当前位置：首页 > news >正文

告别‘狼来了’：用Python模拟AWGN信道下的隐蔽通信与能量检测（附代码）

news 2026/6/4 2:34:50

用Python实战模拟AWGN信道下的隐蔽通信与能量检测

在通信安全领域，隐蔽通信技术正逐渐成为研究热点。想象一下，你需要在监控严格的网络环境中传输关键信息而不被发现——这就是隐蔽通信要解决的核心问题。本文将带你用Python构建一个完整的AWGN（加性高斯白噪声）信道仿真环境，通过调整码长、发射功率和检测阈值等参数，直观理解隐蔽通信的核心原理。

1. 环境配置与基础理论

隐蔽通信系统通常涉及三个角色：发送方Alice、接收方Bob和监控方Willie。Alice希望在不被Willie发现的情况下与Bob通信。AWGN信道是最基础的通信信道模型，其噪声特性可以用高斯分布描述。

首先安装必要的Python库：

pip install numpy matplotlib scipy

关键参数定义：

N: 最大允许信道使用次数
n: 实际使用的信道次数（n ≤ N）
P: 发射功率
σ²: 噪声方差
Γ: 能量检测阈值

隐蔽通信的两个核心指标：

虚警概率(P_FA)：Willie误判有通信发生
漏检概率(P_MD)：Willie未能检测到实际通信

2. 核心代码实现

2.1 信道建模

首先实现AWGN信道模型：

import numpy as np from scipy.stats import chi2 def awgn_channel(signal, snr_db): """ AWGN信道模拟 :param signal: 输入信号 :param snr_db: 信噪比(dB) :return: 加噪信号 """ snr_linear = 10 ** (snr_db / 10) noise_power = 1.0 / snr_linear noise = np.sqrt(noise_power/2) * (np.random.randn(*signal.shape) + 1j*np.random.randn(*signal.shape)) return signal + noise

2.2 能量检测实现

Willie使用的能量检测器实现：

def energy_detector(received_signal, threshold): """ 能量检测器 :param received_signal: 接收信号 :param threshold: 检测阈值 :return: 检测结果(True表示检测到信号) """ energy = np.mean(np.abs(received_signal)**2) return energy > threshold

2.3 性能指标计算

计算虚警概率和漏检概率：

from scipy.special import gammainc def calculate_pfa(n, threshold, noise_var): """ 计算虚警概率 :param n: 信道使用次数 :param threshold: 检测阈值 :param noise_var: 噪声方差 :return: 虚警概率 """ return 1 - gammainc(n, n*threshold/noise_var) def calculate_pmd(n, threshold, power, noise_var): """ 计算漏检概率 :param n: 信道使用次数 :param threshold: 检测阈值 :param power: 发射功率 :param noise_var: 噪声方差 :return: 漏检概率 """ return gammainc(n, n*threshold/(power + noise_var))

3. 参数影响的可视化分析

3.1 码长n对检测性能的影响

固定其他参数，观察不同n值下检测性能的变化：

import matplotlib.pyplot as plt def plot_n_impact(): n_values = np.arange(10, 201, 10) P_FA = [calculate_pfa(n, 1.2, 1.0) for n in n_values] P_MD = [calculate_pmd(n, 1.2, 0.5, 1.0) for n in n_values] plt.figure(figsize=(10, 6)) plt.plot(n_values, P_FA, label='虚警概率(P_FA)') plt.plot(n_values, P_MD, label='漏检概率(P_MD)') plt.xlabel('码长n') plt.ylabel('概率') plt.title('码长对检测性能的影响') plt.legend() plt.grid() plt.show()

运行结果会显示随着n增大，P_FA和P_MD都减小，验证了论文中n=N最优的结论。

3.2 发射功率P的影响

def plot_power_impact(): power_values = np.linspace(0.1, 2.0, 50) P_MD = [calculate_pmd(100, 1.2, p, 1.0) for p in power_values] plt.figure(figsize=(10, 6)) plt.plot(power_values, P_MD) plt.xlabel('发射功率P') plt.ylabel('漏检概率(P_MD)') plt.title('发射功率对漏检概率的影响') plt.grid() plt.show()

结果显示随着P增大，P_MD减小，但过大的P会破坏隐蔽性。

4. 仿真实践与常见误区

4.1 完整仿真流程

def covert_communication_simulation(N=100, P=0.5, sigma2=1.0, threshold=1.2): # Alice发送随机QPSK信号 symbols = np.random.choice([1+1j, 1-1j, -1+1j, -1-1j], N) # Bob接收信号 bob_received = awgn_channel(symbols, 10*np.log10(P/sigma2)) # Willie接收信号 willie_received = awgn_channel(symbols, 10*np.log10(P/sigma2)) # Willie进行能量检测 detection = energy_detector(willie_received, threshold) return bob_received, detection

4.2 常见仿真误区

噪声功率设置错误：
- 错误做法：直接使用固定噪声方差
- 正确做法：根据SNR计算噪声功率
检测阈值选择不当：
- 阈值过高导致P_MD增大
- 阈值过低导致P_FA增大
忽略有限码长效应：
- 短码长时信道编码效率显著降低
- 实际应用中需要权衡码长与隐蔽性

5. 高级话题与扩展

5.1 最优参数选择

通过优化算法寻找最优参数组合：

from scipy.optimize import minimize def objective(x): n, P = x eta = n * (np.log2(1 + P) - np.sqrt(P*(P+2)/n/(P+1)**2)/np.log(2)) # 简化模型 return -eta # 最大化吞吐量 def constraint(x): n, P = x D = n * (np.log(1 + P) - P/(1 + P)) # KL散度 return 2*0.01**2 - D # ε=0.01 cons = {'type': 'ineq', 'fun': constraint} result = minimize(objective, [50, 0.5], constraints=cons, bounds=[(1,100), (0.01,2)]) print(f"最优解: n={result.x[0]:.1f}, P={result.x[1]:.4f}")