一种基于边缘计算的隐蔽潜信道识别方法专利检索-梅尔频率倒谱信号处理专利检索查询-专利查询网

一种基于边缘计算的隐蔽潜信道识别方法

阅读：599发布：2020-05-11

专利汇可以提供一种基于边缘计算的隐蔽潜信道识别方法专利检索，专利查询，专利分析的服务。并且本发明公布了一种基于边缘计算的隐蔽潜信道识别方法，通过梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCCs)特征的提取，并采用机器学习方法对正常通信系统和潜信道隐蔽通信的系数进行学习，训练隐蔽潜信道识别装置，将特定系统的新的梅尔频率倒谱系数输入系统，实现对潜信道隐蔽通信的识别；在边缘计算平台下进行终端等梅尔频率倒谱系数采集、系统训练和学习，然后对终端通信进行是否存在潜信道隐蔽通信的识别，对终端而言，该方法具有计算复杂度低，识别准确率高的优点。，下面是一种基于边缘计算的隐蔽潜信道识别方法专利的具体信息内容。

权利要求

1.一种基于边缘计算的隐蔽潜信道识别方法，包括一个或多个边缘计算设备，其特征在于，所述边缘计算设备执行隐蔽潜信道辨析步骤，所述隐蔽潜信道辨析步骤对输入的信道信号进行辨析，判断信号是否来自所述隐蔽潜信道。
2.根据权利要求1所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，还包括梅尔频率倒谱系数MFCCs特征提取步骤，该步骤从输入的信道信号中提取梅尔频率倒谱系数。
3.根据权利要求1所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，还包括隐蔽潜信道辨析训练步骤，该训练步骤通过机器学习方式训练和生成隐蔽潜信道识别装置，以判别输入的信道信号是否来自所述隐蔽潜信道。
4.根据权利要求3所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，所述训练步骤包括以下子步骤：
S1：提取信道信号的MFCCs特征；
S2：将提取的MFCCs特征输入所述的隐蔽潜信道识别装置，进行隐蔽潜信道识别训练；
S3：重复步骤S1～S2，直到达到设定的识别合格率。
5.根据权利要求3所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，所述信道信号包括正常通信信道信号和/或隐蔽潜信道信号。
6.根据权利要求5所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，针对正常信道信号MFCCs特征提取，包括以下步骤：
提取正常信道信号MFCCs特征，并标识为D1；
其中Xi＝(xi,1,xi,2,...,xi,j),j＝1,2,...,36；
所述n为n个信道信号的集合，所述i为正常通信信道信号的集合，每个信道信号的集合包括36个波形信号。
7.根据权利要求5所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，针对隐蔽潜信道MFCCs特征提取，包括以下步骤：
提取已知的隐蔽潜信道通信信号MFCCs特征，并标识为D2；
Xu＝(xu,1,xu,2,...,xu,j),j＝1,2,...,36；
所述n为n个信道信号的集合，所述u为已知的隐蔽潜信道通信信号的集合，所述每个信道信号的集合包括36个波形信号。
8.根据权利要求6或7所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，还包括MFCCs特征预处理步骤，所述MFCCs特征预处理步骤如下：
从Xi和Xu组成的信道信号集合矩阵中任意取g列，得到：
其中
重复选取过程G次，得到一个新的集合：
所述为从Xi和Xu组成的信道信号集合矩阵中任意取g列所构成的训练向量，为构成的训练子集合；为最终训练集合。
9.根据权利要求3或8所述的一种基于边缘计算的隐蔽潜信道识别方法，其特征在于，所述识别训练包括以下子步骤：
对向量两两进行计算：
给出重量矩阵W属于目标d：
其中Cj为潜信道攻击通信。

说明书全文

一种基于边缘计算的隐蔽潜信道识别方法

技术领域

[0001] 本发明涉及安全攻击识别领域，特别是一种基于边缘计算的隐蔽潜信道识别方法。

背景技术

[0002] 随着通信技术的发展，数字化语音通信越来越广泛地应用，而针对数字化语音通信的攻击也应运而生，潜信道就是一种针对数字化语音通信的攻击方法；潜信道就是指普通人感觉不到又确实存在的信道，因此攻击者可以利用这些感觉不到而又真实存在的信道来传送秘密信息，或者窃取手机、终端节点等的信息，使得用户无法感知信息被窃取、攻击和传输。

