CN115941112A - 一种便携式隐蔽通信方法、计算机设备及存储介质 - Google Patents
一种便携式隐蔽通信方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115941112A CN115941112A CN202211597891.4A CN202211597891A CN115941112A CN 115941112 A CN115941112 A CN 115941112A CN 202211597891 A CN202211597891 A CN 202211597891A CN 115941112 A CN115941112 A CN 115941112A
- Authority
- CN
- China
- Prior art keywords
- matrix
- gaussian
- signal
- noise
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 123
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000844 transformation Methods 0.000 claims description 7
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000000712 assembly Effects 0.000 claims description 3
- 238000000429 assembly Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000007635 classification algorithm Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种便携式隐蔽通信方法、计算机设备及存储介质，涉及数字信息传输技术领域，包括通信前准备方法、隐蔽通信发送方法、隐蔽通信接收方法以及隐蔽通信解码方法，采用高斯序列码本，具有高隐蔽性的优点。基于BNN网络和N‑BCFC分类算法，对基于高斯码本的进行无线隐蔽信息解码译码，再结合BCH编码方法，相比于硬判决译码具有可靠性较高的优点。采用流式架构将FPGA和BNN网络相结合，构建深度神经网络，在处理资源受限情况下，可以有效处理高吞吐量数据。
Description
技术领域
本发明涉及数字信息传输技术领域，特别是涉及一种便携式隐蔽通信方法、计算机设备及存储介质。
背景技术
无线隐蔽通信作为一种以隐蔽性为主要追求的特殊通信方式，涉及多种场景下的隐蔽信道容量分析等信息论新问题，和一系列以无线通信为背景的信息隐藏方法，在复杂对抗环境中的军事通信、物理隔离环境下的情报通信等领域有着重要的应用前景。
常见的无线隐蔽信道方式包括，嵌入式(直接在合法信息字段中嵌入隐蔽信息)、叠加式(将隐蔽信号叠加在合法信号上进行传输)以及时间式(利用信号发送传输的时延差，进行隐蔽信息传递)，嵌入式隐信道因为信息可以被全部解调，容易被直接检测到，所以使用较少；时间式隐信道受限于通信***的时延误差，当时延误差较小时，容易存在可靠性较差的缺点，当时延误差较大时，会导致隐蔽性下降，容易被检测到，因此，叠加式无线隐信道是较为常见的无线隐蔽通信方式。
但是，叠加式无线隐信道存在隐蔽性和可靠性不能兼顾的缺点，最先提出的脏星座无线隐信道(Dutta A,Saha D,Grunwald D,et al.Secret agent radi o:Covertcommunication through dirty constellations[C]//Internationa l Workshop onInformation Hiding.Springer,Berlin,Heidelberg,2012:160-175.)，直接在常规信号星座点上叠加隐蔽信号星座点，具有隐蔽信息可靠性较高和解调方便等优点，但是因为隐蔽信号为直接叠加方式，隐蔽性较差，如果以星座图调制的高斯信号([1]曹鹏程.星座图调制类无线隐信道方法研究[D].南京理工大学,2020.DOI:10.27241/d.cnki.gnjgu.2020.002019.)进行隐蔽信息传递，则存在可靠性较差和解调困难的缺点。
为了提高星座图调制的高斯信号可靠性，降低隐蔽信息解码的误码率，我们计划引入深度学习算法，对含噪高斯信号进行识别，再按照约定码本进行译码。
而常规卷积神经网络，对内存和算力要求较高，且注重识别的可靠性和准确性，对识别速度要求不高；而常规通信场景，信号传递速度较快，如果解调译码不具有实时性，则容易造成数据堆积，影响***运行；因此，我们提出BCFC(BinaryComplexedsignalFeatureClassification)算法，一种二进制复信号特征分类算法，这种算法可以使用二进制数值进行信号分类。
发明内容
为了解决以上技术问题，本发明提供一种便携式隐蔽通信方法，包括通信前准备方法、隐蔽通信发送方法、隐蔽通信接收方法以及隐蔽通信解码方法，通信前准备方法包括以下步骤
A1、预先生成隐蔽信息码本；
