曹书博,高志贺,李玉芳,周新鹏,徐凌伟,2

(1.青岛科技大学 信息科学技术学院,山东 青岛 266061;2.数字化学习技术集成与应用教育部工程研究中心, 北京 100039)

1 引言

随着大数据、互联网+、区块链等前沿技术的充分整合和运用,物联网(Internet of Things,IoT)越来越呈现出强大的影响力和生命力[1-3]。然而,由于物联网本身具有的开放性和多样性,如医疗和军事等信息安全传输过程中容易收到潜在的窃听风险,可能严重的信息安全问题。因此,越来越多的研究焦点聚集到物联网数据的安全可靠传输[4-6]。文献[4]提出了一种用于IoT的区块链辅助隐私感知认证方案,以提供数据安全和隐私保护。在文献[5]中,提出了一种考虑属性加密的物联网隐私数据跨域安全共享模型,以解决数据共享时存在的安全隐患。文献[6]提出了集成多种安全技术的IoT安全框架。结果表明,这种方法可以有效地减小对物联网的威胁。

IoT环境的复杂性使得可靠的移动通信更加具有挑战性。例如,移动通信系统中的动态天线由于诸如衰落和散射的影响而导致信号退化。双瑞利和Nakagami-m信道衰落被广泛用于物理层安全性的研究[7,8],但它们仅适用于单散射环境[9]。文献[10]表明N-Nakagami信道模型能更好地表征多散射环境下的移动通信。因此, N-Nakagami信道模型得到了广泛应用。

为了保证安全可靠的通信,需要实时准确地预测安全性能。因此,移动IoT通信环境需要快速准确地监测和分析。机器学习,特别是深度学习广泛应用于IoT[11-14]。文献[12]提出了一种基于深度信念神经网络的IoT威胁检测方案。文献[13]提出了一种基于深度学习的隐私保护与数据分析系统,可以防止存储在云服务器上的数据被泄露和窃取。

IoT移动通信环境的复杂性使得深度学习算法难以用于安全性能分析和预测。目前,基于物理层安全的通信安全性能预测算法研究尚处于起步阶段,特别是对于复杂多变的物联网通信场景,如何实现实时精确的物联网安全性能预测这一问题仍然没有得到较好的解决。为此,本文提出了一种改进神经网络智能算法作为一种新的解决方案,以实现对物联网系统的SOP性能进行实时高效预测。本文研究提出(1) 建立了基于译码转发协作的移动安全通信系统模型,分析了该模型的安全中断概率(Secrecy Outage Probability,SOP)性能,并推导了其闭合表达式。(2) 根据IoT通信数据的特点和要求,设计了融合MobileNet网络中深度可分离卷积模块,空洞卷积(Depthwise separable convolution)和Transformer的MDT-Net模型。模型有两个分支,第一个分支通过多个空洞卷积模块来减少参数的数量,而第二个分支使用深度可分离的卷积块来代替标准卷积。利用分支间的特征融合,提高了模型的精度,减少了模型参数的数量,从而减少了计算量。最后通过Transformer使用自注意力机制捕获输入序列的特征。MDT-Net模型可用于从物联网通信数据中提取重要特征。(3) 提出了一种基于MDT-Net的智能SOP预测算法,实现了IoT通信安全性能的实时准确预测。将所提方法与MobileNet、Elman和小波神经网络(wavelet neural network, WNN)算法进行了性能比较。实验证明,本文提出的MDT-Net算法能获得更好的安全性能预测,均方误差降低了98.9%。

本文组织如下:第2节介绍了IoT通信系统模型。第3节分析了该模型的安全性,给出了闭式SOP表达式,第4节提出智能MDT-Net预测算法,第5节进行了性能分析,第6节给出了结论性评论。

2 IoT安全通信系统模型

如图1所示IoT安全通信系统模型,移动源(MS)在中继(MR)的支持下与目的端(MD)进行通信,同时存在一个窃听端(ME)。GSR,GRD,GRE分别为链路MS→MR, MR→MD和MR→ME的位置增益。信道衰落系数h{SR, RD,RE}服从2-Nakagami分布[15],MS有Nt天线。

图1 IoT安全通信系统模型

在第一个通信阶段,MSi传输信号x,MR接收到的相应信号为

(1)

式中K和E分别表示功率分配系数和系统的发射功率,nSRi是均值和方差分别为0和1高斯噪声。

在第二阶段,在中继处采用DF译码转发该信号。在该策略中,如果中继MR能够恢复传输数据,它将会被重传到目的端MD。否则,MD不会接收任何数据。因此在MD和ME的接收信号为

(2)

(3)

式中nRDi和nREi是均值和期望分别为0和1高斯噪声。当数据在中继MR处被恢复时,α=1, 否则α=0。

MS和MR之间的互信息表达为

(4)

式中γSRi是MSi到MR链路的信噪比。考虑存在阈值R0,如果ISRi>R0,MR可以恢复传输数据,否则在MR处会发生中断。

3 SOP分析

系统的信噪比为γki,k∈{D,E},系统安全容量阈值为rth。经过分析,γki的概率密度函数和累积分布函数可以表示为

(5)

