CN116528229B - 5g安全通信方法及其系统 - Google Patents

Abstract

本发明公开了一种5G安全通信方法及其系统，其基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及，基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信。这样，可以将5G载人无人机的参考信号与5G地面站的参考信号进行同步，增加了通信数据的安全性，防止5G载人无人机被劫持以及通信数据被窃取等情况发生。

Description

5G安全通信方法及其系统

技术领域

本发明涉及智能化通信技术领域，尤其涉及一种5G安全通信方法及其系统。

背景技术

5G载人无人机是一种利用5G通信技术实现远程控制和数据传输的新型交通工具，具有高速、低时延、大容量等特点，可广泛应用于交通物流、安防巡检、应急救援等领域。

然而，5G载人无人机在飞行过程中可能会出现各种故障，如速度异常、高度偏离、温度过高、电池耗尽等，这些故障会影响无人机的正常运行，甚至危及人员安全。因此，对5G载人无人机进行实时的故障检测是必不可少的一个环节。

目前，常用的故障检测方法主要为基于规则的方法。基于规则的方法是指根据无人机的运行规律和经验知识设定一些阈值或条件，当无人机的状态参数超过阈值或满足条件时，判断为故障。这种方法简单易实现，但需要大量的专家知识和经验，且难以适应复杂多变的飞行环境。因此，期待一种优化的方案。

发明内容

本发明实施例提供一种5G安全通信方法及其系统，其基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及，基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信。这样，可以将5G载人无人机的参考信号与5G地面站的参考信号进行同步，增加了通信数据的安全性，防止5G载人无人机被劫持以及通信数据被窃取等情况发生。

本发明实施例还提供了一种5G安全通信方法，其包括：

基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；

响应于具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件，向所述5G载人无人机发送参考信号同步指令，以使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；

在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及

基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信；其中，所述第一参考信号基于时钟信号生成；所述参考信号同步指令规定参考信号同步的方式，且所述密钥序列根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新。

本发明实施例还提供了一种5G安全通信系统，其包括：

条件判断模块，用于基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；

指令发送模块，用于响应于具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件，向所述5G载人无人机发送参考信号同步指令，以使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；

密钥序列更新模块，用于在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及

通信模块，用于基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信；其中，所述第一参考信号基于时钟信号生成；所述参考信号同步指令规定参考信号同步的方式，且所述密钥序列根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种5G安全通信方法的流程图。

图2为本发明实施例中提供的一种5G安全通信方法的系统架构的示意图。

图3为本发明实施例中提供的一种5G安全通信方法中步骤110的子步骤的流程图。

图4为本发明实施例中提供的一种5G安全通信方法中步骤112的子步骤的流程图。

图5为本发明实施例中提供的一种5G安全通信系统的框图。

图6为本发明实施例中提供的一种5G安全通信方法的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

在本发明的一个实施例中，图1为本发明实施例中提供的一种5G安全通信方法的流程图。如图1所示，根据本发明实施例的5G安全通信方法100，包括：110，基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；120，响应于具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件，向所述5G载人无人机发送参考信号同步指令，以使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；130，在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及，140，基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信；其中，所述第一参考信号基于时钟信号生成；所述参考信号同步指令规定参考信号同步的方式，且所述密钥序列根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新。

在所述步骤110中，作为上述技术方案的一个具体实施方式，预定规则包括以下几点：

第一，5G载人无人机无故障。5G载人无人机必须是在设备完好的情况下才能进行参考信号的同步，否则应当首先进行设备维护维修。

第二，5G载人无人机已完成当前执行的任务。5G载人无人机在执行任务的过程中，通常是位于5G地面站之外的某空域中并处于飞行状态，如果此时想进行参考信号同步，则5G地面站与无人机需要像日常通信一样进行信号的发送和接收等来进行参考信号同步，不只可能会使参考信号同步失败，也同样面临着参考信号被干扰和窃取的风险，因此5G载人无人机需要处于非执行任务的状态下再进行参考信号同步。