A2、隐蔽通信发送方生成两组方差一致的高斯分布序列，分别为高斯矩阵A和高斯矩阵B；对高斯矩阵A和高斯矩阵B按序列进行重排，重排后的高斯矩阵A和高斯矩阵B分别代表基带信号中的0信号和1信号；
A3、将高斯矩阵A和高斯矩阵B分享给隐蔽通信接收方，约定好高斯矩阵A映射为0，高斯矩阵B映射为1；将高斯矩阵A和高斯矩阵B按照码本重排，生成码本高斯矩阵映射序列；
A4、隐蔽通信接收方采集环境中的高斯噪声序列，生成若干组噪声信号，将噪声信号分别叠加在高斯矩阵A和高斯矩阵B上，生成含噪高斯矩阵A和含噪高斯矩阵B；
A5、隐蔽通信接收方结合BCFC特征识别算法和BNN网络构建N-BCFC深度学习网络，选取部分含噪高斯矩阵A和含噪高斯矩阵B作为训练集输入，对N-BCFC深度学习网络进行训练；其余含噪高斯矩阵A和含噪高斯矩阵B作为测试集对训练好的N-BCFC深度学习网络进行测试，直至训练好的N-BCFC深度学习网络通过测试集的测试；
A6、将训练好的BNN网络迁移至FPGA设备，并采用流式架构对***进行构建；
隐蔽通信发送方法包括以下步骤
B1、生成隐蔽信息，并将隐蔽信息按照约定码本进行编码；
B2、将编码后的隐蔽信息进行高斯序列映射，生成映射高斯码本序列，经信号发生器生成隐蔽信号；
B3、对载体信息进行QPSK调制，生成载体信号；
B4、将隐蔽信号叠加在载体信号上，生成含噪载密信号，再通过基站设备发送含噪载密信号；
隐蔽通信接收方法包括以下步骤
C1、便携SDR设备接收含噪载密信号，使用QPSK对其进行解调，得到载体信息；
C2、对载体信息进行二次调制，得到理想载体信号；
C3、对接收到的载密信号去除理想载体信号，得到含噪隐蔽信号；
C4、对含噪隐蔽信号进行傅里叶反变换，得到含噪隐蔽信号序列；
隐蔽通信解码方法包括以下步骤
D1、将含噪隐蔽信号序列由SDR设备传输至FPGA设备，进行目标矩阵抓取，生成含噪隐蔽信号矩阵C；
D2、将抓取的含噪隐蔽信号矩阵C输入训练好的N-BCFC深度学习网络，识别得出隐蔽信号的决策结果，决策结果为0和1组成的码字序列；
D3、使用纠错译码对决策结果进行纠错，最后得到隐蔽信息。
本发明进一步限定的技术方案是：
进一步的，步骤A1中，隐蔽信息码本采用BCH码本进行纠错编码。
前所述的一种便携式隐蔽通信方法，步骤A2中，两组方差一致的高斯分布序列长度设置为784位；将高斯矩阵A和高斯矩阵B按序列进行重排，生成28*28位矩阵。
前所述的一种便携式隐蔽通信方法，步骤A4中，以784位为一组，生成120000组噪声信号，同时生成120000组含噪高斯矩阵A和120000组含噪高斯矩阵B，其中100000组含噪高斯矩阵A和100000组含噪高斯矩阵B作为训练集，其余20000组含噪高斯矩阵A和20000组含噪高斯矩阵B作为测试集。
前所述的一种便携式隐蔽通信方法，步骤D1中，每728位为一个码字，进行目标矩阵抓取。
前所述的一种便携式隐蔽通信方法，步骤A5中，N-BCFC深度学习网络包括特征分类功能单元、特征决策单元以及集成决策模块，特征分类功能单元和特征决策单元之间通过特征映射器进行连接，特征决策单元包括N组随机森林组件，输入信号矩阵数据作为一系列矩阵元素，一次一个矩阵元素输入到特征分类功能单元；
当输入信号矩阵数据通过特征分类功能单元，特征分类功能单元计算输入信号矩阵上给定多尺度流的每个特征；只有与特定加载模型相关的特征会被映射到特征决策单元，由特征决策单元中的N组随机森林组件进行特征决策；
特征分类功能单元包含模型中每个特征对应的随机森林，特征分类功能单元输出的特征量，由特征映射器映射到对应的随机森林进行处理；
随机森林各自投票决定最后的预测，最后输出至集成决策模块进行最终判定，输出推测结果。
前所述的一种便携式隐蔽通信方法，步骤A5中，BCFC特征识别算法包含若干CF构建块，CF构建块可以为[1,1]，[1,1]T，[1,-1]以及[1,-1]T中的任意一个，CF特征都可以用集合{[1,1]，[1,1]T，[1,-1]和[1,-1]T}；
将CF特征定义为从复高斯信号中选择的矩阵变换，算法的所有特征都是从同一个多尺度局部特征流中选择的，多尺度局部特征流是函数尺度空间的一组偏导数，具体表示为
其中，A表示输入信号矩阵，
表示关于x的m次微分算子，关于y的n次微分算子；Gσ表示方差为σ的高斯算子；
多层面局部射流是m、n和σ的给定值范围的一组输出
其中，
表示由多个不同层面的多尺度局部特征流
叠加，所构成的一组多层面多尺度流，数学表示为多个矩阵
拼接而成的一个组合矩阵。
前所述的一种便携式隐蔽通信方法，步骤A5中，基于ECO功能模块，结合BCFC特征识别算法和BNN网络构建N-BCFC深度学习网络，ECO功能是对输入矩阵执行的一系列背靠背映射变换；
当遗传算法选择ECO特征时，它们通过一种增强算法组合成一个集合；使用SAMME变体进行多类分类；
在创建每个ECO功能后，boosting算法调整数据集的权重，以重视较难的示例，通过ECO功能针对数据集进行定制，当构建的ECO功能达到所需数量，所有ECO功能集成为一个整体，该集成通过将信号矩阵传递给所有ECO信号特征学习者来预测新输入信号矩阵的类别，让每个分类器投票决定应该预测哪个类别。
本发明还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现便携式隐蔽通信方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述便携式隐蔽通信方法的步骤。
