Processing

Please wait...

PATENTSCOPE will be unavailable a few hours for maintenance reason on Tuesday 26.10.2021 at 12:00 PM CEST
Settings

Settings

Goto Application

1. WO2021042639 - DATA PACKET VALIDITY CONFIRMATION METHOD BASED ON EDGE COMPUTING AND DISCRETE RANDOM CONVOLUTION

Document

说明书

发明名称 0001   0002   0003   0004   0005   0006   0007   0008   0009   0010   0011   0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072  

权利要求书

1   2   3   4   5  

附图

1   2   3  

说明书

发明名称 : 基于边缘计算和离散随机卷积的数据包合法性确认方法

技术领域

[0001]
本发明涉及通信系统的数据包合法性确认,特别是涉及基于边缘计算和离散随机卷积的通信系统数据包合法性确认方法。

背景技术

[0002]
数据包接入的合法性确认是保证边缘计算数据包传输安全的一种重要方法。物理层信道特征的数据包合法确认方法是通过比较连续帧之间的信道信息相似性来判断发送方身份信息,具有快速高效的优势,十分适用于边缘计算中资源受限的微型终端设备。传统的信道特征的数据包合法确认方法采用阈值进行判定,识别准确率较低,且不稳定。机器学习与深度学习通过对大量样本的训练,得到分类器,可以有效地提升识别准确率。随着多输入-多输出(MIMO)技术在边缘计算传输中普及,使得一维信道估计向量变为了接收机-信道估计值的二维矩阵样本(称之为信道矩阵)。
[0003]
某些适用于图像处理中的技术,如卷积神经网络应用于此,可以进一步地提升识别准确率。但接收机数量远小于信道估计向量中元素的数量,且接收机具有一定的独立性(即相邻接收机并不具有更高的相关性),使得卷积神经网络无法直接应用于此,得到较好的识别结果。
[0004]
发明内容
[0005]
本发明的目的在于克服现有技术的不足,提供一种基于边缘计算和离散随机卷积的数据包合法性确认方法,解决了卷积神经网络在MIMO信道矩阵中识别效果不够理想的问题。
[0006]
本发明的目的是通过以下技术方案来实现的:基于边缘计算和离散随机卷积的数据包合法性确认方法,包括以下步骤:
[0007]
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);
[0008]
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;
[0009]
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:
[0010]
Y(p)=[Y 1(p),Y 2(p),…,Y K(p)];
[0011]
S4.边缘服务器计算信道矩阵的估计值
[0012]
[0013]
其中,X(p) -1代表X(p)的逆矩阵;
[0014]
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:
[0015]
[0016]
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;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;
[0017]
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;
[0018]
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
[0019]
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:
[0020]
S801.建立卷积核为M′×N′矩阵,表达为:
[0021]
CK=[L 1,L 2,…,L N′]
[0022]
其中L n′为维数为M′的列向量,M′<M,N′<N;
[0023]
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;
[0024]
S803.卷积核横向移动规则为离散随机跳动,具体如下:
[0025]
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:
[0026]
[0027]
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;
[0028]
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。
[0029]
优选地,所述导频信号X(p)为一维列矩阵。
[0030]
其中,所述步骤S7包括:
[0031]
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:
[0032]
[0033]
其中,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。
[0034]
其中,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。
[0035]
本发明的有益效果是:本发明通过离散的卷积神经网络的卷积核,能够随机选择离散的接收天线,使得卷积神经网络可以在接收天线维度上获得足够多的样本特征,提高卷积神经网络构建的分类器在MIMO信道矩阵中识别效果,从而提高识别的准确率。

附图说明

[0036]
图1为本发明的方法流程图;
[0037]
图2为实施例中8发8收MIMO信道矩阵波形图;
[0038]
图3为卷积核离散随机移动规则示意图。

具体实施方式

[0039]
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
[0040]
如图1所示,基于边缘计算和离散随机卷积的数据包合法性确认方法,包括以下步骤:
[0041]
S1.边缘服务器与各终端根据规定选择统一的导频信号X(p),其中X(p)为一维列矩阵,在本申请的实施例中,可以采用ZC序列;
[0042]
S2.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,在本申请的实施例中,以发射天线数为8为例;
[0043]
S3.边缘服务器使用多天线接收阵列接收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。
[0044]
Y(p)=[Y 1(p),Y 2(p),…,Y 8(p)]
[0045]
在本申请的实施例中,接收天线数为8,如图2所示,为8发8收MIMO信道矩阵波形图。
[0046]
S4.边缘服务器计算信道矩阵的估计值
[0047]
[0048]
S5.重复S2~S4多次,对同一终端设备进行多次数据采集和信道矩阵估计,得到多个信道矩阵的估计值的集合。在本申请的实施例中,每个设备采样数为1000,则对第一个已知终端设备的信道矩阵估计值的集合为:
[0049]
[0050]
代表第一个设备第n次采样估计得到的信道矩阵,n=1,2,...,1000;
[0051]
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。在本申请的实施例中,设备数为3,则得到三个直至终端设备的信道矩阵估计值S 1,S 2,S 3,其中:
[0052]
[0053]
式中,m=1,2,3;
[0054]
S7.对每个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
[0055]
[0056]
根据神经网络训练需求,m可以是十进制数字,二进制数字,或01序列。在本申请的实施例中,m为其设备编号对应的01序列,即:
[0057]
m 1=[1,0,0]
[0058]
m 2=[0,1,0];
[0059]
m 3=[0,0,1]
[0060]
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:
[0061]
具体包括以下步骤:
[0062]
S801.建立卷积核为M′×N′矩阵,在本申请的实施例中,卷积核为40×3矩阵,可表达为:
[0063]
CK=[L 1,L 2,L 3]
[0064]
其中L n′为维数为40的列向量,如图3所示;
[0065]
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;
[0066]
S803.卷积核横向移动规则为离散随机跳动,如图3所示,具体如下:
[0067]
卷积核初始位置为CK 0=[L 1,L 2,L 3],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:
[0068]
[0069]
S9.以信道矩阵 为训练样本,编号m为反馈,根据S8构建的卷积核和卷积核移动规则,对卷积神经网络进行训练,得到成熟的的神经网络分类器;
[0070]
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′;使用训练好的神经网络分类器对待验证设备的信道矩阵进行分类,判定其所属设备: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,在本申请的实施例中,若神经网络分类器输出的分类结果为已知设备编号,则待验证的终端设备为已知设备,该设备发送的数据包合法,对该设备发送的数据包进行接收;否则,待验证的设备为非法设备,该设备发送的数据包不合法,丢弃该设备发送的数据包。
[0071]
本发明通过离散的卷积神经网络的卷积核,能够随机选择离散的接收天线,使得卷积神经网络可以在接收天线维度上获得足够多的样本特征,提高卷积神经网络构建的分类器在MIMO信道矩阵中识别效果,从而提高识别的准确率。
[0072]
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。

权利要求书

[权利要求 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;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。
[权利要求 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。
[权利要求 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:
[权利要求 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。
[权利要求 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。

附图

[ 图 1]  
[ 图 2]  
[ 图 3]