基于MDT-Net的物聯網安全性能智能預測

曹書博,高志賀,李玉芳,周新鵬,徐凌偉,2

(1.青島科技大學 信息科學技術學院,山東 青島 266061;2.數字化學習技術集成與應用教育部工程研究中心, 北京 100039)

1 引言

隨著大數據、互聯網+、區塊鏈等前沿技術的充分整合和運用,物聯網(Internet of Things,IoT)越來越呈現出強大的影響力和生命力[1-3]。然而,由于物聯網本身具有的開放性和多樣性,如醫療和軍事等信息安全傳輸過程中容易收到潛在的竊聽風險,可能嚴重的信息安全問題。因此,越來越多的研究焦點聚集到物聯網數據的安全可靠傳輸[4-6]。文獻[4]提出了一種用于IoT的區塊鏈輔助隱私感知認證方案,以提供數據安全和隱私保護。在文獻[5]中,提出了一種考慮屬性加密的物聯網隱私數據跨域安全共享模型,以解決數據共享時存在的安全隱患。文獻[6]提出了集成多種安全技術的IoT安全框架。結果表明,這種方法可以有效地減小對物聯網的威脅。

IoT環境的復雜性使得可靠的移動通信更加具有挑戰性。例如,移動通信系統中的動態天線由于諸如衰落和散射的影響而導致信號退化。雙瑞利和Nakagami-m信道衰落被廣泛用于物理層安全性的研究[7,8],但它們僅適用于單散射環境[9]。文獻[10]表明N-Nakagami信道模型能更好地表征多散射環境下的移動通信。因此, N-Nakagami信道模型得到了廣泛應用。

為了保證安全可靠的通信,需要實時準確地預測安全性能。因此,移動IoT通信環境需要快速準確地監測和分析。機器學習,特別是深度學習廣泛應用于IoT[11-14]。文獻[12]提出了一種基于深度信念神經網絡的IoT威脅檢測方案。文獻[13]提出了一種基于深度學習的隱私保護與數據分析系統,可以防止存儲在云服務器上的數據被泄露和竊取。

IoT移動通信環境的復雜性使得深度學習算法難以用于安全性能分析和預測。目前,基于物理層安全的通信安全性能預測算法研究尚處于起步階段,特別是對于復雜多變的物聯網通信場景,如何實現實時精確的物聯網安全性能預測這一問題仍然沒有得到較好的解決。為此,本文提出了一種改進神經網絡智能算法作為一種新的解決方案,以實現對物聯網系統的SOP性能進行實時高效預測。本文研究提出(1) 建立了基于譯碼轉發協作的移動安全通信系統模型,分析了該模型的安全中斷概率(Secrecy Outage Probability,SOP)性能,并推導了其閉合表達式。(2) 根據IoT通信數據的特點和要求,設計了融合MobileNet網絡中深度可分離卷積模塊,空洞卷積(Depthwise separable convolution)和Transformer的MDT-Net模型。模型有兩個分支,第一個分支通過多個空洞卷積模塊來減少參數的數量,而第二個分支使用深度可分離的卷積塊來代替標準卷積。利用分支間的特征融合,提高了模型的精度,減少了模型參數的數量,從而減少了計算量。最后通過Transformer使用自注意力機制捕獲輸入序列的特征。MDT-Net模型可用于從物聯網通信數據中提取重要特征。(3) 提出了一種基于MDT-Net的智能SOP預測算法,實現了IoT通信安全性能的實時準確預測。將所提方法與MobileNet、Elman和小波神經網絡(wavelet neural network, WNN)算法進行了性能比較。實驗證明,本文提出的MDT-Net算法能獲得更好的安全性能預測,均方誤差降低了98.9%。

本文組織如下:第2節介紹了IoT通信系統模型。第3節分析了該模型的安全性,給出了閉式SOP表達式,第4節提出智能MDT-Net預測算法,第5節進行了性能分析,第6節給出了結論性評論。

2 IoT安全通信系統模型

如圖1所示IoT安全通信系統模型,移動源(MS)在中繼(MR)的支持下與目的端(MD)進行通信,同時存在一個竊聽端(ME)。GSR,GRD,GRE分別為鏈路MS→MR, MR→MD和MR→ME的位置增益。信道衰落系數h{SR, RD,RE}服從2-Nakagami分布[15],MS有Nt天線。

圖1 IoT安全通信系統模型

在第一個通信階段,MSi傳輸信號x,MR接收到的相應信號為

(1)

式中K和E分別表示功率分配系數和系統的發射功率,nSRi是均值和方差分別為0和1高斯噪聲。

在第二階段,在中繼處采用DF譯碼轉發該信號。在該策略中,如果中繼MR能夠恢復傳輸數據,它將會被重傳到目的端MD。否則,MD不會接收任何數據。因此在MD和ME的接收信號為

(2)

(3)

式中nRDi和nREi是均值和期望分別為0和1高斯噪聲。當數據在中繼MR處被恢復時,α=1, 否則α=0。

MS和MR之間的互信息表達為

(4)

式中γSRi是MSi到MR鏈路的信噪比?？紤]存在閾值R0,如果ISRi>R0,MR可以恢復傳輸數據,否則在MR處會發生中斷。

3 SOP分析

系統的信噪比為γki,k∈{D,E},系統安全容量閾值為rth。經過分析,γki的概率密度函數和累積分布函數可以表示為

(5)

