一种基于双极大值的射频指纹特征提取和识别方法

    公开(公告)号:CN109587136B

    公开(公告)日:2020-06-19

    申请号:CN201811477070.0

    申请日:2018-12-05

    IPC分类号: H04L29/06 G06K9/00

    摘要: 本发明公开了一种基于双极大值的射频指纹特征提取和识别方法,包括以下步骤:S1.接收端分别接收来自多个射频发射器的信号,并进行样本采集,得到样本集D;S2.从样本集D中选取样本数据,提取该样本数据中的极大值,将选取出来的极大值组成样本特征;S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理,得到双极大值特征集;S4.基于机器类学习算法,在双极大值数据集的基础上训练分类器,对未知身份的射频收发器进行识别。本发明利用双极大值提取的方式,有效减少了提取得到的特征维数,进而降低计算复杂度,同时提高了特征的类别可分性能。

    基于边缘计算和信道相关性的数据传输认证方法及系统

    公开(公告)号:CN110519291A

    公开(公告)日:2019-11-29

    申请号:CN201910832490.4

    申请日:2019-09-04

    IPC分类号: H04L29/06 H04W12/06

    摘要: 本发明公开了一种基于边缘计算和信道相关性的数据传输认证方法及系统,包括以下步骤:S1.初始认证:终端节点与边缘计算服务器进行数据传输时,边缘计算服务器对初始数据包进行上层认证,并提取相应的信道信息作为数据包认证的参考信道信息,同时确定相关系数门限阈值;S2.计算信道信息的信道相关性:边缘计算服务器收到新的连续数据帧时,提取当前数据帧的信道信息并计算与前一帧数据包对应信道信息的信道相关系数;S3.判断连续数据帧的合法性:通过二元假设检验连续数据帧的合法性。本发明基于信道相关性对数据帧进行认证识别,具有计算复杂度低,数据认证准确率高的优势。

    基于边缘计算和比例因子的数据传输安全认证方法及系统

    公开(公告)号:CN110493255A

    公开(公告)日:2019-11-22

    申请号:CN201910831973.2

    申请日:2019-09-04

    IPC分类号: H04L29/06 H04W12/06 H04K1/00

    摘要: 本发明公开了一种基于边缘计算和比例因子的数据传输安全认证方法及系统,所述方法包括以下步骤:S1.物理层信道建模:终端节点与边缘计算服务器进行数据传输时,边缘计算服务器对初始数据包进行上层认证,并提取相应的信道信息作为数据包认证的物理层建模参考信道信息,同时确定物理层认证模型的门限阈值;S2.计算信道信息的相位差异:边缘计算服务器收到新的连续数据帧时,提取当前数据帧的信道信息并计算与前一帧合法数据包对应信道信息的相位差异;S3.判断连续数据帧的合法性:通过二元假设检验连续数据帧的合法性。本发明提供了一种基于边缘计算和比例因子的数据传输安全认证方法及系统,具有适用场景广,计算复杂度低,数据认证准确率高的优势。

    一种基于机器学习的边缘计算克隆节点识别方法

    公开(公告)号:CN108932535B

    公开(公告)日:2019-07-02

    申请号:CN201810774781.8

    申请日:2018-07-13

    IPC分类号: G06K9/62 G06N3/08

    摘要: 本发明公开了一种基于机器学习的边缘计算克隆节点识别方法,包括以下步骤:S1.合法节点与边缘计算节点进行上层认证;S2.提取合法节点i和未知节点j的身份声明信息;S3.比较i,j节点的ID是否一致,若一致则进入步骤S4.若不一致,返回步骤S2;S4.提取i,j节点的信道信息,利用检验统计量计算相关程度,并判断是否是克隆节点,若是,进入步骤S5,若否,返回步骤S2;S5.生成数据集T;S6.采用机器学习算法中的分类算法,根据二分类的数据集进行训练,直到生成满足识别率达标的模型;S7.边缘计算节点利用达到要求的模型对新未知节点u,识别节点身份。本发明提供了一种基于机器学习的边缘计算克隆节点识别方法,适用于边缘计算场景,具有识别率高的优势。

    一种基于机器学习的边缘计算克隆节点识别方法

    公开(公告)号:CN108932535A

    公开(公告)日:2018-12-04

    申请号:CN201810774781.8

    申请日:2018-07-13

    IPC分类号: G06K9/62 G06N3/08

    摘要: 本发明公开了一种基于机器学习的边缘计算克隆节点识别方法,包括以下步骤:S1.合法节点与边缘计算节点进行上层认证;S2.提取合法节点i和未知节点j的身份声明信息;S3.比较i,j节点的ID是否一致,若一致则进入步骤S4.若不一致,返回步骤S2;S4.提取i,j节点的信道信息,利用检验统计量计算相关程度,并判断是否是克隆节点,若是,进入步骤S5,若否,返回步骤S2;S5.生成数据集T;S6.采用机器学习算法中的分类算法,根据二分类的数据集进行训练,直到生成满足识别率达标的模型;S7.边缘计算节点利用达到要求的模型对新未知节点u,识别节点身份。本发明提供了一种基于机器学习的边缘计算克隆节点识别方法,适用于边缘计算场景,具有识别率高的优势。