(6)

式中

(7)

(8)

(9)

瞬时安全容量表示为[16]

Ci(γD,γE)=max{ln(1+γDi)-ln(1+γEi),0}。

(10)

安全中断概率(SOP)是评价通信系统安全性的常用方法。采用发射天线选择技术,安全中断概率为

(11)

β=exp(γth)。

(12)

4 基于MDT-Net的SOP智能预测算法

本节提出一种基于MDT-Net的SOP智能预测算法,该算法有以下4个步骤(1) 从收集到的数据中提取特征,创建通信数据集。将数据集划分为训练集和测试集;(2) 使用训练集训练网络模型;(3) 调整网络参数,得到最优网络模型;(4) 对优化模型进行测试,得到SOP预测结果。

4.1 数据集

Xn=(xn1,xn2,…,xn6)。

(13)

4.2 MDT-Net 网络结构

4.2.1 数据预处理。数据集中是二维条状数据,但输入数据最好是三维图像数据。因此,在数据预处理中,1×6数据被重新塑造为1×12×12。卷积已经被证明更适合于图像数据而不是条状数据。此外,图像维数据具有更多的特征信息,相关性通常更高,这有利于提取更多有效的特征。因此,对数据进行转换,如图2所示。

图2 数据预处理过程

4.2.2 网络结构。所提出的轻量级MDT-Net结构如图3所示。MDT-Net采用了三种网络结构构成了双分支网络。第一个是深度可分离卷积模块,第二个是空洞卷积模块,第三个是Transformer模块。深度可分离卷积分为深度卷积和点卷积,可以实现信道间的特征融合,增加或减少信道方向维数。文献结果表明,深度可分离卷积具有与标准卷积相似的性能,但计算复杂度较低。空洞卷积模块主要用来解决普通小卷积核卷积-池化-上采样中的信息丢失问题,可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样操作。Transformer模块分为编码器和解码器,通过自注意力机制捕获输入序列的特征,相较于传统的循环神经网络模型具有更强大的模型表达能力和更高效的并行计算能力。

在MDT-Net结构的第一分支中,输入数据首先经过三层深度可分离的卷积块,然后通过批量归一化层并使用ReLU激活函数进行激活得到400×64×2×2矩阵,深度可分离模块如图4所示。

图4 MDT-Net网络结构第一分支模型

在MDT-Net结构的第二个分支中,输入数据通过三层空洞卷积模块,空洞率分别是1,2,2。然后通过批量归一化层并使用ReLU激活函数进行激活得到400×64×2×2矩阵,空洞卷积模块如图5所示。

通过特征融合连接两个分支的输出,以获得400×64×4×4矩阵。这些结果通过Reshape后得到1×400×512的矩阵并输入到Transformer模块中,Transformer的编码维度设为512,head设为2。将输出降维后通过批量归一化层并使用ReLU激活函数进行激活得到400×512矩阵。将该矩阵输入到全连接层平化为400×1的一维矩阵,返回最终结果。

4.2.3 性能评价指标。在本文中,采用的性能指标是均方误差(MSE),决定系数(R2) ,绝对误差(MAE)和执行时间。MSE和R2为

(14)

(15)

图6 基于MDT-Net的智能预测算法

5 SOP性能结果

本节对SOP进行分析,将MDT-Net算法与WNN[17]、MobileNet[18]、GR[19]、ELM[20]和LeNet[21]方法进行了比较。训练参数如表1所示,其中x和y分别为输入和输出的数量,lr和τ分别为训练的学习率和扩散系数。

表1 六种算法训练参数

如图7-12所示为MDT-Net、WNN、MobileNet 、GR、ELM和LeNet算法的预测结果。这些结果表明,所提出的MDT-Net算法相比于其他算法可以提供了更好的SOP预测性能。

图7 MDT-Net预测

图8 WNN预测

图9 MobileNet预测

图10 GR预测

图11 ELM预测

图12 LeNet预测

图13-16给出了六种算法的均方误差MSE、决定系数R2、测试时间和绝对误差。从图13可以看出,本文采用的MDT-Net算法的MSE为0.000 17,远低于其他算法。例如,该算法在MSE上比LeNet提高了98.9%。由图14可知,MDT-Net算法的决定系数为0.998,优于其他方法。同时,根据图15, MDT-Net网络具有较短的测试时间。由图16可知,所提出的MDT-Net网络也具有较低的MAE。因此,本文提出的MDT-Net算法具有最佳的综合性能。

图13 六种算法均方误差

图14 六种算法决定系数

图15 六种算法测试时间

图16 六种算法绝对误差

6 总结

本文对物联网通信的安全性能分析和预测进行了研究。分析了SOP性能,并构建了深度学习的数据集,然后提出了一种基于MDT-Net的安全性能预测算法,用于实时分析物联网通信安全性能。仿真结果表明,该算法比WNN、MobileNet、GR、ELM、LeNet等方法具有更好的SOP预测效果。