[0003] 以高频声波作为载体，利用信号幅度调制，将语音信号变换为高频声波，通过对音频电路进行建模，低通滤波后向下还原原始信号，从而可利用冗余型潜信道来进行语音和数据信息的近距离传输，在人不可察觉的情况下，实现信息的传输，就是一种隐蔽潜信道攻击方法；识别隐蔽潜信道攻击是保护通信系统不受恶意攻击的必要，尤其是现在许多的移动终端，例如智能终端、电力终端等都配备了语音输入与语音控制功能，这使得针对数字化语音通信的潜信道攻击可以进行隐蔽伪装命令输入、从而从终端发起对整个网络系统的攻击；隐蔽潜信道攻击方法由于其通信依然需要一定的载体，因此通过通信信号特征分析，可对其进行识别。

发明内容

[0004] 本发明的目的在于克服现有技术的不足，提供一种基于边缘计算的隐蔽潜信道识别方法，该方法是通过梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCCs)特征的提取，然后采用机器学习方法对正常通信系统和潜信道隐蔽通信的系数进行学习，训练分辨器，然后将特定系统的新的梅尔频率倒谱系数输入系统，实现对潜信道隐蔽通信的识别。

[0005] 本方法在边缘计算平台下进行终端等梅尔频率倒谱系数采集、系统训练和学习，然后对终端通信进行是否存在潜信道隐蔽通信的识别，对终端而言，该方法具有计算复杂度低，识别准确率高的优势。

[0006] 一种基于边缘计算的隐蔽潜信道识别方法，包括一个或多个边缘计算设备，所述边缘计算设备执行隐蔽潜信道辨析步骤，所述隐蔽潜信道辨析步骤对输入的信道信号进行辨析，判断信号是否来自所述隐蔽潜信道。

[0007] 进一步的，还包括梅尔频率倒谱系数MFCCs特征提取步骤，该步骤从输入的信道信号中提取梅尔频率倒谱系数。

[0008] 进一步的，还包括隐蔽潜信道辨析训练步骤，该训练步骤通过机器学习方式训练和生成隐蔽潜信道识别装置，以判别输入的信道信号是否来自所述隐蔽潜信道。

[0009] 进一步的，所述训练步骤包括以下子步骤：

[0010] S1：提取信道信号的MFCCs特征；

[0011] S2：将提取的MFCCs特征输入所述的隐蔽潜信道识别装置，进行隐蔽潜信道识别训练；

[0012] S3：重复步骤S1～S2，直到达到设定的识别合格率。

[0013] 进一步的，所述信道信号包括正常通信信道信号和/或隐蔽潜信道信号。

[0014] 进一步的，所述正常信道信号MFCCs特征提取，包括以下步骤：

[0015] 提取正常信道信号MFCCs特征，并标识为D1；

[0016] D1＝{X1,X2,...,Xi}, 其中Xi＝(xi,1,xi,2,...,xi,j),j＝1,2,...,36；

[0017] 所述n为n个信道信号的集合，所述i为正常通信信道信号的集合，每个信道信号的集合包括36个波形信号。

[0018] 进一步的，所述隐蔽潜信道MFCCs特征提取，包括以下步骤：

[0019] 提取已知的隐蔽潜信道通信信号MFCCs特征，并标识为D2；

[0020] Xu＝(xu,1,xu,2,...,xu,j),j＝1,2,...,36；

[0021] 所述n为n个信道信号的集合，所述u为已知的隐蔽潜信道通信信号的集合，所述每个信道信号的集合包括36个波形信号。

[0022] 进一步的，还包括MFCCs特征预处理步骤，所述MFCCs特征预处理步骤如下：

[0023] 从Xi和Xu的组成的信道信号集合矩阵中任意取g列，得到：

[0024] k＝1,2,...,n；其中 b＝1,2,...,g；

[0025] 重复选取过程G次，得到一个新的集合： m＝1,2,...,G；

[0026] 所述为从Xi和Xu组成的信道信号集合矩阵中任意取g列所构成的训练向量，为构成的训练子集合；为最终训练集合。

[0027] 进一步的，所述识别训练包括以下子步骤：

[0028] 对向量两两进行计算：

[0029] 给出重量矩阵W属于目标d：

[0030] 其中Cj为潜信道攻击通信。

[0031] 本发明的有益效果：通过对正常通信系统和潜信道隐蔽通信的梅尔频率倒谱系数的提取，并采用机器学习方法进行学习，训练分辨器，实现对潜信道隐蔽通信的识别；本方法在边缘计算平台下进行终端等的梅尔频率倒谱系数采集、系统训练和学习，然后对终端通信进行是否存在潜信道隐蔽通信的识别，对终端而言，该方法具有计算复杂度低，识别准确率高的优势。附图说明