第三，5G载人无人机位于信号同步区域内，或5G载人无人机通过设定的通信接口与5G地面站建立通信连接，两者满足一种即可。对于5G载人无人机位于信号同步区域内：5G载人无人机在执行完任务后会回到5G地面站，信号同步区域就是位于5G地面站内的一片设定地理区域，该地理区域包括地面区域和空中区域。5G载人无人机回到5G地面站内的信号同步区域内之后，此时5G载人无人机与5G地面站之间的距离相比于正在外出执行任务时大大缩短，此时再进行参考信号同步，可以提高同步成功率，一定程度上避免信号被干扰和窃取的可能。对于5G载人无人机通过设定的通信接口与5G地面站建立通信连接，5G载人无人机在执行完任务并返航后，也可能会降落于5G地面站附近的其他区域，例如某个露天停机坪等，停机坪上可以设置有线接口，5G载人无人机通过内置或外接的通信接口与停机坪上的有线接口连接，通过有线接口与5G地面站连通，并进行参考信号同步过程，通过有线方式进行同步，同样可以提高同步成功率，并一定程度上避免信号被干扰和窃取的可能。

在所述步骤120中，5G地面站判断5G载人无人机满足同步参考信号的条件后，向5G载人无人机发送参考信号同步指令，以使5G载人无人机令第二参考信号同步于第一参考信号。参考信号同步指令规定参考信号同步的方式，例如以何种方法进行信号同步、同一个信号同步过程中要重复进行几次确认是否同步的判断等。若在同一时刻的第二参考信号和第一参考信号相同，则表示参考信号已同步。

作为上述技术方案的一个具体实施方式，5G载人无人机令第二参考信号同步于第一参考信号包括如下步骤：

接收5G地面站发来的参考信号同步指令。

根据第一参考信号使第二参考信号与其同步。

根据参考信号同步指令的规定，在设定时间内多次判断第二参考信号是否与第一参考信号是否同步，例如在100毫秒内分别进行3次第二参考信号是否与第一参考信号是否同步的判断，并在3次判断的结果全部为第二参考信号与第一参考信号处于同步状态的情况下，完成参考信号同步过程；在3次判断的过程中，只要出现1次第二参考信号与第一参考信号未同步的判断结果时，立即中止本次的参考信号同步过程，并重新开始参考信号同步过程，即重新接收5G地面站发来的参考信号同步指令，然后重新根据第一参考信号使第二参考信号与其同步。其中，参考信号同步指令规定判断第二参考信号是否与第一参考信号是否同步的次数以及多次判断所需的设定时间。在所述步骤130中，在5G地面站判断参考信号同步完成后，会向5G载人无人机发送新的密钥序列。密钥序列为一个存储有根据时间等一些要素而按序排列的多个密钥的表。5G地面站和5G载人无人机都是通过获取到密钥序列中的密钥来对信息进行加密和解密的。

5G地面站内部存储有一个或多个不同的密钥序列，一个密钥序列可以对应一台5G载人无人机或多台5G载人无人机，甚至全部5G载人无人机。5G地面站在对A135G载人无人机发来的密文信息进行解密时，使用的是与A135G载人无人机对应的密钥序列，5G地面站在对需要向A275G载人无人机发送的信息加密时，使用的是与A275G载人无人机对应的密钥序列。需要说明的是，与A135G载人无人机和A275G载人无人机对应的密钥序列可以是同一个密钥序列。

密钥序列是根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新。例如，每次5G载人无人机完成任务并返回5G地面站之后，都会进行一次密钥序列的更新，即更换一个新的密钥序列，在下次出发执行任务时使用新的密钥序列来进行安全通信，或者，每天中午11：00至13：00之间、晚上19：00至21：00之间都对5G载人无人机更换一个新的密钥序列。通过更换新的密钥序列，增加了密钥的随机性，大大降低了通信数据的可破解性。

在所述步骤140中，在参考信号同步完成，并更换新的密钥序列之后，5G载人无人机再次出发执行任务时，5G地面站会使用与第二参考信号完全同步的第一参考信号在新的密钥序列中查询，以获取密钥，进而对5G载人无人机发来的信息进行解密，以及对需要发送给5G载人无人机的信息进行加密后发送。

