《IEEE Access》:Generalized Additive Modelling for Physical Layer Secret Key Generation in V2V Environments
编辑推荐:
本文针对车联网(V2V)环境中传统密码学方案存在密钥分发基础设施依赖性和高计算开销的问题,提出了一种轻量级的、基于广义加性模型(GAM)的监督学习预处理方法。该方法通过GAM预测合法通信对端的信道冲激响应(CIR),有效提升了密钥生成的相关性,降低了比特不一致率(BDR),并保证了密钥的随机性。研究成果为低功耗、低延迟的车联网及智能交通系统(ITS)提供了实用的安全解决方案,对构建可持续的智慧城市生态系统具有重要意义。
随着智能交通系统的飞速发展,车辆之间以及车辆与基础设施之间的无线信息交换变得日益频繁。这种通信方式虽然带来了可扩展性、易于部署和支持高移动性等诸多好处,但也使其成为被动窃听和主动攻击的脆弱入口。传统的密码学方案通常依赖于计算复杂的NP难问题来生成密钥,这需要专用的密钥分发基础设施,对于车载单元计算能力有限且对延迟有严格要求的车联网等低功耗网络而言,构成了严峻挑战。物理层安全作为一种新兴的互补性安全范式,通过利用物理层固有的随机性来保护无线网络,特别适合资源受限的环境。然而,在高速移动的车辆间通信场景中,信道测量值由于固有噪声和硬件差异,仅具有相关性而非相似性,且现有研究对主动对抗模型的关注相对不足。为此,研究人员在《IEEE Access》上发表了这项研究,旨在开发一种轻量级的解决方案,以提升车联网环境中物理层密钥生成的性能与安全性。
为达成研究目标,作者团队主要采用了以下几项关键技术方法:首先,构建了包含合法节点和攻击节点的单输入单输出车联网系统模型,并通过软件定义无线电平台实际采集了多种移动场景下的信道冲激响应数据。其次,提出并训练了一种基于广义加性模型的预处理方案,该模型能够离线学习从Bob观测到的CIR到Alice相应CIR的非线性平滑映射,从而在部署阶段以线性计算复杂度进行实时预测,提升信道测量的相关性。最后,结合累积分布函数量化器和格雷编码方案,将预处理后的连续信道测量值转换为一致的密钥比特流,并对其性能进行了多维度评估。
系统模型与对抗模型
研究建立了一个包含Alice、Bob和Eve三个节点的V2V通信场景模型,采用单输入单输出系统和时分双工协议来保证信道互易性。信道模型考虑了多径传播、路径损耗、小尺度瑞利衰落以及由车辆移动性引起的多普勒频移。针对对抗模型,研究详细分析了被动窃听和主动攻击两种场景。在主动攻击中,Eve通过注入恶意信道分量来污染合法节点的信道估计,从而降低信道互易性。
GAM增强的CIR估计方案
提出的核心方法是利用广义加性模型来学习Bob观测到的CIR幅度与Alice观测到的CIR幅度之间的非线性映射。GAM模型通过将每个CIR抽头的平滑函数相加,来预测Alice的CIR,其目标是最小化带有平滑性惩罚项的均方误差。训练好的模型在Bob端部署,用于实时预测,其计算复杂度与特征数和基函数数呈线性关系,适合嵌入式平台。
性能评估与分析
研究人员通过实验全面评估了所提方案的性能。在误差方差影响方面,随着误差方差从-10 dB降低到20 dB,经过GAM预处理后的合法节点间相关性显著提升(高于0.85),而比特不一致率则显著降低(最低低于0.002)。在车辆速度影响方面,方案在30 km/h至90 km/h的不同速度下均能保持较低BDR和较高相关性,展现了其对移动性的鲁棒性。在安全性分析方面,研究考察了Eve距离合法节点不同距离(50米至500米)时的影响,结果表明Eve的信道测量值与合法节点间的相关性随距离增加而减弱,BDR随之增大。同时,研究还测试了不同攻击强度(α为0.3, 0.5, 0.7, 1)下方案的表现,发现GAM预处理能有效维持较高的合法节点间相关性,降低主动攻击的影响。生成的密钥序列通过了美国国家标准与技术研究院的一系列随机性测试,证明了其密码学强度。在计算复杂度和延迟方面,GAM的训练阶段虽有一定开销,但推理阶段复杂度低,整体密钥生成延迟能满足车联网实时通信的要求。
与现有方案的比较
与基于深度学习的方案(如KGNet)或基于接收信号强度的方案相比,所提出的GAM方案在保持竞争性性能(BDR < 0.1,相关性 > 0.93)的同时,具有计算量小、易于部署的优势。对比结果显示,该方案在不同误差方差下均能实现比其他方案更低的BDR,尤其在信道条件较差时(如10 dB误差方差下BDR为0.06),优势更为明显。
综上所述,这项研究成功地提出并验证了一种基于广义加性模型的轻量级物理层密钥生成方案。该方案通过离线训练的GAM模型对信道测量进行预处理,有效提升了车联网环境中合法通信双方密钥的一致性和安全性,同时保持了低计算复杂度和低延迟,能够抵御被动和主动攻击。研究成果为解决车联网及其他低功耗物联网应用的安全挑战提供了一条切实可行的技术路径,对推动智能交通系统和智慧城市的可持续发展具有重要的实际意义。未来的工作将致力于开发专门的信息协调和隐私放大模块,并进一步探索模型在高度动态环境中的自适应能力。