本发明的有益效果是：
(1)本发明中，采用高斯序列码本，具有高隐蔽性的优点，基于BNN网络和N-BCFC分类算法，对基于高斯码本的进行无线隐蔽信息解码译码，再结合BCH编码方法，相比于硬判决译码具有可靠性较高的优点，采用流式架构将FPGA和BNN网络相结合，构建深度神经网络，在处理资源受限情况下，可以有效处理高吞吐量数据；
(2)本发明中，为了便于在移动小型设备上使用，提高发明设备的普适性和移动便捷性，我们计划采用二值化神经网络(BNN)，这是一种使用二进制值进行权重和激活的神经网络，最后，我们将BNN中使用的深度学习方法与BCFC算法相结合，制作了N-BCFC(Neural-Binary Complexedsignal Feature Classification)，N-BCFC是通过深度学习学习的二值化卷积层，并学习经典的计算机视觉内核，如高斯和索贝尔内核，这些内核作为一个特征组被有效地计算，并且在形成输出通道时可以对它们的输出二次使用。
附图说明
图1为本发明实施例中隐蔽通信***框架图；
图2为本发明实施例中卷积核分离示意图；
图3为本发明实施例中CF构建块示意图；
图4为本发明实施例中ECO功能示例图；
图5为本发明实施例中突变的图形表示示意图；
图6为本发明实施例中交叉的图形表示示意图；
图7为本发明实施例中ECO功能都与分类器配对示意图；
图8为本发明实施例中遗传算法选择ECO特征集成学习示例图；
图9为本发明实施例中N-BCFC深度学习网络的硬件体系结构示意图；
图10为本发明实施例中多尺度特征流的矩阵元素转换工作原理示意图；
图11为本发明实施例中便携式隐蔽通信方法与现有方法的可靠性对比示意图；
图12至图15为本发明实施例中便携式隐蔽通信方法与现有方法的KL散度隐蔽性对比示意图；
图16至图19为本发明实施例中便携式隐蔽通信方法与现有方法的KS距离隐蔽性对比示意图。
具体实施方式
本实施例提供的一种便携式隐蔽通信方法，可应用于FPGA设备上，基于快速识别算法的无线隐蔽信道方法，能够以较低的误码率和较高的隐蔽性，实现便携式无线隐蔽通信，如图1所示，包含隐蔽通信发送方和隐蔽通信检测方，具体流程包括通信前准备方法、隐蔽通信发送方法、隐蔽通信接收方法以及隐蔽通信解码方法。
隐蔽通信发送方和隐蔽通信检测方需要做通信前准备工作，通信前准备方法包括以下步骤
A1、预先生成隐蔽信息码本，隐蔽信息码本采用BCH码本进行纠错编码；
A2、隐蔽通信发送方生成两组方差一致的高斯分布序列，分别为高斯矩阵A和高斯矩阵B，方差均设置为环境中高斯噪声的1.2～1.5倍，且高斯分布序列长度设置为784位；对高斯矩阵A和高斯矩阵B按序列进行重排，生成28*28位矩阵，重排后的高斯矩阵A和高斯矩阵B分别代表基带信号中的0信号和1信号；
A3、隐蔽通信发送方和隐蔽通信接收方提前共享高斯矩阵A和高斯矩阵B，作为先验知识，并约定好采用BCH纠错码对隐蔽信息进行编码，约定好高斯矩阵A映射为0，高斯矩阵B映射为1；将高斯矩阵A和高斯矩阵B按照码本重排，生成码本高斯矩阵映射序列；
A4、隐蔽通信接收方采集环境中的高斯噪声序列，以784位为一组，生成120000组噪声信号，将噪声信号分别叠加在高斯矩阵A和高斯矩阵B上，同时生成120000组含噪高斯矩阵A和120000组含噪高斯矩阵B，其中100000组含噪高斯矩阵A和100000组含噪高斯矩阵B作为训练集，其余20000组含噪高斯矩阵A和20000组含噪高斯矩阵B作为测试集；
A5、隐蔽通信接收方结合BCFC特征识别算法和BNN网络构建N-BCFC深度学习网络，选取其中的100000组含噪高斯矩阵A和100000组含噪高斯矩阵B作为训练集输入，对N-BCFC深度学习网络进行训练；另外20000组含噪高斯矩阵A和含噪高斯矩阵B作为测试集对训练好的N-BCFC深度学习网络进行测试，直至训练好的N-BCFC深度学习网络通过测试集的测试；
A6、将训练好的BNN网络迁移至FPGA设备，并采用流式架构(StreamingArchitectures)对***进行构建，因为流式架构更方便处理资源受限情况下的高吞吐量数据。
在通信前准备工作完成后，隐蔽通信方可以进行隐通信发送流程，隐蔽通信发送方法包括以下步骤
B1、生成隐蔽信息，并将隐蔽信息进行BCH编码；
B2、将BCH编码后的隐蔽信息进行高斯序列映射，生成映射高斯码本序列，经信号发生器生成隐蔽信号；
B3、对常规信息(即载体信息)进行QPSK调制，生成载体信号；
B4、将隐蔽信号叠加在载体信号上，生成含噪载密信号，再通过基站设备发送含噪载密信号。
隐蔽通信发送方发送载密信号，隐蔽通信接收方可以对隐蔽信息进行解码，其中隐蔽通信接收方法包括以下步骤
C1、便携SDR设备接收含噪载密信号，使用QPSK对其进行解调，得到载体信息；
C2、对载体信息进行二次调制，得到理想载体信号；
C3、对接收到的载密信号去除理想载体信号，得到含噪隐蔽信号；
C4、对含噪隐蔽信号进行傅里叶反变换，得到含噪隐蔽信号序列。
隐蔽通信解码方法包括以下步骤
D1、将含噪隐蔽信号序列由SDR设备传输至FPGA设备，每728位为一个码字，进行目标矩阵抓取，生成含噪隐蔽信号矩阵C；
D2、将抓取的含噪隐蔽信号矩阵C输入训练好的N-BCFC深度学习网络，识别得出隐蔽信号的决策结果，决策结果为0和1组成的码字序列；