图2为本发明实施例中提供的一种5G安全通信方法的系统架构的示意图。图3为本发明实施例中提供的一种5G安全通信方法中步骤110的子步骤的流程图。如图2和图3所示，所述预定规则包括所述5G载人无人机无故障；其中，判断所述5G载人无人机无故障的过程，包括：111，获取所述5G载人无人机在预定时间段内多个预定时间点的速度值、高度值、温度值和电池电量值；112，从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量；以及，113，基于所述参数间上下文关联特征向量，确定所述5G载人无人机是否存在故障。

进一步地，通过对多个时间点的数据进行综合分析，可以更全面地了解5G载人无人机的状态，从而更准确地判断其是否存在故障，提高了5G载人无人机的安全性和可靠性。进一步地，通过自动化的方式对5G载人无人机进行故障判断，可以减少人工判断的工作量，提高工作效率。进一步地，通过提取参数间上下文关联特征向量，并基于特征向量进行判断，可以更准确地判断5G载人无人机是否存在故障，从而提高了判断准确度。更进一步地，通过及时判断5G载人无人机是否存在故障，可以及时采取措施进行修复或更换，从而降低了故障造成的损失。

具体地，在步骤111中，获取所述5G载人无人机在预定时间段内多个预定时间点的速度值、高度值、温度值和电池电量值。针对上述技术问题，本申请的技术构思为综合利用5G载人无人机的多参数时序数据，即多个预定时间点的速度值、高度值、温度值和电池电量值，并结合深度学习和人工智能技术来进行自动化的故障检测，提高故障检测的效率和自适应性，减少对专家经验的依赖。

具体地，在本申请的技术方案中，首先获取被监测5G载人无人机在预定时间段内多个预定时间点的速度值、高度值、温度值和电池电量值。更具体而言，速度值可以反映无人机的飞行速度是否正常，是否有异常的速度变化；高度值可以帮助监测无人机的高度是否符合要求，避免与其他物体发生碰撞或误入禁飞区域，同时也可以检测无人机是否存在高度异常变化的情况；温度值可以监测无人机的温度是否正常，避免过热或过冷情况的发生，以及反映无人机在不同环境下的表现和适应性；电池电量值可以检测无人机的电池状态，避免电量不足影响无人机的运行。在实际进行数据获取的过程中，可以在无人机上安装传感器，例如加速度计、陀螺仪、温度传感器以及电池电量检测仪等来进行采集与传输所需数据。

5G载人无人机是一种使用5G技术进行通信和控制的无人机。可以通过5G网络与地面控制中心进行实时通信和控制，具有高速、低延迟和高可靠性的特点。5G载人无人机可以用于各种应用，例如航拍、物流配送、农业植保、紧急救援等领域。由于其高速、高效、低成本和低风险的特点，5G载人无人机已经成为未来航空领域的一个重要发展方向。同时，5G载人无人机的安全性和可靠性也是非常重要的，需要采取一系列的安全措施来保障其安全运行。

在本申请中，使用传感器来测量预定时间段内多个预定时间点的速度值、高度值、温度值和电池电量值。其中，在这个过程中，速度值、高度值、温度值和电池电量值之间具有一定联系。例如，当无人机飞行速度较快时，电池电量可能会更快地消耗，而温度也可能会升高。同样，当无人机飞行高度升高时，飞行速度可能会减慢，温度可能会降低。因此，需要对这些参数进行上下文关联分析，以便提取出它们之间的特征向量。这些特征向量可以用于后续的判断过程。

具体地，在步骤112中，从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量。图4为本发明实施例中提供的一种5G安全通信方法中步骤112的子步骤的流程图，如图4所示，从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量，包括：1121，对所述多个预定时间点的速度值、高度值、温度值和电池电量值进行数据结构化处理以得到多参数时序输入矩阵；1122，对所述多参数时序输入矩阵进行多尺度特征感知以得到多尺度多参数时序关联特征图；以及，1123，对所述多尺度多参数时序关联特征图进行关联特征提取以得到所述参数间上下文关联特征向量。

