作业内容
用matlab/python等作图工具，数值分析攻击信道容量。
分析报告
基本概念与公式
在单挑盲攻防的背景下，将攻守双方过去 N 次对抗的“盲自评结果”记录下来，得到一个二维随机变量（X 和 Y 分别表示攻击方和守方盲自评的结果，0表示失败，1表示成功）：
(
X
,
Y
)
=
(
X
1
,
Y
1
)
,
(
X
2
,
Y
2
)
,
.
.
.
,
(
X
N
,
Y
N
)
(X, Y) = (X_1, Y_1), (X_2, Y_2),...,(X_N, Y_N)
(X,Y)=(X1,Y1),(X2,Y2),...,(XN,YN)
当 N 趋于无穷大时，频率趋于概率Pr，所以，只要攻守双方足够长
时间对抗之后，得到随机变量X、Y的概率分布如下：
Pr(攻方盲自评为成功) = Pr(X=1) = p
Pr(攻方盲自评为失败) = Pr(X=0) = 1 - p，0 < p < 1
Pr(守方盲自评为成功) = Pr(Y=1) = q
Pr(守方盲自评为失败) = Pr(Y=0) = 1 - q，0 < q < 1
Pr(攻方盲自评为成功，守方盲自评为成功) = Pr(X=1，Y=1) = a，0 < a < 1
Pr(攻方盲自评为成功，守方盲自评为失败) = Pr(X=1，Y=0) = b，0 < b < 1
Pr(攻方盲自评为失败，守方盲自评为成功) = Pr(X=0，Y=1) = c，0 < c < 1
Pr(攻方盲自评为失败，守方盲自评为失败) = Pr(X=0，Y=0) = d，0 < d < 1
即，p 和 q 是攻方和守方盲自评成功的概率，a、b、c、d 表示攻方和守方盲自评结果的联合概率。X 和 Y 的联合概率与边缘概率表示如下：
| Y = 1 | Y = 0 | Y | |
|---|---|---|---|
| X = 1 | a | b | p |
| X = 0 | c | d | 1 - p |
| X | q | 1 - q |
这里，a、b、c、d、p、q 之间还满足下列关系：
- a + b + c + d = 1
- p = Pr(X=1) = Pr(X=1,Y=0) + Pr(X=1,Y=1) = a + b
- q = Pr(Y=1) = Pr(X=1,Y=1) + Pr(X=0,Y=1) = a + c
由此可知，6 个变量 a、b、c、d、p、q 中，其实只有 3 个是独立的。我们设这三个标量分别是 a、p 和 q。
黑客攻击能力的极限
以 X 作为输入，Z 作为输出，构造出一个通信信道 F，称之为攻击信道。
如果黑客的某次攻击真正成功，那么攻击信道 F 就成功地传输 1 bit 到收端；如果有 1 bit 被成功地从攻击信道 F 的发端，传送到了收端，那么黑客 X 就获得了一次真正成功攻击。
引理 1：黑客获得一次真正成功的攻击，其实就对等于攻击信道 F 成功地传输了 1 bit。
定理 1（黑客攻击能力极限定理）：设由随机变量(X；Z)组成的攻击信道 F 的信道容量为 C。那么：如果黑客想真正成功地把红客打败 k 次，一定有某种技巧（对应于仙农编码），使得他能够在 k/C 次攻击中，以任意接近 1 的概率达到目的；如果黑客经过 n 次攻击，获得了 S 次真正成功的攻击，一定有 S ≤ nC。
根据定理 1，只要求出攻击信道 F 的信道容量 C，那么黑客的攻击能力极限就确定了。
攻击信道容量
根据补充章节 1，在单用户信道中，信道容量 = max 互信息。
随机变量 (X,Z) 的联合概率分布为：
Pr (X=0, Z=0) = Pr (X=0,Y=0) = d
Pr (X=0, Z=1) = Pr (X=0,Y=1) = c
Pr (X=1, Z=0) = Pr (X=1,Y=1) = a
Pr (X=1, Z=1) = Pr (X=1,Y=0) = b
结合 X 和 Z 构成的通信系统 F 的转移矩阵
A
=
[
A
(
0
,
0
)
A
(
0
,
1
)
A
(
1
,
0
)
A
(
1
,
1
)
]
=
[
d
1
−
p
1
−
d
1
−
p
a
p
1
−
a
p
]
A = \begin{bmatrix} A(0,0) & A(0, 1) \\ A(1,0) & A(1, 1) \\ \end{bmatrix} = \begin{bmatrix} \frac{d}{1-p} & 1 - \frac{d}{1-p} \\ \frac{a}{p} & 1 - \frac{a}{p} \\ \end{bmatrix}
A=[A(0,0)A(1,0)A(0,1)A(1,1)]=[1−pdpa1−1−pd1−pa]
随机变量 X 和 Z之间的互信息为
I
(
X
,
Z
)
=
∑
x
∑
z
p
(
x
,
z
)
log
p
(
x
,
z
)
p
(
x
)
p
(
z
)
=
d
log
d
(
1
−
p
)
(
a
+
d
)
+
c
log
c
(
1
−
p
)
(
b
+
c
)
+
a
log
a
p
(
a
+
d
)
+
b
log
b
p
(
b
+
c
)
\begin{aligned} I(X, Z) &= \sum_x\sum_z p(x, z)\log\frac{p(x, z)}{p(x)p(z)} \\ &= d\log\frac{d}{(1-p)(a+d)} + c\log\frac{c}{(1-p)(b+c)} \\ &+ a\log\frac{a}{p(a+d)} + b\log\frac{b}{p(b+c)} \end{aligned}
I(X,Z)=x∑z∑p(x,z)logp(x)p(z)p(x,z)=dlog(1−p)(a+d)d+clog(1−p)(b+c)c+alogp(a+d)a+blogp(b+c)b
又由于 a + b + c + d = 1，p = a + b，q = a + c，0 < a, b, c, d, p, q < 1，可以进一步转化为只与变量a和p有关的如下公式（注意：此时q已不再是变量，而是确定值了）
I
(
X
,
Z
)
=
[
1
+
a
−
p
−
q
]
log
1
+
a
−
(
p
+
q
)
(
1
−
p
)
(
1
+
2
a
−
p
−
q
)
+
(
q
−
a
)
log
q
−
a
(
1
−
p
)
(
p
+
q
−
2
a
)
+
a
log
a
p
(
1
+
2
a
−
p
−
q
)
+
(
p
−
a
)
log
p
−
a
p
(
p
+
q
−
2
a
)
\begin{aligned} I(X, Z) &= [1+a-p-q]\log\frac{1+a-(p+q)}{(1-p)(1+2a-p-q)} \\ &+ (q-a)\log\frac{q-a}{(1-p)(p+q-2a)} \\ &+ a\log\frac{a}{p(1+2a-p-q)} + (p-a)\log\frac{p-a}{p(p+q-2a)} \end{aligned}
I(X,Z)=[1+a−p−q]log(1−p)(1+2a−p−q)1+a−(p+q)+(q−a)log(1−p)(p+q−2a)q−a+alogp(1+2a−p−q)a+(p−a)logp(p+q−2a)p−a
利用此
I
(
X
,
Z
)
I(X, Z)
I(X,Z) 就可知：以 X 为输入，Z 为输出的信道 F 的信道容量
C
=
m
a
x
[
I
(
X
,
Z
)
]
C = max[I(X, Z)]
C=max[I(X,Z)]（这里最大值是针对 X 为所有可能的二元离散随机变量来计算的）。
在此处一对一的信道中，其容量
C
=
m
a
x
0
<
a
,
p
<
1
[
I
(
X
,
Z
)
]
C = max_{0<a,p<1}[I(X,Z)]
C=max0<a,p<1[I(X,Z)]，这里的最大值是对仅仅两个变量 a 和 p 在条件 0 < a，p < 1 下之取的，也就是说 攻击信道容量 C，其实是 q 的函数。
攻击信道容量的数值分析
根据攻击信道容量公式
C = m a x 0 < a , p < 1 [ I ( X , Z ) ] = m a x 0 < a , p < 1 [ ( 1 + a − p − q ) log 1 + a − ( p + q ) ( 1 − p ) ( 1 + 2 a − p − q ) + ( q − a ) log q − a ( 1 − p ) ( p + q − 2 a ) + a log a p ( 1 + 2 a − p − q ) + ( p − a ) log p − a p ( p + q − 2 a ) ] \begin{aligned} C &= max_{0<a,p<1}[I(X,Z)] \\ &= max_{0<a,p<1} [ (1+a-p-q)\log\frac{1+a-(p+q)}{(1-p)(1+2a-p-q)} \\ &+ (q-a)\log\frac{q-a}{(1-p)(p+q-2a)} \\ &+a\log\frac{a}{p(1+2a-p-q)} + (p-a)\log\frac{p-a}{p(p+q-2a)} ] \end{aligned} C=max0<a,p<1[I(X,Z)]=max0<a,p<1[(1+a−p−q)log(1−p)(1+2a−p−q)1+a−(p+q)+(q−a)log(1−p)(p+q−2a)q−a+alogp(1+2a−p−q)a+(p−a)logp(p+q−2a)p−a]
下面给出以 q 为自变量的攻击信道容量的数值分析函数：
# Compute mutual information
def get_i(a, p ,q):
c1 = 1 + a - p - q
c2 = q - a
c3 = p - a
c4 = 1 + 2 * a - p - q
c5 = p + q - 2 * a
i1 = c1 * np.log(c1 / ((1 - p) * c4))
i2 = c2 * np.log(c2 / ((1 - p) * c5))
i3 = a * np.log(a / (p * c4))
i4 = c3 * np.log(c3 / (p * c5))
i = i1 + i2 + i3 + i4
return i
# def get_max_i(i):
def get_max_i(a, p ,q):
i = get_i(a, p ,q)
i = np.nan_to_num(i)
max_i = np.max(i)
# print(max_i)
# print(i)
return max_i
其中 get_i 函数是根据公式 I(X, Z) 计算互信息，get_max_i 函数是根据
C
=
m
a
x
0
<
a
,
p
<
1
[
I
(
X
,
Z
)
]
C = max_{0<a,p<1}[I(X,Z)]
C=max0<a,p<1[I(X,Z)] 计算信道容量，即最大的互信息。画出攻击信道容量的数值分析图像如下：
import numpy as np
import matplotlib.pyplot as plt
_p = np.arange(0.01, 1.00, 0.01)
_q = np.arange(0.01, 1.00, 0.01)
# Meshgrid for 2D array creation
p, q = np.meshgrid(_p, _q)
# 2D array outer product
a = np.outer(_p, _q)
# Compute mutual information
def get_i(a, p ,q):
c1 = 1 + a - p - q
c2 = q - a
c4 = p - a
c5 = 1 + 2 * a - p - q
c6 = p + q - 2 * a
i1 = c1 * np.log(c1 / ((1 - p) * c5))
i2 = c2 * np.log(c2 / ((1 - p) * c6))
i3 = a * np.log(a / (p * c5))
i4 = c4 * np.log(c4 / (p * c6))
i = i1 + i2 + i3 + i4
return i
i = get_i(a, p ,q)
# Plotting
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(p, q, i, cmap='jet')
# Axis labels
ax.set_xlabel('p')
ax.set_ylabel('q')
ax.set_zlabel('I(X,Z)')
# Title
ax.set_title('Image of I(X,Z) when a=pq')
# plt.show()
plt.savefig('Ivspq.png', dpi=200)
# print(np.argmin(i), np.max(i))
# Reshape the 2D array i into a 1D array
i_flat = i.flatten()
# Find the index of the maximum value in the 1D array
max_idx = np.argmax(i_flat)
# Find the corresponding p and q values using the index
max_p_idx, max_q_idx = np.unravel_index(max_idx, i.shape)
max_p = p[max_p_idx, max_q_idx]
max_q = q[max_p_idx, max_q_idx]
print("Maximum I(X,Z) value:", i_flat[max_idx])
print("Corresponding p value:", max_p)
print("Corresponding q value:", max_q)
完整绘图代码见 hw1-Cvsq.py 文件。从图中可以看到：攻击信道容量 C 随 q 的增大呈现先减小后增大的趋势，即攻击信道容量 C 是一个凹函数。在 q = 0.5 附近时，攻击信道容量 C 达到最小值 0.069。
a = pq (p 和 q 互相独立) 时，互信息与 p 和 q 的关系
完整绘图代码见 hw1-Ivspq.py 文件。从图中可以看到：
- 当 q 趋近于 0 或 1 时，互信息最大；
- 当 q 趋近于 0.5 时，互信息最小；
- 当 q 不变，p 趋近于 0.5 时，互信息相对较大。
import numpy as np
import matplotlib.pyplot as plt
a_range = np.arange(0.01, 1.00, 0.001)
p_range = np.arange(0.01, 1.00, 0.001)
q_range = np.arange(0.02, 0.99, 0.001)
# Meshgrid for 2D array creation
a, p = np.meshgrid(a_range, p_range)
# Compute mutual information
def get_i(a, p ,q):
c1 = 1 + a - p - q
c2 = q - a
c3 = p - a
c4 = 1 + 2 * a - p - q
c5 = p + q - 2 * a
i1 = c1 * np.log(c1 / ((1 - p) * c4))
i2 = c2 * np.log(c2 / ((1 - p) * c5))
i3 = a * np.log(a / (p * c4))
i4 = c3 * np.log(c3 / (p * c5))
i = i1 + i2 + i3 + i4
return i
# def get_max_i(i):
def get_max_i(a, p ,q):
i = get_i(a, p ,q)
i = np.nan_to_num(i)
max_i = np.max(i)
# print(max_i)
# print(i)
return max_i
max_i = np.zeros_like(q_range)
for i, q in enumerate(q_range):
# i = get_i(a, p ,q)
max_i[i] = get_max_i(a, p ,q)
# Plotting
fig = plt.figure()
ax = fig.add_subplot()
ax.plot(q_range, max_i)
# Axis labels
ax.set_xlabel('q')
ax.set_ylabel('max I(X,Z)')
# Title
ax.set_title('Image of C = max I(X,Z) vs q')
plt.show()
# plt.savefig('Cvsq.png', dpi=100)
print(q_range[np.argmin(max_i)], np.min(max_i))
print(q_range[np.argmax(max_i)], np.max(max_i))
固定 q 时，互信息与 p 和 a 的关系
以下为 q = 0.1 到 q = 0.9 时， 互信息 I(X, Z) 与 p 和 a 的关系。（代码见 hw1-Ivsap.py）
import numpy as np
import matplotlib.pyplot as plt
q = 0.1
# Compute mutual information
def get_i(a, p ,q):
c1 = 1 + a - p - q
c2 = q - a
c3 = p - a
c4 = 1 + 2 * a - p - q
c5 = p + q - 2 * a
i1 = c1 * np.log(c1 / ((1 - p) * c4))
i2 = c2 * np.log(c2 / ((1 - p) * c5))
i3 = a * np.log(a / (p * c4))
i4 = c3 * np.log(c3 / (p * c5))
i = i1 + i2 + i3 + i4
return i
# def get_max_i(i):
def get_max_i(a, p ,q):
i = get_i(a, p ,q)
i = np.nan_to_num(i)
max_i = np.max(i)
# print(max_i)
# print(i)
return max_i
# while (q <= 0.9):
# p_range = np.arange(0, 1, 0.01)
# a_range = np.arange(0, q, q/100)
# p, a = np.meshgrid(p_range, a_range)
# i = get_i(a, p, q)
# fig = plt.figure()
# ax = fig.add_subplot(projection='3d')
# ax.plot_surface(p, a, i, cmap='jet')
# string = 'Image of I(X,Z) when q = %.2f' % q
# ax.set_zlim3d(zmin=0, zmax=0.5)
# ax.set_title(string)
# ax.set_xlabel('p')
# ax.set_ylabel('a')
# ax.set_zlabel('I(X,Z)')
# # plt.savefig('q=%.2f.png' % q, dpi=200)
# plt.show()
# q = q + 0.1
fig, axs = plt.subplots(3, 3, figsize=(15, 15))
for i, ax in enumerate(axs.flatten()):
q = i / 10.0 + 0.1
p_range = np.arange(0, 1, 0.001)
a_range = np.arange(0, q, q/1000)
p, a = np.meshgrid(p_range, a_range)
i_val = get_i(a, p, q)
ax.axis("off")
ax = fig.add_subplot(3, 3, i + 1, projection='3d')
string = 'Image of I(X,Z) when q = %.2f' % q
ax.plot_surface(p, a, i_val, cmap='jet')
ax.set_title(string)
ax.set_xlabel('p')
ax.set_ylabel('a')
ax.set_zlabel('I(X,Z)')
ax.set_zlim3d(zmin=0, zmax=0.5)
plt.tight_layout()
plt.show()
在 q 从 0.1 变到 0.9 时，可以发现：
- 在局部图像上，图像中的曲面随着 q 的增大，呈现先凹后凸的趋势，中间部分相对于便于两边时凸起的，随后开始下陷，即两边升起；
- 在 q 增大的全过程中，互信息随着 p 先增大后减小的，即从 p 的角度看，互信息始终是一个凸函数；但凸起的程度则是先减小后增大的，即凸起的程度是一个凹函数，这个分界点在 p = 0.5 附近；
- 在 q 增大的全过程中，互信息随着 a 的变化则则是先凹函数，后凸函数，即随着 q 的增大，互信息随着 a 的变化趋势也在变化；
- 固定 a，随着 q 的增大，互信息与 p 的关系由凸函数变为凹函数；
- 固定 p，随着 q 的增大，互信息与 a 的关系始终是凹函数。
结合以上的第 2 和 4 条、第 3 和 5 条，进一步可以发现，互信息随着 p 和 a 的变化，在宏观和微观上有着互补的变化趋势。
1283
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