D3、将决策结果，采用BCH译码降低误码率，之后得到隐蔽信息。
BCFC特征识别算法是可以分离成一系列非常小的核的卷积核，一般来说，可分离核是与一系列具有较小核的卷积执行相同操作的核，图2显示了一个3*3卷积核分为一系列卷积的例子，其中包含一个3*1核和一个1*3核。
BCFC算法将可分性发挥到了极致，它被分割成只有2个元素的最小有意义大小的内核，具体来说，所有CF(ComplexedsignalFeature)特征都可以用集合{[1,1]，[1,1]T，[1,-1]和[1,-1]T}，也如图3所示；我们将这些小内核称为CF构建块，其中两个核[1,1]和[1,1]T可以看作是模糊因子或缩放因子，我们将其称为比例因子；其他两个内核，[1,-1]和[1,-1]T，表示在x或y方向上的矩阵元素之间应用差异。
所有CF功能的四个基本核心，前两个核可以被认为是缩放或模糊因子，底部的两个在x或y方向执行导数，每个CF都只是一系列卷积，其中每个核都有任意数量的卷积，顺序无关紧要。
我们可以更正式地将CF特征定义为从复高斯信号中选择的矩阵变换，算法的所有特征都是从同一个多尺度局部特征流中选择的；多尺度局部特征流是函数尺度空间的一组偏导数，具体可以表示为
其中，A表示输入信号矩阵，
表示关于x的m次微分算子，关于y的n次微分算子；Gσ表示方差为σ的高斯算子；
多层面局部射流是m、n和σ的给定值范围的一组输出
其中，
表示由多个不同层面的多尺度局部特征流
叠加，所构成的一组多层面多尺度流，数学表示为多个矩阵
拼接而成的一个组合矩阵。
我们认识到，在大多数任务中，CNN能够实现比BNN更好的精度和准确度，但BNN网络更小，通常计算成本更低，可以用于FPGA设备，为了将BNN网络和BCFC算法相结合，基于ECO功能模块，我们提出一种N-BCFC网络。
ECO功能是对输入矩阵执行的一系列背靠背映射变换，要素中的每个变换都可以有多个参数来更改变换的效果，算法从用户选择的预定变换池开始。
图4显示了一个假设的ECO功能示例，由三个变换组成的假设ECO功能的示例，顶部框表示每个变换的类型，下面的框显示了每个变换的关联参数，每个变换的变换数、变换类型和参数都是随机初始化的，然后通过遗传算法进行进化，具体可用模块池，如表1所示：
表1模块池列表
遗传算法最初通过选择一系列随机变换并随机设置每个参数来形成ECO特征，每个变换的参数都通过遗传算法中的变异过程进行修改，当一对ECO特征通过遗传交叉连接在一起时，变换的新顺序也被创建，其中一个序列的第一部分与另一个序列中的后一部分拼接在一起，突变的图形表示如图5所示，交叉的图形表示如图6所示。
图7给出了一个示例，每个ECO功能都与分类器配对，最初，单个感知器被用作每个ECO特征的分类器，由于感知器只能进行二进制分类，因此我们试图扩展算法的功能以执行多类分类，在这项工作中，我们将感知器替换为随机森林分类器，输入通过ECO特征转换馈送，输出馈送至分类器，然后使用一组保留矩阵来评估每个ECO功能的准确性。
在遗传算法中执行遗传选择时，此精度用作适应度分数，当弱ECO特征消亡时，具有高适应度分数的ECO特征将传播到未来几轮进化中，遗传算法将继续，直到单个ECO特征在一定数量的连续世代中表现优于所有其他特征，选择并保存此ECO功能，同时放弃所有其他功能，此过程重复N次，其中N是所需ECO功能的数量。
如图8所示，当遗传算法选择ECO特征时，它们通过一种增强算法组合成一个集合，我们使用SAMME变体进行多类分类；
在创建每个ECO功能后，boosting算法调整数据集的权重，以重视较难的示例，这导致ECO功能针对数据集的某些方面进行了定制，一旦构建了所需数量的ECO功能，它们就会组合成一个整体，这个集成通过将信号矩阵传递给所有ECO信号特征学习者来预测新输入信号矩阵的类别，让每个分类器投票决定应该预测哪个类别。
如图9所示，N-BCFC网络的硬件体系结构由两个主要部分组成，一个特征分类功能单元和特征决策单元，特征决策单元包括N组随机森林组件，一个简单的特征映射器将两者连接起来，输入信号矩阵数据(即含噪CodeMatrix)作为一系列矩阵元素，一次一个矩阵元素，输入到特征分类功能单元。
当数据通过特征分类功能单元，特征分类功能单元计算输入信号矩阵上给定多尺度流的每个特征，只有与特定加载模型相关的特征，会被映射到特征决策单元，由N组随机森林组件进行特征决策；其中，特征分类功能单元包含模型中每个特征对应的随机森林，特征分类功能单元输出的特征量，由特征映射器映射到对应的随机森林进行处理，随机森林各自投票决定最后的预测，最后输出至集成决策模块进行最终判定，输出推测结果。
如图10所示，多尺度特征流的矩阵元素转换工作原理：特征分类单元计算给定多尺度矩阵元素流的每个特征，输入信号矩阵按照主要顺序逐个输入单元，当信号矩阵通过管道通过单元时，它会产生多个矩阵元素流，每个特征对应一个矩阵元素流。
多尺度特征变换中的所有卷积都需要两个矩阵元素的加法或减法，这是通过将矩阵元素送入缓冲区来实现的，在缓冲区末端的矩阵元素中添加或减去传入矩阵元素，如图10所示。