通过上述步骤，可以：1.提高判断准确度：通过提取参数间上下文关联特征向量，可以更全面地分析和判断不同参数之间的关系，从而提高判断准确度。2.减少人工判断的工作量：传统的判断方法需要人工干预，耗时耗力，而这种方法可以自动提取特征向量，减少了人工干预的工作量。3.降低故障造成的损失：通过及时发现并处理无人机的故障，可以避免故障带来的损失，保障无人机的安全运行。4.提高5G载人无人机的安全性和可靠性：通过提高判断准确度和及时发现故障，可以提高5G载人无人机的安全性和可靠性，保障其安全运行。

从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量的方法是一种有效的方法，可以提高5G载人无人机的安全性和可靠性，减少人工干预的工作量，降低故障造成的损失。

首先，对于步骤1121，对所述多个预定时间点的速度值、高度值、温度值和电池电量值进行数据结构化处理以得到多参数时序输入矩阵。其包括：将所述多个预定时间点的速度值、高度值、温度值和电池电量值按照时间维度和样本维度排列为所述多参数时序输入矩阵。

接着，将所述多个预定时间点的速度值、高度值、温度值和电池电量值按照时间维度和样本维度排列为多参数时序输入矩阵。也就是，将这些数据进行数据结构化处理，使得所述多参数时序输入矩阵可以将不同参数的时序数据整合在一起，保留了参数间和时间间的相关性，同时也使得数据符合后续模的输入形式。

在本申请的一个实施例中，按照时间维度排列，将每个时间点的速度值、高度值、温度值和电池电量值按照时间顺序排列，形成一个时间序列。将多个时间序列按照时间维度排列，形成一个多参数时序输入矩阵。按照样本维度排列，将每个时间点的速度值、高度值、温度值和电池电量值按照样本顺序排列，形成一个样本序列。将多个样本序列按照样本维度排列，形成一个多参数时序输入矩阵。

时间维度是指按照时间顺序排列数据的维度。在时间序列数据中，时间维度是非常重要的，能够反映出数据的变化趋势和周期性变化。例如，在5G载人无人机的安全通信中，按照时间维度排列多个预定时间点的速度值、高度值、温度值和电池电量值，以便提取参数间上下文关联特征向量。样本维度是指按照不同样本排列数据的维度。在机器学习中，通常将数据集分为多个样本，每个样本包含多个特征。在训练模型时，需要将不同样本的特征按照样本维度排列，以便进行批量处理。例如，在5G载人无人机的安全通信中，可以将多个载人无人机的数据按照样本维度排列，以便进行批量处理和模型训练。

然后，对于步骤1122，对所述多参数时序输入矩阵进行多尺度特征感知以得到多尺度多参数时序关联特征图。其包括：将所述多参数时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到所述多尺度多参数时序关联特征图。

考虑到所述多参数时序输入矩阵可能在不同时间跨度下具有不同的特征分布，也就是说，各个参数在不同时间上可能表现出不同的变化模式。因此，在本申请的技术方案中，将所述多参数时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到多尺度多参数时序关联特征图。也就是，利用具有不同尺度的卷积核的卷积神经网络模型来构建多尺度特征感知器，以捕获多参数时序输入矩阵中不同尺度下的特征信息，更全面地捕获数据中的多种变化模式。

具体而言，对于多参数时序输入矩阵来说，当使用较小的卷积核进行特征提取时，网络模型更关注局部的变化情况，比如参数在时间维度上的瞬时变化情况和参数与参数之间的局部关联信息。而当使用较大的卷积核进行特征提取时，网络模型的关注范围则更大，比如多个参数之间的长期依赖关系。也就是说，多参数时序输入矩阵的多尺度特征可能包括不同时间尺度上的变化和特征之间的相互关系。例如，无人机在运行过程中速度值、高度值、温度值和电池电量值在不同时间尺度内有变化，并且它们之间可能存在相互影响、相互依赖的关系。因此，在申请的技术方案中，通过使用不同尺度的卷积核，可以更全面地捕捉多参数时序输入矩阵的特征，从而提高模型的预测性能。

