MEGA-CoPLA:基于专家混合强化生成对抗网络的汽车互联网协作物理层认证技术
《Internet of Things》:MEGA-CoPLA: Mixture of Experts Enhanced Generative Adversarial Network-based Collaborative Physical Layer Authentication for Internet of Vehicles
【字体:
大
中
小
】
时间:2026年06月25日
来源:Internet of Things 7.1
编辑推荐:
穆巴拉克·乌马尔|黄鑫|曲远英|马哈茂德·优素福·艾哈迈德|哈夫萨·卡比尔·艾哈迈德
中国青岛266106,青岛城市大学计算机工程学院
摘要
传统基于物理层的认证技术依赖单一设备,由于单点故障和训练数据匮乏,在快速变化的车辆物联网通信环境中性能较差。虽然协作式物理层
穆巴拉克·乌马尔|黄鑫|曲远英|马哈茂德·优素福·艾哈迈德|哈夫萨·卡比尔·艾哈迈德
中国青岛266106,青岛城市大学计算机工程学院
摘要
传统基于物理层的认证技术依赖单一设备,由于单点故障和训练数据匮乏,在快速变化的车辆物联网通信环境中性能较差。虽然协作式物理层认证方法通过分布式认证和基于生成对抗网络的数据增强来缓解这些问题,但其适应性有限,导致在未知环境中的泛化能力弱、性能下降。此外,缺乏个性化学习机制使得认证模型无法适应每辆车的独特信道条件。为解决这些问题,我们提出了MEGA-CoPLA——一种基于专家混合架构并结合生成对抗网络与流言学习的协作式物理层认证框架。每辆车都使用本地生成对抗网络生成合成指纹,丰富训练数据以提高认证效率。为提升在不同传播条件下的适应性,我们在认证框架中引入专家混合架构,仅激活针对特定场景的最相关专家,从而在动态的车辆物联网环境中提升泛化能力和认证性能。流言学习机制可实现节点间模型共享与个性化学习,用于协同训练卷积神经网络模型,并通过信道状态信息和二维位置数据对发送方进行认证。利用准确定性无线信道生成器框架生成的测试数据进行的仿真结果表明,该方法能在动态的车辆物联网环境下有效强化认证功能。
引言
第六代通信技术有望实现车辆物联网与智能交通系统的全面发展。车辆物联网通过车辆与路侧基础设施之间的信息交换,支持智能交通管理及自动驾驶等应用[1][2]。然而,其广播式通信特性使其极易遭受身份伪造和冒充攻击。因此,构建可靠的认证机制对于确保车辆物联网生态系统的通信安全至关重要,而这又是实现可靠智能交通系统的关键[3][4][5]。
传统上,在物理层之上,设备的身份验证是通过加密手段实现的,可采用共享密钥(如密码)或加密技术(如私钥和公钥)[6][7][8][9][10]。但随着攻击者拥有更强的计算能力和更复杂的攻击手段,这类方案的安全性提升往往需要大幅增加系统复杂度。更为严峻的是,车辆物联网设备资源有限,盲目采用此类方案并不现实。另一种解决方案是借助区块链技术[11][12][13][14][15][16],利用智能合约和共识机制实现认证。尽管这类方案的性能有所提升,但同样存在较高的计算复杂度问题。近期关于车辆物联网安全的调研也指出,传统的加密及区块链解决方案会给资源受限的设备带来过高的复杂度负担[17]。
