[发明专利]一种基于深度学习的物理层密钥生成方法及系统

权利要求书

1.一种基于深度学习的物理层密钥生成方法，其特征在于，包括以下步骤：

S1，收集相干时间内合法通信双方对合法通信双方的信道的估计值对，将合法通信双方分别获取的估计值对融合得到一对训练数据，在若干相干时间内获取若干对训练数据；

S2，在通信双方建立秘钥生成网络，秘钥生成网络包括特征提取网络和解码网络；

S3，利用训练数据对秘钥生成网络进行训练，训练过程中在特征提取网络和解码网络的输出设置损失函数，且将通信双方特征提取网络的输出作为标签传输至对方，通过对损失函数梯度的反向传播来更新网络参数，直至训练次数达到设置的迭代周期数停止训练；

S4，将通信双方特征提取网络输出的一致性特征向量的各个维度的皮尔逊相关系数和均值共享完成秘钥生成网络训练，利用训练后的秘钥生成网络根据通信值生成特征向量，采用密钥量化算法对生成的特征向量量化得到通信双方的密钥序列。

2.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，合法通信双方对信道的测量时间间隔为τ，由于信道的时变性，每过相干时间Τ信道都会变化一次，τΤ，在相干时间内合法通信双方能完成一次对信道的测量。

3.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，在相干时间内收集合法通信双方中发送方对信道的估计值以及接收方对信道的估计值，发送方或接收方接收对方对信道的估计值后组合双方的信道估计值得到估计值对。

4.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，特征提取网络的隐藏层数为n_e，其输入为通信双方中一方的信道测量值输入层的神经元个数为信道测量值的长度l；

隐藏层的第k层向k+1层的传播方式为：

其中为第k层隐藏层的输出，为第k层隐藏层的权重，为第k层隐藏层偏置，σ_r(·)为ReLU激活函数，为第k+1层隐藏层的输出；

特征提取网络的输出为：

其中v_s为非互易性特征，v_q为互易性特征。

5.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，解码网络的隐藏层数为n_d，其输入为特征提取网络输出的特征序列v，输入层的神经元个数为特征序列v的长度l_s+l_q，其中l_s为v_s长度，l_q为v_q长度；隐藏层的第k层向k+1层的传播方式为：

其中为第k层隐藏层的输出，为第k层隐藏层的权重，为第k层隐藏层的偏置，σ_lr(·)为LeakyReLU激活函数，为第k+1层隐藏层的输出；

解码网络的输出为：

其中为根据特征提取网络提取的特征v所还原的预测值。

6.根据权利要求1所述的一种基于深度学习的物理层密钥生成方法，其特征在于，利用训练数据对秘钥生成网络进行联合训练更新所有网络参数使以下目标函数最小化：

其中M为一次训练的数据批量大小，λ为损失函数的权重，为encoder_A的输出的损失函数，为当前批次encoder_A输出的第i个特征向量的标签，为encoder_B的输出的损失函数，为当前批次encoder_B输出的第i个特征向量的标签，为encoder_A的输出的损失函数，为当前批次decoder_A输出的第i个值的标签，为decoder_B的输出的损失函数，为当前批次decoder_B输出的第i个值的标签。