参数，从而达到动态补充训练样本数量，提高系统认证性能。

为了实现上述目的，本发明有如下的技术方案：

一种小样本物理层设备认证方法，包括以下步骤：

在认证开始之前，合法发送设备和攻击设备向合法接收设备发送训练序列，合法接收设备估计其与合法发送设备和攻击设备之间的信道状态信息，进而提取出相应的二维信道特征作为训练样本训练宽度学习网络；

在认证阶段，合法接收设备对接收到的信号先估计出其信道状态信息，提取二维信道特征放入训练好的宽度学习网络中，再通过加保护带筛选出较可靠的数据作为补充样本；

将通过加保护带筛选出的补充样本通过增量学习的方法更新宽度学习网络参数，完成对训练样本的补充，利用更新后的网络进行下一次认证。

作为本发明的一种优选方案，所述的二维信道特征包括以下两个特征：

特征1：欧氏距离符合以下关系式：