[0032] 图1为一种基于边缘计算的隐蔽潜信道识别方法流程图。

具体实施方式

[0033] 为了对本发明的技术特征、目的和效果有更加清楚的理解，现结合附图和随机子空间k近邻法机器学习算法(random subspace integration k-nearest neighbour,RS-KNN)进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

[0034] 一种基于边缘计算的隐蔽潜信道识别方法，包括一个或多个边缘计算设备，所述边缘计算设备执行隐蔽潜信道辨析步骤，所述隐蔽潜信道辨析步骤对输入的信道信号进行辨析，判断信号是否来自所述隐蔽潜信道。

[0035] 如图1所示隐蔽潜信道识别方法还包括梅尔频率倒谱系数MFCCs特征提取步骤，该步骤从输入的信道信号中提取梅尔频率倒谱系数。

[0036] 所述信道信号包括正常通信信道信号和/或隐蔽潜信道信号。

[0037] 对正常信道信号MFCCs特征进行提取，包括以下步骤：

[0038] 提取正常信道信号MFCCs特征，并标识为D1；

[0039] D1＝{X1,X2,...,Xi}, 其中Xi＝(xi,1,xi,2,...,xi,j),j＝1,2,...,36；

[0040] 其中n为所提取的包括正常通信信道信号和隐蔽潜信道信号的n个信道信号的集合，所述i为正常通信信道信号的集合，每个信道信号的集合包括36个波形信号。

[0041] 对隐蔽潜信道MFCCs特征提取，包括以下步骤：

[0042] 提取已知的隐蔽潜信道通信信号MFCCs特征，并标识为D2；

[0043] Xu＝(xu,1,xu,2,...,xu,j),j＝1,2,...,36；

[0044] 其中u为已知的隐蔽潜信道通信信号的集合。

[0045] 然后通过MFCCs特征预处理步骤，所述MFCCs特征预处理步骤如下：

[0046] 从Xi和Xu的组成的信道信号集合矩阵中任意取g列，得到：

[0047] k＝1,2,...,n；其中 b＝1,2,...,g；

[0048] 重复选取过程G次，得到一个新的集合： m＝1,2,...,G；

[0049] 所述为从Xi和Xu组成的信道信号集合矩阵中任意取g列所构成的训练向量，为构成的训练子集合；为最终训练集合。

[0050] 通过隐蔽潜信道辨析训练步骤训练和生成隐蔽潜信道识别装置，具体该训练步骤通过机器学习方式训练和生成隐蔽潜信道识别装置，以判别输入的信道信号是否来自所述隐蔽潜信道。

[0051] 所述训练步骤包括以下子步骤：

[0052] S1：提取信道信号的MFCCs特征；

[0053] S2：将提取的MFCCs特征输入所述的隐蔽潜信道识别装置，进行隐蔽潜信道识别训练；

[0054] S3：重复步骤S1～S2，直到达到设定的识别合格率。

[0055] 识别训练包括以下子步骤：

[0056] 对向量两两进行计算：

[0057] 给出重量矩阵W属于目标d：

[0058] 其中Cj为潜信道攻击通信。

[0059] 识别训练：

[0060] 在隐蔽潜信道识别装置中输入待测通信系统的MFCC特征并判断潜信道隐蔽通信攻击；

[0061] 抽取待测通信系统的MFCC特征，并输入训练好的隐蔽潜信道识别装置进行判断，看是否有潜信道隐蔽通信攻击发生。

[0062] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。

标题	发布/更新时间	阅读量
基于室内声学信道扰动分析的物体识别方法	2020-05-12	835
基于谱峭度和神经网络的滚动轴承故障分类方法及系统	2020-05-12	610
基于长短时记忆神经网络的说话人分段标注方法及装置	2020-05-13	551
基于双声道的脚步检测方法	2020-05-13	552
基于多种特征融合的语音篡改检测方法	2020-05-14	200
一种基于后端模型的声纹识别优化方法和相关装置	2020-05-08	156
音频处理方法、装置和存储介质	2020-05-12	359
一种基于声信号特征库的风机桨叶故障识别方法	2020-05-14	334
一种音频关键词模板的筛选和优化方法	2020-05-12	781
一种登陆方法和装置	2020-05-14	534

一种基于边缘计算的隐蔽潜信道识别方法

一种基于边缘计算的隐蔽潜信道识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：