陳 潔，陳松林，文 紅，陳 宜，劉文潔

（電子科技大學(xué) 通信抗干擾國家級重點(diǎn)實(shí)驗(yàn)室，四川 成都 611731）

0 引 言

在未來無線通信系統(tǒng)中，微型終端設(shè)備涌入到無線網(wǎng)絡(luò)中的數(shù)量將會成指數(shù)倍增長。微型終端在接入無線網(wǎng)絡(luò)過程中，需要建立安全接入認(rèn)證等安全措施。但是，微型終端設(shè)備多種多樣，有的很單一如可穿戴設(shè)備、簡易的物聯(lián)網(wǎng)終端等，無法提供復(fù)雜的計(jì)算資源，而非對稱資源之間進(jìn)行接入認(rèn)證難以大規(guī)模使用傳統(tǒng)基于密碼的認(rèn)證方案[1]。

物理層信道認(rèn)證利用無線信道信息的空時(shí)唯一性，通過比較連續(xù)幀之間的信道信息相似性來判斷用戶身份信息。物理層信道認(rèn)證直接利用信道信息，無需復(fù)雜的上層加密運(yùn)算，具有快速、高效的優(yōu)勢，十分適用于資源受限的微型終端設(shè)備。但是，實(shí)際無線環(huán)境中，物理層信道認(rèn)證的門限難以準(zhǔn)確確定，從而影響著認(rèn)證準(zhǔn)確率。

為解決上述問題，本文提出一種基于Adaboost的物理層信道認(rèn)證模型。首先，接收機(jī)采集和預(yù)處理信道信息形成二分類的數(shù)據(jù)集，將訓(xùn)練集用來建立Adaboost算法模型得到分類器，然后使用訓(xùn)練好的分類器進(jìn)行用戶發(fā)送信息的合法性識別。新方法的訓(xùn)練模型需離線進(jìn)行，生成認(rèn)證模型在線識別的效率和準(zhǔn)確率高，適合微型終端設(shè)備的認(rèn)證。

1 物理層信道認(rèn)證模型

在OFDM系統(tǒng)中，子載波幅度間存在差異，這種差異可以用來對通信者身份進(jìn)行認(rèn)證。連續(xù)兩個(gè)數(shù)據(jù)幀信道信息為其中下標(biāo)k表示第k個(gè)數(shù)據(jù)幀，k+1表示k幀過后的下一個(gè)連續(xù)數(shù)據(jù)幀，上標(biāo)AB表示發(fā)送者為A接收者為A，XB表示X為未知發(fā)送者接收者為B。頻域信道矩陣是N維方陣的OFDM符號，其中第m(1≤m≤N)行n(1≤n≤N)列元素的相位偏移為：

其中[A]*表示復(fù)數(shù)A的共軛復(fù)數(shù)。

其中，diあ(x,y)表示x和y的信道信息“差值”；σ2為噪聲功率，ηA是門限；零假設(shè)H1表示當(dāng)前后連續(xù)數(shù)據(jù)幀的信道信息“差值”小于門限值時(shí)，發(fā)送者身份合法；備擇假設(shè)H1表示當(dāng)前后連續(xù)數(shù)據(jù)幀的信道信息“差值”大于門限值時(shí)，發(fā)送者身份非法。

基于幅度和相位聯(lián)合的檢驗(yàn)統(tǒng)計(jì)量TB的物理層信道認(rèn)證可以表示為：

式（2）、式（3）中，ηA、ηB分別為TA、TB對應(yīng)的門限值。因?yàn)門A呈現(xiàn)非隨機(jī)分布，門限值ηA難以確定，從而影響了認(rèn)證準(zhǔn)確率。

2 機(jī)器學(xué)習(xí)分類算法——Adaboost算法

在機(jī)器學(xué)習(xí)領(lǐng)域，自適應(yīng)增強(qiáng)（Adaptive Boosting）算法是1995年由Freund和Schapire[3]提出的，是最具有代表性的提升方法之一。旨在分類問題中通過改變訓(xùn)練樣本的權(quán)重，學(xué)習(xí)多個(gè)分類器，將這些弱分類器組合形成強(qiáng)分類器。該算法泛化錯誤率低、易編碼，可以用在大部分分類器上，具有很高的精度，常常被用在二分類和多分類場景中。

算法[4]步驟如下：

第一步，輸入訓(xùn)練數(shù)據(jù)集：

其中，每個(gè)樣本點(diǎn)由實(shí)例和標(biāo)記組成。實(shí)例xi∈χ?Rn，標(biāo)記yi∈Y={-1,+1}，χ是實(shí)例空間， Y是標(biāo)記集合。

第二步，初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布：

第三步，對m=1,2,…,M使用具有權(quán)值分布Dm的訓(xùn)練數(shù)據(jù)集學(xué)習(xí)得到基本分類器，即弱分類器：

計(jì)算Gm(x)在訓(xùn)練數(shù)據(jù)集上的分類誤差率：

計(jì)算Gm(x)的系數(shù)：

這里的對數(shù)是自然對數(shù)；

更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布：

這里，Zm是規(guī)范化因子，它使Dm+1成為一個(gè)概率分布：

第四步，構(gòu)建基本分類器的線性組合：

得到最終分類器：

3 基于Adaboost的物理層信道認(rèn)證模型

基于Adaboost的物理層信道認(rèn)證方法首先需要進(jìn)行分類器訓(xùn)練，需要設(shè)定適當(dāng)分布的模擬合法者和模擬非法者，采集信道信息，模擬認(rèn)證過程，對分類器進(jìn)行迭代訓(xùn)練，直到分類器的認(rèn)證檢測率達(dá)到要求，然后使用該分類器對發(fā)射設(shè)備所發(fā)信息包進(jìn)行身份合法性的認(rèn)證。基于Adaboost的物理層信道認(rèn)證流程圖如圖1所示。