(6)

式中

(7)

(8)

(9)

瞬時安全容量表示為[16]

Ci(γD,γE)=max{ln(1+γDi)-ln(1+γEi),0}。

(10)

安全中斷概率(SOP)是評價通信系統安全性的常用方法。采用發射天線選擇技術,安全中斷概率為

(11)

β=exp(γth)。

(12)

4 基于MDT-Net的SOP智能預測算法

本節提出一種基于MDT-Net的SOP智能預測算法,該算法有以下4個步驟(1) 從收集到的數據中提取特征,創建通信數據集。將數據集劃分為訓練集和測試集;(2) 使用訓練集訓練網絡模型;(3) 調整網絡參數,得到最優網絡模型;(4) 對優化模型進行測試,得到SOP預測結果。

4.1 數據集

Xn=(xn1,xn2,…,xn6)。

(13)

4.2 MDT-Net 網絡結構

4.2.1 數據預處理。數據集中是二維條狀數據,但輸入數據最好是三維圖像數據。因此,在數據預處理中,1×6數據被重新塑造為1×12×12。卷積已經被證明更適合于圖像數據而不是條狀數據。此外,圖像維數據具有更多的特征信息,相關性通常更高,這有利于提取更多有效的特征。因此,對數據進行轉換,如圖2所示。

圖2 數據預處理過程

4.2.2 網絡結構。所提出的輕量級MDT-Net結構如圖3所示。MDT-Net采用了三種網絡結構構成了雙分支網絡。第一個是深度可分離卷積模塊,第二個是空洞卷積模塊,第三個是Transformer模塊。深度可分離卷積分為深度卷積和點卷積,可以實現信道間的特征融合,增加或減少信道方向維數。文獻結果表明,深度可分離卷積具有與標準卷積相似的性能,但計算復雜度較低?？斩淳矸e模塊主要用來解決普通小卷積核卷積-池化-上采樣中的信息丟失問題,可以在增加感受野的同時保持特征圖的尺寸不變,從而代替下采樣和上采樣操作。Transformer模塊分為編碼器和解碼器,通過自注意力機制捕獲輸入序列的特征,相較于傳統的循環神經網絡模型具有更強大的模型表達能力和更高效的并行計算能力。

在MDT-Net結構的第一分支中,輸入數據首先經過三層深度可分離的卷積塊,然后通過批量歸一化層并使用ReLU激活函數進行激活得到400×64×2×2矩陣,深度可分離模塊如圖4所示。

圖4 MDT-Net網絡結構第一分支模型

在MDT-Net結構的第二個分支中,輸入數據通過三層空洞卷積模塊,空洞率分別是1,2,2。然后通過批量歸一化層并使用ReLU激活函數進行激活得到400×64×2×2矩陣,空洞卷積模塊如圖5所示。

通過特征融合連接兩個分支的輸出,以獲得400×64×4×4矩陣。這些結果通過Reshape后得到1×400×512的矩陣并輸入到Transformer模塊中,Transformer的編碼維度設為512,head設為2。將輸出降維后通過批量歸一化層并使用ReLU激活函數進行激活得到400×512矩陣。將該矩陣輸入到全連接層平化為400×1的一維矩陣,返回最終結果。

4.2.3 性能評價指標。在本文中,采用的性能指標是均方誤差(MSE),決定系數(R2) ,絕對誤差(MAE)和執行時間。MSE和R2為

(14)

(15)

圖6 基于MDT-Net的智能預測算法

5 SOP性能結果

本節對SOP進行分析,將MDT-Net算法與WNN[17]、MobileNet[18]、GR[19]、ELM[20]和LeNet[21]方法進行了比較。訓練參數如表1所示,其中x和y分別為輸入和輸出的數量,lr和τ分別為訓練的學習率和擴散系數。

表1 六種算法訓練參數

如圖7-12所示為MDT-Net、WNN、MobileNet 、GR、ELM和LeNet算法的預測結果。這些結果表明,所提出的MDT-Net算法相比于其他算法可以提供了更好的SOP預測性能。

圖7 MDT-Net預測

圖8 WNN預測

圖9 MobileNet預測

圖10 GR預測

圖11 ELM預測

圖12 LeNet預測

圖13-16給出了六種算法的均方誤差MSE、決定系數R2、測試時間和絕對誤差。從圖13可以看出,本文采用的MDT-Net算法的MSE為0.000 17,遠低于其他算法。例如,該算法在MSE上比LeNet提高了98.9%。由圖14可知,MDT-Net算法的決定系數為0.998,優于其他方法。同時,根據圖15, MDT-Net網絡具有較短的測試時間。由圖16可知,所提出的MDT-Net網絡也具有較低的MAE。因此,本文提出的MDT-Net算法具有最佳的綜合性能。

圖13 六種算法均方誤差

圖14 六種算法決定系數

圖15 六種算法測試時間

圖16 六種算法絕對誤差

6 總結

本文對物聯網通信的安全性能分析和預測進行了研究。分析了SOP性能,并構建了深度學習的數據集,然后提出了一種基于MDT-Net的安全性能預測算法,用于實時分析物聯網通信安全性能。仿真結果表明,該算法比WNN、MobileNet、GR、ELM、LeNet等方法具有更好的SOP預測效果。