为克服上述难题,物理层认证技术因其在类似运行条件下具有较低复杂度且更高安全性而成为一种有前景的解决方案[18][19][20][21][22][23][24]。该技术利用无线信道特征的独特性与随机性生成唯一标识符以实现设备识别。常用的信道特征包括接收信号强度、信道状态信息、信道脉冲响应以及载频偏移量。这些特征难以伪造或预测,因此物理层认证能够高效抵御各类伪装攻击。在生成设备指纹后,可通过假设检验或机器学习方法进行认证,前者依赖固定阈值,而在场景不断变化的动态车辆物联网环境中很难确定合适的阈值;而基于机器学习的方法无需固定阈值,更能适应车辆物联网应用的多样性。相关研究进一步强调了机器学习方法在动态物联网环境中的重要性,以及其在入侵检测与认证中的适应性作用[17]。此外,有研究提出基于改进的卷积神经网络的异常检测框架[25],证明轻量级深度学习架构能够在异构物联网环境中可靠识别恶意行为,凸显了人工智能驱动的安全机制在现代互联系统中的重要价值。
目前大多数基于机器学习的物理层认证方案都依赖单一设备进行模型训练与认证。然而,单一设备进行机器学习模型训练所需的巨大计算能力,对于本就资源有限的车辆物联网设备而言是个巨大挑战。此外,由于单一设备采集的信道特征不足,这类方案的性能也会下降,这表明仅依赖单一设备进行认证已无法满足需求,且还存在单点故障风险。为此,有研究提出了协作式物理层认证概念[26],即将认证任务分配给多个节点共同完成。通过整合多个节点的信道观测数据,协作式物理层认证不仅能提升认证性能和安全性,还能让攻击者难以复制来自不同位置的信道特征。同时,它还通过基于生成对抗网络的数据增强技术来解决训练数据不足的问题。目前存在三种协作策略:信道特征聚合[26][27],即各节点将原始信道参数传输给认证节点,由其做出最终认证决策;决策融合[28][29][30][31][32][33],即由认证节点将各节点的认证结果整合为统一结果。但如[33]所指出的,若各数据源的质量存在差异,决策级聚合的准确性与可靠性会受到影响。此外,直接共享原始数据还会引发严重的隐私问题。相比之下,模型融合[34][35]通过仅交换训练得到的模型参数来构建更具泛化能力的最终模型,避免了上述缺陷。
受[33]研究的启发,我们所提出的方法采用模型融合技术,通过参数交换而非原始特征传输或决策融合来避免数据隐私和数据异构性问题。尽管协作式物理层认证方案相比传统集中式方案有所改进,但仍存在一些缺陷。首先,这类方案中基于生成对抗网络的数据增强技术适应性较差,尤其在条件恶劣、拓扑结构频繁变化的车辆物联网环境中效率低下。其次,现有方案缺乏个性化学习机制,导致每辆车无法适应自身的信道条件,进而降低在动态车辆物联网环境中的稳定性,增加认证错误率。
为解决这些问题,我们提出了MEGA-CoPLA——一种基于专家混合架构并结合生成对抗网络与流言学习的协作式物理层认证框架。该框架利用生成对抗网络生成合成样本丰富训练数据,从而提升认证性能。在车辆物联网环境中,由于噪声模式、信号干扰以及信道条件变化较快,很难收集到足够的标记数据用于机器学习训练,这一方案尤为重要。在信号处理与物理层认证领域,生成对抗网络的特征学习与特征复现能力尚未得到充分应用[36]。为解决现有方案适应性不足的问题,我们引入专家混合架构。该架构将复杂的车辆物联网环境划分为不同的传播场景(如低信噪比雾天、城市多径环境、雨天等),每个场景都由专门的卷积神经网络模型处理,这些模型被称为“专家”。与传统方案依赖单一模型处理所有传播场景不同,我们的专家混合架构会根据各场景经过生成对抗网络增强后的数据,激活相应的专家模型。这种设计提升了系统的适应性与准确性,增强了在不同信道场景下的认证性能。此外,专家混合架构还通过基于信道状态信息与发送方二维位置的门控机制,决定每次认证时使用哪个专家模型。由于只需为每个接收到的信道状态信息样本激活对应的专家模型,该方案相比同时运行所有模型能降低开销,从而在复杂多变的车辆物联网环境中提升整体性能[37]。最后,流言学习机制用于协同训练卷积神经网络模型,并通过信道状态信息对发送方进行认证。在流言学习过程中,各专家模型之间可互相共享更新信息,无需中央服务器即可实现知识在车辆间的传播,从而支持通过节点间模型共享实现个性化学习。