圖1 基于Adaboost的物理層信道認(rèn)證流程

根據(jù)上述物理層信道認(rèn)證模型和Adaboost算法，將二者結(jié)合，具體模型步驟如下：

第一步：接收機(jī)B對合法信息發(fā)送者A和模擬非法信息發(fā)送者E進(jìn)行信息包CSI（Channel State Information）的采集：

采集包含連續(xù)N幀的數(shù)據(jù)集分別為：

第三步：接收機(jī)B生成二分類的訓(xùn)練集。

在訓(xùn)練集中，有：

即yi=+1時(shí)，表示該數(shù)據(jù)來自合法發(fā)送者A；yi=-1時(shí)，表示該數(shù)據(jù)來自模擬非法者E。

第四步：接收機(jī)B將剩余N-1-t幀組合成為測試集 T'：

采用機(jī)器學(xué)習(xí)算法中的分類算法生成的分類器對測試集T'進(jìn)行判斷得到檢測率。若此檢測率滿足要求，則停止訓(xùn)練；否則，跳轉(zhuǎn)到第一步，重新訓(xùn)練。

第五步：在得到滿足檢測率的分類器后，接收機(jī)B從接收信息包中重新提取H^XB，預(yù)處理后將信道信息輸入分類器進(jìn)行認(rèn)證。

4 實(shí)驗(yàn)驗(yàn)證

根據(jù)上述認(rèn)證模型，在USRP平臺[5]上搭建了一個(gè)無線網(wǎng)絡(luò)欺騙檢測系統(tǒng)。采用2臺相同參數(shù)的2×2發(fā)射機(jī)作為合法者A和模擬非法者E。為保證兩者信道信息不同，將合法者A和模擬非法者E擺放在不同位置，采用8×8的USRP作為接收機(jī)B。

圖2 基于USRP平臺的檢測系統(tǒng)

三者均在視距范圍內(nèi)，能有效接收信號，且保證連續(xù)數(shù)據(jù)幀之間的最大時(shí)間差在相干時(shí)間以內(nèi)。合法者A和模擬非法者E、接收機(jī)B按照式（1）～式（20）中的認(rèn)證步驟進(jìn)行認(rèn)證。

接收機(jī)B在matlab中采用Adaboost算法得到認(rèn)證成功率為91.5%，如圖3所示。采用歸一化TA、TB作為訓(xùn)練集中二維特征時(shí)，合法者A和模擬非法者B散點(diǎn)在三維空間交錯，采用人工遍歷不能得到門限值和檢測率，但是采用機(jī)器學(xué)習(xí)算法可以得到檢測率為91.5%。說明采用機(jī)器學(xué)習(xí)算法結(jié)合物理層信道認(rèn)證具有可行性，且認(rèn)證準(zhǔn)確率高。

圖3 認(rèn)證成功率

5 結(jié) 語

本文首先介紹了物理層信道認(rèn)證模型和機(jī)器學(xué)習(xí)中的Adaboost算法，其次將二者結(jié)合為一種基于Adaboost的物理層信道認(rèn)證模型，最后，USRP平臺中采集信道信息，預(yù)處理后用Adaboost算法進(jìn)行訓(xùn)練得到分類器，且得到分類器的檢測率。結(jié)果表明：在使用二維特征時(shí)，采人工遍歷不能得到門限，無法實(shí)現(xiàn)物理層認(rèn)證；采用機(jī)器學(xué)習(xí)可以實(shí)現(xiàn)物理層認(rèn)證，且得到較高的檢測率。該模型采用物理層認(rèn)證和機(jī)器學(xué)習(xí)結(jié)合，適用于資源受限的認(rèn)證設(shè)備和場景，具有計(jì)算復(fù)雜度低、認(rèn)證準(zhǔn)確率高的優(yōu)勢。

參考文獻(xiàn)：

[1] 陳潔,文紅,陳松林等.物聯(lián)網(wǎng)中移動終端的協(xié)同身份檢測機(jī)制研究[J].通信技術(shù),2017,50(12):2781-2786.CHEN Jie,WEN Hong,CHEN Song-lin,et al.Research on Collaborative Authentication Mechanism of Mobile Terminal in Internet of Things[J].Communications Techn ology,2017,50(12):2781-2786.

[2] Xiao L,Greenstein L,Mandayam N,et al.Fingerprints in the Ether:Using the Physical Layer for Wireless Authentication[C].IEEE International Conference on Communications,2007:4646-4651.

[3] 曹瑩,苗啟廣,劉家辰等.AdaBoost算法研究進(jìn)展與展望[J].自動化學(xué)報(bào),2013,39(06):745-758.CAO Ying,MIAO Qi-guang,LIU Jia-chen,et al.Advance and Prospects of AdaBoost Algorithm[J].ACTA Automatica Sinica.,2013,39(06):745-758.

[4] Schapire R E.The strength of Weak Learn Ability[J].Machine Learning,1990,5(02):197-227.

[5] 陳松林,陳宜,宋歡歡等.新一代通用軟件無線電平臺USRPX310的系統(tǒng)架構(gòu)與應(yīng)用[J].通信技術(shù),2017,50(09):2100-2107.CHEN Song-lin,CHEN Yi,SONG Huan-huan,et al.Architecture and Application of New-Generation Universal Software Radio Peripheral(USRP310)System[J].Communications Technology,2017,50(09):2100-2107.