由于信号矩阵传感器按行主顺序传输矩阵元素，因此x方向(沿行)的卷积只需要缓冲单个矩阵元素，然而，y方向的卷积要求矩阵元素缓冲区为输入信号矩阵的宽度，矩阵元素必须等到读入整行矩阵元素后，才能将相邻矩阵元素送入***；通过x和y方向上的卷积单元，连接一组卷积单元以生成给定多尺度局部射流的每个射流特征。通过限制多尺度局部射流，可以减少可能的射流特征。
算法的FPGA迁移：在执行计算时，FPGA是BNN的自然平台，BNN在执行点积时利用了按位运算，虽然CPU和GPU能够执行这些操作，但它们针对一系列任务进行了优化，尤其是整数和浮点操作。
FPGA允许自定义数据路径，允许围绕XNOR和popcount操作优化的硬件架构，与CPU相比，FPGA通常是低功耗平台，尤其是和GPU对比，FPGA的平台通常比GPU小。
FPGA DNN架构通常属于流式架构和层加速器这两类之一，流式架构(Streaming)为网络中的所有或大部分层提供专用硬件，这些类型的架构可以流水线化，架构中的每个阶段都可以处理不同的输入样本，这通常提供更高的吞吐量、合理的延迟，并且需要更少的内存带宽；它们确实需要更多资源，因为网络的所有层都需要专用硬件，这些类型的架构特别适合视频处理，而图像和视频，本质上是连续大规模的矩阵。
层加速器提供的模块只能处理网络的特定层，这些模块需要能够处理可能需要的每种类型、大小和通道宽度的输入；结果存储在内存中，以反馈到将要处理的下一层的加速器中，这些类型的架构不需要像流式架构那样多的资源，但吞吐量要低得多，这些类型的架构非常适合不需要高吞吐量的受限资源设计。
FPGA通常包括内置于逻辑结构中的数字信号处理器(DSP)和块存储器(BARM)，DSP在FPGA上的全精度DNN实现中至关重要，可用于计算多位点积，然而，在BNN中点积是按位运算，而DPS并没有被过多使用。
如图11所示，为便携式隐蔽通信方法的误码率、脏星座法误码率以及星座图调制法误码率的对比图，可以看出，便携式隐蔽通信方法相较于星座图调制类方法可靠性有了显著提高，误码率降低十分明显，虽然可靠性相较于脏星座法略有不足，但是脏星座法的隐蔽性较差，而本方法相较于脏星座法，隐蔽性显著提高。
如图12至图15所示，是对正常通信下的残差信号和隐蔽通信下的残差信号进行的KL散度对比，KL散度的公式如下所示：
其中，P1和P0分别表示参考信号和检测信号对应的不同值；P0(x)和P1(x)分别是对应的概率分布函数。
如图12至图15所示，分别针对参考信号和接收信号的I轴的值(图12)、Q轴的值(图13)、幅值(图14)以及相位(图15)的KL散度进行检测；KL散度越小，隐蔽性越好，如图12可见，基于本发明方法隐蔽通信的隐蔽性，显著高于脏星座隐蔽通信方法，相较于星座调制法隐蔽通信，在大多数指标上隐蔽性都显著提高。
如图16至图19所示，是对正常通信下的残差信号和隐蔽通信下的残差信号进行的KS距离对比，KS距离的公式如下所示：
DKS＝max|F1(x)-F0(x)|
DKS＝max|F1(x)-F0(x)|
其中，F1和F0分别表示参考信号和检测信号对应的累积分布函数。
同样的，分别针对参考信号和接收信号的I轴的值、Q轴的值、幅值以及相位的KS距离进行检测；KS距离越小，隐蔽性越好。
如图16至图19可见，基于本发明方法隐蔽通信的隐蔽性，显著高于脏星座隐蔽通信方法。相较于星座调制法隐蔽通信，在大多数指标上隐蔽性都显著提高。
综合图11至图19，我们可以知道，本发明所提出隐蔽通信方法的可靠性和隐蔽性，要优于一般的脏星座隐蔽通信的和星座调制法隐蔽通信，尤其是对比脏星座方法隐蔽性提高明显，对比星座图调制方法，可靠性和隐蔽性都有所提高。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (10)
1.一种便携式隐蔽通信方法，其特征在于：包括通信前准备方法、隐蔽通信发送方法、隐蔽通信接收方法以及隐蔽通信解码方法，通信前准备方法包括以下步骤
A1、预先生成隐蔽信息码本；
A2、隐蔽通信发送方生成两组方差一致的高斯分布序列，分别为高斯矩阵A和高斯矩阵B；对高斯矩阵A和高斯矩阵B按序列进行重排，重排后的高斯矩阵A和高斯矩阵B分别代表基带信号中的0信号和1信号；
A3、将高斯矩阵A和高斯矩阵B分享给隐蔽通信接收方，约定好高斯矩阵A映射为0，高斯矩阵B映射为1；将高斯矩阵A和高斯矩阵B按照码本重排，生成码本高斯矩阵映射序列；
A4、隐蔽通信接收方采集环境中的高斯噪声序列，生成若干组噪声信号，将噪声信号分别叠加在高斯矩阵A和高斯矩阵B上，生成含噪高斯矩阵A和含噪高斯矩阵B；
A5、隐蔽通信接收方结合BCFC特征识别算法和BNN网络构建N-BCFC深度学习网络，选取部分含噪高斯矩阵A和含噪高斯矩阵B作为训练集输入，对N-BCFC深度学习网络进行训练；其余含噪高斯矩阵A和含噪高斯矩阵B作为测试集对训练好的N-BCFC深度学习网络进行测试，直至训练好的N-BCFC深度学习网络通过测试集的测试；
A6、将训练好的BNN网络迁移至FPGA设备，并采用流式架构对***进行构建；
隐蔽通信发送方法包括以下步骤
B1、生成隐蔽信息，并将隐蔽信息按照约定码本进行编码；
B2、将编码后的隐蔽信息进行高斯序列映射，生成映射高斯码本序列，经信号发生器生成隐蔽信号；
B3、对载体信息进行QPSK调制，生成载体信号；
B4、将隐蔽信号叠加在载体信号上，生成含噪载密信号，再通过基站设备发送含噪载密信号；
隐蔽通信接收方法包括以下步骤
C1、便携SDR设备接收含噪载密信号，使用QPSK对其进行解调，得到载体信息；
