一種基于Adaboost的物理層信道認證模型*

陳 潔，陳松林，文 紅，陳 宜，劉文潔

（電子科技大學 通信抗干擾國家級重點實驗室，四川 成都 611731）

0 引 言

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

物理層信道認證利用無線信道信息的空時唯一性，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。物理層信道認證直接利用信道信息，無需復雜的上層加密運算，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備。但是，實際無線環(huán)境中，物理層信道認證的門限難以準確確定，從而影響著認證準確率。

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

1 物理層信道認證模型

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行認證。連續(xù)兩個數(shù)據幀信道信息為其中下標k表示第k個數(shù)據幀，k+1表示k幀過后的下一個連續(xù)數(shù)據幀，上標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]*表示復數(shù)A的共軛復數(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H1表示當前后連續(xù)數(shù)據幀的信道信息“差值”小于門限值時，發(fā)送者身份合法；備擇假設H1表示當前后連續(xù)數(shù)據幀的信道信息“差值”大于門限值時，發(fā)送者身份非法。

基于幅度和相位聯(lián)合的檢驗統(tǒng)計量TB的物理層信道認證可以表示為：

式（2）、式（3）中，ηA、ηB分別為TA、TB對應的門限值。因為TA呈現(xiàn)非隨機分布，門限值ηA難以確定，從而影響了認證準確率。

2 機器學習分類算法——Adaboost算法

在機器學習領域，自適應增強（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練樣本的權重，學習多個分類器，將這些弱分類器組合形成強分類器。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，輸入訓練數(shù)據集：

其中，每個樣本點由實例和標記組成。實例xi∈χ?Rn，標記yi∈Y={-1,+1}，χ是實例空間， Y是標記集合。

第二步，初始化訓練數(shù)據的權值分布：

第三步，對m=1,2,…,M使用具有權值分布Dm的訓練數(shù)據集學習得到基本分類器，即弱分類器：

計算Gm(x)在訓練數(shù)據集上的分類誤差率：

計算Gm(x)的系數(shù)：

這里的對數(shù)是自然對數(shù)；

更新訓練數(shù)據集的權值分布：

這里，Zm是規(guī)范化因子，它使Dm+1成為一個概率分布：

第四步，構建基本分類器的線性組合：

得到最終分類器：

3 基于Adaboost的物理層信道認證模型

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

圖1 基于Adaboost的物理層信道認證流程

根據上述物理層信道認證模型和Adaboost算法，將二者結合，具體模型步驟如下：

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

采集包含連續(xù)N幀的數(shù)據集分別為：

第三步：接收機B生成二分類的訓練集。

在訓練集中，有：

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

第四步：接收機B將剩余N-1-t幀組合成為測試集 T'：

采用機器學習算法中的分類算法生成的分類器對測試集T'進行判斷得到檢測率。若此檢測率滿足要求，則停止訓練；否則，跳轉到第一步，重新訓練。

第五步：在得到滿足檢測率的分類器后，接收機B從接收信息包中重新提取H^XB，預處理后將信道信息輸入分類器進行認證。

4 實驗驗證

根據上述認證模型，在USRP平臺[5]上搭建了一個無線網絡欺騙檢測系統(tǒng)。采用2臺相同參數(shù)的2×2發(fā)射機作為合法者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B。

圖2 基于USRP平臺的檢測系統(tǒng)

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

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

圖3 認證成功率

5 結 語

本文首先介紹了物理層信道認證模型和機器學習中的Adaboost算法，其次將二者結合為一種基于Adaboost的物理層信道認證模型，最后，USRP平臺中采集信道信息，預處理后用Adaboost算法進行訓練得到分類器，且得到分類器的檢測率。結果表明：在使用二維特征時，采人工遍歷不能得到門限，無法實現(xiàn)物理層認證；采用機器學習可以實現(xiàn)物理層認證，且得到較高的檢測率。該模型采用物理層認證和機器學習結合，適用于資源受限的認證設備和場景，具有計算復雜度低、認證準確率高的優(yōu)勢。

參考文獻：

[1] 陳潔,文紅,陳松林等.物聯(lián)網中移動終端的協(xié)同身份檢測機制研究[J].通信技術,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算法研究進展與展望[J].自動化學報,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)架構與應用[J].通信技術,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.