论文部分内容阅读
为了满足人们对移动通信系统速度、可靠性和未来业务环境的需求,第五代(5G)移动通信网络应运而生。其中大规模多输入多输出天线系统(Massive Multiple Input Multiple Output,Massive MIMO)比传统的单天线系统的系统容量大,被认为是5G的基础及关键技术之一。Massive MIMO的应用使系统的物理层信息资源更加丰富,同时使系统模型发生了彻底的改变,为开展基于物理层信息的安全技术研究提供了广阔的研究空间。但传统的物理层鉴权方案一方面没有考虑Massive MIMO系统中信道模型的变化,因此使物理层信息没有得到充分利用;另一方面计算的复杂度较高。所以如何利用Massive MIMO系统带来的丰富的物理层信息进行用户身份鉴权,并避免复杂的计算成了一个亟待解决的问题。针对如何有效地利用Massive MIMO物理层信息进行身份认证的问题,具体研究内容如下:(1)研究了Massive MIMO系统和机器学习算法的相关内容。关于Massive MIMO模型,研究了基于几何的随机模型(geometry-based stochastic models,GBSMs)中三种常见的系统模型以及四种天线阵列形式,分析了不同模型的适用场景。关于机器学习算法,深入研究了适用于本方案的支持向量机(Support Vector Machine,SVM)算法的原理及实现,总结了不同核函数的特点及适用范围。这些内容为进一步的研究奠定了基础。(2)本文先利用假设检验方法表示身份认证的具体问题,创新地将机器学习引入物理层鉴权中,提出了一种Massive MIMO场景下的物理层鉴权算法。该算法利用基于几何的随机模型中的相关信道模型和互耦信道模型,结合不同的天线阵列形式,对系统模型中信号到达时间、到达角和大尺度衰落因子三个特征值进行提取并组合为信道特征向量。随后建立了基于支持向量机的Massive MIMO系统鉴权模型,并搭建了仿真平台。在不同参数配置下的仿真结果表明,所提出的鉴权算法能够在Massive MIMO系统的物理层鉴权中获得良好的鉴权性能。(3)针对传统SVM算法需要离散取值寻优的问题,同时为了进一步提高SVM在特征向量维数较低时的分类准确率,提出了一种改进的基于禁忌搜索的SVM方法。不同于传统SVM的求解二次规划方程,这里直接对需要求解的最优超平面进行性构造,推导得到无约束前提下的最优超平面公式,借助禁忌搜索启发式算法来获取全局最优的超平面。不同信噪比下的仿真结果表明,改进后的基于禁忌搜索的SVM物理层鉴权算法相比其他核函数下的SVM鉴权算法能够获得更高的分类准确率。