C2、对载体信息进行二次调制，得到理想载体信号；
C3、对接收到的载密信号去除理想载体信号，得到含噪隐蔽信号；
C4、对含噪隐蔽信号进行傅里叶反变换，得到含噪隐蔽信号序列；
隐蔽通信解码方法包括以下步骤
D1、将含噪隐蔽信号序列由SDR设备传输至FPGA设备，进行目标矩阵抓取，生成含噪隐蔽信号矩阵C；
D2、将抓取的噪隐蔽信号矩阵C输入训练好的N-BCFC深度学习网络，识别得出隐蔽信号的决策结果，决策结果为0和1组成的码字序列；
D3、使用纠错译码对决策结果进行纠错，最后得到隐蔽信息。
2.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤A1中，隐蔽信息码本采用BCH码本进行纠错编码。
3.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤A2中，两组方差一致的高斯分布序列长度设置为784位；将高斯矩阵A和高斯矩阵B按序列进行重排，生成28*28位矩阵。
4.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤A4中，以784位为一组，生成120000组噪声信号，同时生成120000组含噪高斯矩阵A和120000组含噪高斯矩阵B，其中100000组含噪高斯矩阵A和100000组含噪高斯矩阵B作为训练集，其余20000组含噪高斯矩阵A和20000组含噪高斯矩阵B作为测试集。
5.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤D1中，每728位为一个码字，进行目标矩阵抓取。
6.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤A5中，N-BCFC深度学习网络包括特征分类功能单元、特征决策单元以及集成决策模块，特征分类功能单元和特征决策单元之间通过特征映射器进行连接，特征决策单元包括N组随机森林组件，输入信号矩阵数据作为一系列矩阵元素，一次一个矩阵元素输入到特征分类功能单元；
当输入信号矩阵数据通过特征分类功能单元，特征分类功能单元计算输入信号矩阵上给定多尺度流的每个特征；只有与特定加载模型相关的特征会被映射到特征决策单元，由特征决策单元中的N组随机森林组件进行特征决策；
特征分类功能单元包含模型中每个特征对应的随机森林，特征分类功能单元输出的特征量，由特征映射器映射到对应的随机森林进行处理；
随机森林各自投票决定最后的预测，最后输出至集成决策模块进行最终判定，输出推测结果。
7.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤A5中，BCFC特征识别算法包含若干CF构建块，CF构建块可以为[1,1]，[1,1]T，[1,-1]以及[1,-1]T中的任意一个，CF特征都可以用集合{[1,1]，[1,1]T，[1,-1]和[1,-1]T}；
将CF特征定义为从复高斯信号中选择的矩阵变换，算法的所有特征都是从同一个多尺度局部特征流中选择的，多尺度局部特征流是函数尺度空间的一组偏导数，具体表示为
其中，A表示输入信号矩阵，
表示关于x的m次微分算子，关于y的n次微分算子；Gσ表示方差为σ的高斯算子；
多层面局部射流是m、n和σ的给定值范围的一组输出
其中，
表示由多个不同层面的多尺度局部特征流
叠加，所构成的一组多层面多尺度流，数学表示为多个矩阵
拼接而成的一个组合矩阵。
8.根据权利要求1所述的一种便携式隐蔽通信方法，其特征在于：所述步骤A5中，基于ECO功能模块，结合BCFC特征识别算法和BNN网络构建N-BCFC深度学习网络，ECO功能是对输入矩阵执行的一系列背靠背映射变换；
当遗传算法选择ECO特征时，它们通过一种增强算法组合成一个集合；使用SAMME变体进行多类分类；
在创建每个ECO功能后，boosting算法调整数据集的权重，以重视较难的示例，通过ECO功能针对数据集进行定制，当构建的ECO功能达到所需数量，所有ECO功能集成为一个整体，该集成通过将信号矩阵传递给所有ECO信号特征学习者来预测新输入信号矩阵的类别，让每个分类器投票决定应该预测哪个类别。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597891.4A CN115941112B (zh) | 2022-12-12 | 2022-12-12 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597891.4A CN115941112B (zh) | 2022-12-12 | 2022-12-12 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115941112A true CN115941112A (zh) | 2023-04-07 |
| CN115941112B CN115941112B (zh) | 2023-09-12 |
Family