包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器是一种能够捕获多参数时序输入矩阵中不同尺度下的特征信息的模型，由两个卷积神经网络模型组成，分别是第一卷积神经网络模型和第二卷积神经网络模型。第一卷积神经网络模型是一个具有较小卷积核的卷积神经网络模型，用于捕获多参数时序输入矩阵中较短时间跨度下的特征信息。这个模型可以捕获数据中的局部特征，例如数据中的短期变化趋势和周期性变化。第二卷积神经网络模型是一个具有较大卷积核的卷积神经网络模型，用于捕获多参数时序输入矩阵中较长时间跨度下的特征信息。这个模型可以捕获数据中的全局特征，例如数据中的长期趋势和季节性变化。

通过将这两个模型结合起来，多尺度特征感知器可以更全面地捕获数据中的多种变化模式，提高模型的准确性和鲁棒性。

最后，对于步骤1123，对所述多尺度多参数时序关联特征图进行关联特征提取以得到所述参数间上下文关联特征向量。其包括：将所述多尺度多参数时序关联特征图的沿通道维度的各个特征矩阵展开为多个局部特征向量；以及，将所述多个局部特征向量通过基于转换器模型的上下文特征提取器以得到所述参数间上下文关联特征向量。

由于卷积神经网络模型受卷积核的限制，无法捕捉全局性的语义关联特征分布信息，因此，在本申请的技术方案中，先将所述多尺度多参数时序关联特征图的沿通道维度的各个特征矩阵展开为多个局部特征向量，以将数据转换为符合后续模型的输入形式。再将所述多个局部特征向量基于转换器模型的上下文特征提取器以得到参数间上下文关联特征向量。也就是，利用转换器的自注意力思想来对所述多个局部特征向量进行全局上下文关联语义提取。通过这样的方式，所述参数间上下文关联特征向量能够更好地反映不同参数之间的关联性。

具体地，将所述多个局部特征向量通过基于转换器模型的上下文特征提取器以得到所述参数间上下文关联特征向量，包括：将所述多个局部特征向量通过基于转换器模型的上下文特征提取器以得到初始参数间上下文关联特征向量；将所述多个局部特征向量级联为级联局部特征向量；以及，对所述级联局部特征向量及所述初始参数间上下文关联特征向量进行局部序列语义的片段式富化融合以获得所述参数间上下文关联特征向量。

进一步地，在本申请的技术方案中，在将所述多个局部特征向量基于转换器模型的上下文特征提取器得到所述参数间上下文关联特征向量时，所述参数间上下文关联特征向量可以聚焦于多参数样本-时序交叉关联特征的通道维度的上下文关联，因此，为了突出所述多个预定时间点的速度值、高度值、温度值和电池电量值的数值维度下的时序局部关联，优选地可以通过融合所述多个局部特征向量和所述参数间上下文关联特征向量来优化所述参数间上下文关联特征向量。

在融合所述多个局部特征向量和所述参数间上下文关联特征向量时，考虑到所述参数间上下文关联特征向量是所述多个局部特征向量基于转换器模型的上下文特征提取器得到的多个上下文局部特征向量级联得到的，因此其所述参数间上下文关联特征向量也具有基于局部片段语义的序列化分布属性。

因此，为了提升所述多个局部特征向量和所述初始参数间上下文关联特征向量的融合效果，本申请的申请人对所述多个局部特征向量级联得到的级联局部特征向量，例如记为及所述初始参数间上下文关联特征向量，例如记为/>进行局部序列语义的片段式富化融合，以获得优化后的参数间上下文关联特征向量，例如记为/>，具体表示为：

为特征向量/>和特征向量/>之间的距离矩阵，即/>，/>和均为列向量，且/>是权重超参数。

这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别的基于特征表象（featureappearance）的相似性进行捕获，实现了所述级联局部特征向量和所述初始参数间上下文关联特征向量/>的局部片段级语义的富化式融合，从而提升了优化的参数间上下文关联特征向量/>对所述级联局部特征向量/>和所述初始参数间上下文关联特征向量/>的融合效果，以提升优化的参数间上下文关联特征向量/>的特征表达。

具体地，在步骤113中，基于所述参数间上下文关联特征向量，确定所述5G载人无人机是否存在故障。其包括：将所述参数间上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测5G载人无人机是否存在故障。