我们的系统与现有的基于生成对抗网络的物理层认证及协作式物理层认证方案相比,具有以下优势:首先,与传统方案假设车辆物联网环境均匀不同,我们的框架明确考虑了具有不同传播特性和信道条件的异构环境,通过针对不同场景定制认证策略,提升了方案的泛化能力。其次,与传统专家混合架构平均专家输出、易导致单一主导专家产生的问题不同,我们设计了能够根据每次认证场景选择最合适专家的机制,提升了适应性,避免了多场景下的性能下降。最后,通过将生成对抗网络增强技术与专家混合架构的路由机制相结合,我们的系统能够生成针对特定场景的合成样本,不仅提升了适应性,还支持个性化学习,显著提高了在异构车辆物联网环境中的性能。
本文的主要贡献可总结如下:
1)我们提出了一种基于专家混合架构并结合生成对抗网络与流言学习的协作式物理层认证框架,适用于车辆物联网环境。每辆车都训练一个本地生成对抗网络生成合成指纹,同时训练一个卷积神经网络从信道状态信息中提取特征。生成对抗网络用于丰富本地训练数据,卷积神经网络则作为本地认证的核心分类器。通过流言学习,各车辆可互相共享和整合模型参数,从而实现无需中心协调的协同训练、个性化学习以及更高的泛化能力。
2)我们引入了一种具备场景感知能力的专家混合架构,以克服传统平均型专家混合架构的局限性以及现有基于生成对抗网络的物理层认证方案缺乏适应性的问题。各场景专用的生成对抗网络负责丰富训练数据,而认证模型则被分解为多个专注于不同车辆物联网信道条件的卷积神经网络专家模型。一个门控网络会根据观察到的信道状态信息与二维位置信息,动态选择最合适的专家模型。这种场景感知设计避免了单一专家主导的情况,提升了系统的适应性,确保了在多种车辆物联网场景下的良好认证性能。
3)我们将生成对抗网络增强技术与专家混合架构的路由机制相结合,生成针对特定场景的合成样本。与仅能进行数据增强而缺乏适应性的传统方案不同,我们的设计通过为不同场景定制合成数据,提升了方案的泛化能力,同时支持个性化学习,从而在异构车辆物联网环境中提升性能。
4)我们通过基于准确定性无线信道生成器框架的测试数据集进行了仿真验证,这些数据集采用了真实世界的测量值来模拟通信场景[38]。仿真结果表明,所提出的方案在各种车辆物联网场景中均表现出优异的性能,且优于现有的基于生成对抗网络的协作式物理层认证方法。
本文的其余部分结构如下:第2节回顾相关研究;第3节介绍系统模型与基础理论;第4节详细阐述所提出的基于生成对抗网络的协作式物理层认证方案及专家混合架构;第5节对方案性能进行评估;最后第6节对全文进行总结。首先,我们介绍了仿真环境的设置,随后讨论了仿真结果。在本文中,我们提出了一种CPLA机制,以应对在多种物联网通信场景中训练数据匮乏、缺乏个性化学习以及可靠的环境感知认证等问题。我们利用生成对抗网络来扩充训练数据集,并引入八卦学习机制以实现分布式和个性化学习。同时,我们训练了一个卷积神经网络模型,通过接收器的CSI信息来进行身份认证。此外,还采用了专家混合方法来确定各作者的贡献程度。作者贡献声明:穆巴拉克·乌马尔:撰写——初稿、方法论、研究、概念设计;黄欣:验证、资源协调、资金获取、正式分析;曲园英:撰写——审阅与编辑、研究;马哈茂德·优素福·艾哈迈德:撰写——审阅与编辑、验证、方法论;哈夫萨·卡比尔·艾哈迈德:研究、正式分析、数据整理。利益冲突声明:作者们声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号