ID=86697397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211597891.4A Active CN115941112B (zh) | 2022-12-12 | 2022-12-12 | 一种便携式隐蔽通信方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115941112B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116456391A (zh) * | 2023-06-16 | 2023-07-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种上行非正交多址接入隐蔽无线通信方法及*** |
| CN117978286A (zh) * | 2024-04-01 | 2024-05-03 | 南京信息工程大学 | 一种融合高精度调光的预处理ablo-ofdm方法、装置、介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160119073A1 (en) * | 2014-10-22 | 2016-04-28 | Huawei Technologies Co., Ltd. | System and Method for Low Peak to Average Power Ratio Multiple Access Communications |
| CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码***及译码方法 |
| CN110233810A (zh) * | 2019-06-25 | 2019-09-13 | 电子科技大学 | 一种混合噪声下基于深度学习的msk信号解调方法 |
| US20210019864A1 (en) * | 2019-07-17 | 2021-01-21 | Harris Geospatial Solutions, Inc. | Image processing system including training model based upon iterative blurring of geospatial images and related methods |
| CN114124186A (zh) * | 2022-01-27 | 2022-03-01 | 南京信息工程大学 | 一种多天线无线隐蔽通信协同优化方法 |
| CN115186758A (zh) * | 2022-07-12 | 2022-10-14 | 集美大学 | 基于复数卷积神经网络的逆变器故障诊断方法 |
| CN115208736A (zh) * | 2022-05-16 | 2022-10-18 | 东南大学 | 适用于混合自动重传请求***的高阶调制星座设计方法 |
-
2022
- 2022-12-12 CN CN202211597891.4A patent/CN115941112B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160119073A1 (en) * | 2014-10-22 | 2016-04-28 | Huawei Technologies Co., Ltd. | System and Method for Low Peak to Average Power Ratio Multiple Access Communications |
| CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码***及译码方法 |
| CN110233810A (zh) * | 2019-06-25 | 2019-09-13 | 电子科技大学 | 一种混合噪声下基于深度学习的msk信号解调方法 |
| US20210019864A1 (en) * | 2019-07-17 | 2021-01-21 | Harris Geospatial Solutions, Inc. | Image processing system including training model based upon iterative blurring of geospatial images and related methods |
| CN114124186A (zh) * | 2022-01-27 | 2022-03-01 | 南京信息工程大学 | 一种多天线无线隐蔽通信协同优化方法 |
| CN115208736A (zh) * | 2022-05-16 | 2022-10-18 | 东南大学 | 适用于混合自动重传请求***的高阶调制星座设计方法 |
| CN115186758A (zh) * | 2022-07-12 | 2022-10-14 | 集美大学 | 基于复数卷积神经网络的逆变器故障诊断方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116456391A (zh) * | 2023-06-16 | 2023-07-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种上行非正交多址接入隐蔽无线通信方法及*** |
