Processing

Please wait...

Settings

Settings

Goto Application

1. CN110536299 - Data packet legality confirmation method based on edge calculation and discrete random convolution

Note: Text based on automatic Optical Character Recognition processes. Please use the PDF version for legal matters

[ ZH ]

权利要求书

1.基于边缘计算和离散随机卷积的数据包合法性确认方法,其特征在于:包括以下步骤:
S1.在边缘服务器与多个已知终端设备中预存统一的原始导频信号X(p);
S2.已知终端设备在发送信号的数据包中按照设定规则插入已知的原始导频信号后,使用单天线或多天线发送给边缘服务器;
S3.边缘服务器使用多天线接收阵列接收已知终端设备发送的数据包,并对每个天线接收到的信号进行导频分离,得到接收到的导频信号矩阵:
Y(p)=[Y 1 (p),Y 2 (p),…,Y K (p)];
S4.边缘服务器计算信道矩阵的估计值
其中,X(p)-1代表X(p)的逆矩阵;
S5.对于任一已知终端设备,重复步骤S2~S4进行多次数据采样和信道矩阵估计,得到多个信道矩阵的估计值的集合:
其中,代表对第m个已知终端设备第n次采样估计得到的信道矩阵,m=1,2,3,...,M;n=1,2,3,...,N,N表示对终端设备进行数据采集和信道矩阵估计的次数;
S6.对于不同的已知终端设备,重复步骤S2~S5,得到各个已知终端设备的信道矩阵估计的集合S 1 ,S 2 ,…,S M ,其中,S m 代表第m个设备的信道矩阵估计的集合,m=1,2,3,...,M;
S7.根据各已知终端设备的信道矩阵估计集合S 1 ,S 2 ,…,S M ,构建训练集合
S8.建立卷积核与卷积核移动规则:卷积核在纵向的移动为连续平移,在横向为离散随机跳动:
S801.建立卷积核为M′×N′矩阵,表达为:
CK=[L 1 ,L 2 ,…,L N′ ]
其中L n ′为维数为M′的列向量,M′<M,N′<N;
S802.卷积核纵向移动规则与传统卷积神经网络相同,为连续平移,步长设为1;
S803.卷积核横向移动规则为离散随机跳动,具体如下:
卷积核初始位置为CK 0 =[L 1 ,L 2 ,…,L N′ ],传统步长为1的平移后为CK 1 ′=[L 2 ,L 3 ,…,L N′+1 ],可理解为删除第一列,并添加最后一列右侧列;离散随机跳动规则为:删除第一列,并在最后添加除上一步卷积核所包含列外的随机一列,即:
S9.根据S8中建立的卷积核和卷积核移动规则,采用卷积神经网络构建神经网络分类器,并利用步骤S7中的训练集合对分类器进行训练,得到成熟的神经网络分类器;
S10.对待验证的终端设备,重复步骤S2~S5,得到待验证终端设备信道矩阵估计的集合S m ′;使用成熟的神经网络分类器对待验证终端设备的信道矩阵进行分类,判断其是否合法,从而实现该设备的数据包合法性确认。

2.根据权利要求1所述的基于边缘计算和离散随机卷积的数据包合法性确认方法,其特征在于:所述导频信号X(p)为一维列矩阵。

3.根据权利要求1所述的基于边缘计算和离散随机卷积的数据包合法性确认方法,其特征在于:所述步骤S7包括:
对于每个已知终端设备的信道矩阵集合,以对应的终端设备编号为反馈,得到训练集合其中,第m个已知终端设备的信道矩阵集合对应的训练集为:

4.根据权利要求3所述的基于边缘计算和离散随机卷积的数据包合法性确认方法,其特征在于:所述步骤S9中,以每个已知终端设备的信道矩阵集合中的每一个样本作为输入,以各样本对应的设备编号m作为输出,对神经网络分类器进行训练,其中m=1,2,3,...,M,n=1,2,3,...,N。

5.根据权利要求3所述的基于边缘计算和离散随机卷积的数据包合法性确认方法,其特征在于:所述步骤S10中,将待验证终端设备的信道矩阵估计集合S m ′中任一样本输入成熟的神经网络分类器中,得到分类结果,据此判断待验证终端设备是否合法,从而实现该设备的数据包合法性确认。