继而，将所述参数间上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测5G载人无人机是否存在故障。其中，所述分类器是用于对数据进行分类的一种机器学习模型，可以根据特征向量来判断数据属于哪个分类标签。在这个场景中，将所述参数间上下文关联特征向量输入到分类器中，以自动地将其映射至对应的分类标签中，即“被监测5G载人无人机存在故障”或“被监测5G载人无人机不存在故障”。这样，可以智能化地对被监测5G载人无人机进行故障检测。

分类器是一种机器学习算法，用于将输入数据分为不同的类别。在本方法中，分类器用于将所述参数间上下文关联特征向量映射到故障和非故障两个类别中的一个，以判断被监测的5G载人无人机是否存在故障。常见的分类器包括支持向量机（SVM）、决策树、神经网络等。在具体实现中，可以根据数据集的特点和实际需求选择合适的分类器，并通过交叉验证等方法对其进行优化和评估。

将所述参数间上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测5G载人无人机是否存在故障，包括：使用所述分类器的多个全连接层对所述参数间上下文关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本发明实施例的5G安全通信方法100被阐明，其可以将5G载人无人机的参考信号与5G地面站的参考信号进行同步，增加了通信数据的安全性，防止5G载人无人机被劫持以及通信数据被窃取等情况发生。

图5为本发明实施例中提供的一种5G安全通信系统的框图。如图5所示，所述5G安全通信系统，包括：条件判断模块210，用于基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；指令发送模块220，用于响应于具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件，向所述5G载人无人机发送参考信号同步指令，以使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；密钥序列更新模块230，用于在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及，通信模块240，用于基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信；其中，所述第一参考信号基于时钟信号生成；所述参考信号同步指令规定参考信号同步的方式，且所述密钥序列根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新。

本领域技术人员可以理解，上述5G安全通信系统中的各个步骤的具体操作已经在上面参考图1到图4的5G安全通信方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本发明实施例的5G安全通信系统100可以实现在各种终端设备中，例如用于5G安全通信的服务器等。在一个示例中，根据本发明实施例的5G安全通信系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该5G安全通信系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该5G安全通信系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该5G安全通信系统100与该终端设备也可以是分立的设备，并且该5G安全通信系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图6为本发明实施例中提供的一种5G安全通信方法的应用场景图。如图6所示，在该应用场景中，首先，获取所述5G载人无人机（例如，如图6中所示意的M）在预定时间段内多个预定时间点的速度值（例如，如图6中所示意的C1）、高度值（例如，如图6中所示意的C2）、温度值（例如，如图6中所示意的C3）和电池电量值（例如，如图6中所示意的C4）；然后，将获取的速度值、高度值、温度值和电池电量值输入至部署有5G安全通信算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于5G安全通信算法对所述速度值、所述高度值、所述温度值和所述电池电量值进行处理，以确定所述5G载人无人机是否存在故障。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种5G安全通信方法，其特征在于，包括：

基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；

响应于具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件，向所述5G载人无人机发送参考信号同步指令，以使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；

在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及

基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信；其中，所述第一参考信号基于时钟信号生成；所述参考信号同步指令规定参考信号同步的方式，且所述密钥序列根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新；

其中，所述预定规则包括所述5G载人无人机无故障；其中，判断所述5G载人无人机无故障的过程，包括：

获取所述5G载人无人机在预定时间段内多个预定时间点的速度值、高度值、温度值和电池电量值；

从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量；以及

基于所述参数间上下文关联特征向量，确定所述5G载人无人机是否存在故障；

其中，从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量，包括：

对所述多个预定时间点的速度值、高度值、温度值和电池电量值进行数据结构化处理以得到多参数时序输入矩阵；

对所述多参数时序输入矩阵进行多尺度特征感知以得到多尺度多参数时序关联特征图；以及

对所述多尺度多参数时序关联特征图进行关联特征提取以得到所述参数间上下文关联特征向量；

基于所述参数间上下文关联特征向量，确定所述5G载人无人机是否存在故障，包括：

将所述参数间上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测5G载人无人机是否存在故障。

2.根据权利要求1所述的5G安全通信方法，其特征在于，对所述多个预定时间点的速度值、高度值、温度值和电池电量值进行数据结构化处理以得到多参数时序输入矩阵，包括：

将所述多个预定时间点的速度值、高度值、温度值和电池电量值按照时间维度和样本维度排列为所述多参数时序输入矩阵。

3.根据权利要求2所述的5G安全通信方法，其特征在于，对所述多参数时序输入矩阵进行多尺度特征感知以得到多尺度多参数时序关联特征图，包括：

将所述多参数时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到所述多尺度多参数时序关联特征图。

4.根据权利要求3所述的5G安全通信方法，其特征在于，对所述多尺度多参数时序关联特征图进行关联特征提取以得到所述参数间上下文关联特征向量，包括：

将所述多尺度多参数时序关联特征图的沿通道维度的各个特征矩阵展开为多个局部特征向量；以及

将所述多个局部特征向量通过基于转换器模型的上下文特征提取器以得到所述参数间上下文关联特征向量。

5.根据权利要求4所述的5G安全通信方法，其特征在于，将所述多个局部特征向量通过基于转换器模型的上下文特征提取器以得到所述参数间上下文关联特征向量，包括：

将所述多个局部特征向量通过基于转换器模型的上下文特征提取器以得到初始参数间上下文关联特征向量；

将所述多个局部特征向量级联为级联局部特征向量；以及

对所述级联局部特征向量及所述初始参数间上下文关联特征向量进行局部序列语义的片段式富化融合以获得所述参数间上下文关联特征向量。

6.根据权利要求5所述的5G安全通信方法，其特征在于，对所述级联局部特征向量及所述初始参数间上下文关联特征向量进行局部序列语义的片段式富化融合以获得所述参数间上下文关联特征向量，包括：以如下优化公式对所述级联局部特征向量及所述初始参数间上下文关联特征向量进行局部序列语义的片段式富化融合以获得所述参数间上下文关联特征向量；

其中，所述优化公式为：

其中，为所述级联局部特征向量，/>为所述初始参数间上下文关联特征向量，/>为所述初始参数间上下文关联特征向量的转置向量，/>为所述级联局部特征向量及所述初始参数间上下文关联特征向量之间的距离矩阵，/>和/>均为列向量，且/>是权重超参数，/>表示矩阵相乘，/>表示按位置加法。

7.一种5G安全通信系统，其特征在于，包括：

条件判断模块，用于基于预定规则，判断是否具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件；

指令发送模块，用于响应于具有使得5G地面站和5G载人无人机所产生的第一参考信号和第二参考信号发生同步的条件，向所述5G载人无人机发送参考信号同步指令，以使所述5G载人无人机令所述第二参考信号同步于所述第一参考信号；

密钥序列更新模块，用于在实现所述第一参考信号和所述第二参考信号之间的同步后，更新所述5G载人无人机的密钥序列；以及

通信模块，用于基于所述第一参考信号和所述密钥序列与所述5G载人无人机通信；其中，所述第一参考信号基于时钟信号生成；所述参考信号同步指令规定参考信号同步的方式，且所述密钥序列根据5G载人无人机与5G地面站之间的同步参考信号进行同步的次数或根据设定时间周期而更新；

其中，所述预定规则包括所述5G载人无人机无故障；其中，判断所述5G载人无人机无故障的过程，包括：

获取所述5G载人无人机在预定时间段内多个预定时间点的速度值、高度值、温度值和电池电量值；

从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量；以及

基于所述参数间上下文关联特征向量，确定所述5G载人无人机是否存在故障；

其中，从所述多个预定时间点的速度值、高度值、温度值和电池电量值中提取参数间上下文关联特征向量，包括：

对所述多个预定时间点的速度值、高度值、温度值和电池电量值进行数据结构化处理以得到多参数时序输入矩阵；

对所述多参数时序输入矩阵进行多尺度特征感知以得到多尺度多参数时序关联特征图；以及

对所述多尺度多参数时序关联特征图进行关联特征提取以得到所述参数间上下文关联特征向量；

基于所述参数间上下文关联特征向量，确定所述5G载人无人机是否存在故障，包括：

将所述参数间上下文关联特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测5G载人无人机是否存在故障。