| CN116456391B (zh) * | 2023-06-16 | 2023-09-05 | 中国人民解放军军事科学院国防科技创新研究院 | 一种上行非正交多址接入隐蔽无线通信方法及*** |
| CN117978286A (zh) * | 2024-04-01 | 2024-05-03 | 南京信息工程大学 | 一种融合高精度调光的预处理ablo-ofdm方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115941112B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | A novel image steganography method via deep convolutional generative adversarial networks | |
| JP6682595B2 (ja) | イメージセグメンテーションのための学習方法及び学習装置、そしてこれを利用したイメージセグメンテーション方法及びイメージセグメンテーション装置 | |
| CN115941112B (zh) | 一种便携式隐蔽通信方法、计算机设备及存储介质 | |
| Chen et al. | Median filtering forensics based on convolutional neural networks | |
| CN113592718A (zh) | 基于多尺度残差网络的矿井图像超分辨率重建方法及*** | |
| CN107111782B (zh) | 神经网络结构及其方法 | |
| WO2019238522A1 (en) | Characterizing activity in a recurrent artificial neural network and encoding and decoding information | |
| CN110490265B (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
| CN113628294A (zh) | 一种面向跨模态通信***的图像重建方法及装置 | |
| Singh et al. | Steganalysis of digital images using deep fractal network | |
| Das et al. | Multi-image steganography using deep neural networks | |
| Liu et al. | RB-Net: Training highly accurate and efficient binary neural networks with reshaped point-wise convolution and balanced activation | |
| CN112115490A (zh) | 一种基于gan的载体图像合成隐写方法 | |
| Wang et al. | Data hiding in neural networks for multiple receivers [research frontier] | |
| Jang et al. | Lip reading using committee networks with two different types of concatenated frame images | |
| Hamamoto et al. | Image watermarking technique using embedder and extractor neural networks | |
| CN113706380B (zh) | 基于弱监督生成对抗网络提高地震资料分辨率方法及*** | |
| CN112560034B (zh) | 基于反馈式深度对抗网络的恶意代码样本合成方法及装置 | |
| CN111091102B (zh) | 一种视频分析装置、服务器、***及保护身份隐私的方法 | |
| Li et al. | Robust image steganography against general downsampling operations with lossless secret recovery | |
| CN114296134B (zh) | 一种深度卷积网络地震资料解混方法及*** | |
| US20220044125A1 (en) | Training in neural networks | |
| CN114842242A (zh) | 一种基于生成模型的鲁棒对抗样本生成方法 | |
| Lee et al. | MPQ-YOLACT: Mixed-Precision Quantization for Lightweight YOLACT | |
| Luo et al. | Content-adaptive adversarial embedding for image steganography using deep reinforcement learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |