关于信息安全:信源分类及数学模型

7次阅读

共计 4445 个字符，预计需要花费 12 分钟才能阅读完成。

本专栏蕴含信息论与编码的外围常识，按知识点组织，可作为教学或学习的参考。markdown 版本已归档至【Github 仓库：information-theory】，须要的敌人们自取。或者关注公众号【AIShareLab】，回复 信息论 也可获取。

1. 间断（模仿）信源:

2. 离散（数字）信源:

信源输入的信号是随机信号。

1、无记忆信源: 信源先后收回的符号互相统计独立，具备雷同的概率分布;

2、有记忆信源: 信源先后收回的符号相互依赖。

间断信源是有记忆信源。

信源：产生 随机变量、随机序列和随机过程 的信号源。

在通信零碎中收信者在未收到音讯以前对信源收回什么音讯是不确定的，是随机的，所以可用随机变量、随机序列或随机过程来形容信源输入的音讯, 或者说用一个样本空间及其概率测度——概率空间 来形容信源

信源的根本个性: 具备随机不确定性。

香农信息论的根本观点

用 随机变量或随机矢量来示意信源
用 概率论和随机过程的实践来钻研信息

用离散随机变量 X 示意单符号离散信源（一个符号示意一残缺音讯，符号取值可列)，X 的可能取值为信源收回的各种不同符号，X 的概率分布为各符号的先验概率。

例：信源 X 的取值有 $N$ 个, $x_{1}, x_{2}, \ldots, x_{N}$ , 称为信源字符集，各符号概率分布 $P\left(x_{1}\right), P\left(x_{2}\right), \ldots, P\left(x_{n}\right)$ 且 $\Sigma_{i} P\left(x_{i}\right)=1$

信源的取值为无穷不可数的间断值, 其概率分布用概率密度函数 p(x)示意，且

$$
\int_{-\infty}^{\infty} p(x) d x=1
$$

如果信源 $\mathbf{X}$ 的符号集 $\mathbf{A}=\{\mathbf{x}_{1}, \ldots, \mathbf{x}_{\mathrm{n}}\}$ , 信源在 离散工夫 收回 单个符号 , 且符号产生的概率 互相独立 , 称为单符号离散无记忆信源, 数学模型 为:

$$
\begin{array}{l}
{\left[\begin{array}{l}
X \\
P
\end{array}\right]=\left[\begin{array}{ccc}
x_{1} & \cdots & x_{n} \\
p\left(x_{1}\right) & \cdots & p\left(x_{n}\right)
\end{array}\right]} \\
p\left(x_{i}\right) \geq 0, \quad \sum_{i=1}^{n} p\left(x_{i}\right)=1
\end{array}
$$

其中 $p\left(x_{\mathrm{i}}\right)$ 成为符号 $x_{\mathrm{i}}$ 的先验概率。

Example1：一个二元无记忆信源, 符号集 A={0,1} , p 为 X=0 的概率, q 为 X=1 的概率, q=1-p ; 请写出该信源的模型。
解：信源模型为

$\left[\begin{array}{l}
X \
P
\end{array}\right]=\left[\begin{array}{ll}
0 & 1 \
p & q
\end{array}\right]$

$\left[\begin{array}{l}
X \
P
\end{array}\right]=\left[\begin{array}{c}
x \in(a, b) \
p(x)
\end{array}\right], \quad \int_{a}^{b} p(x) d x=1$，其中 $p(x) \geq 0$ 为信源输入的概率密度函数

若一个信源输入是一系列离散的符号, 而每个符号又是随机的, 即信源输入为一系列随机变量 (随机矢量）, 从而信源的输入可用 L 维随机矢量 $\left[X_{1}, X_{2}, \ldots, X_{L}\right]$ 来形容, 其中 $\boldsymbol{L}$ 为无限正整数或可数的有限值。

上述随机矢量中, 若每个随机变量 $X_{i}(\boldsymbol{i}=1,2, \ldots, L)$ 都是离散的, 则可用 L 维离散概率空间来形容这类信源。

即若 $\boldsymbol{L}$ 维随机矢量 $X=\left[X_{1} X_{2} \ldots X_{L}\right], X_{\mathrm{i}}$ 的具体取值为 $x \in\left(a_{1}, a_{2}, \ldots a_{n},\right)$ , 对应概率为 $P_{X}(x)=P\left(x_{1} x_{2} \ldots x_{L}\right)$ 为 $\boldsymbol{L}$ 维联结概率分布, 则该信源的数学模型为

$$
\begin{array}{l}
\left(\begin{array}{c}
X^{L} \\
P(x)
\end{array}\right)
=\left(\begin{array}{ccccc}
\left(a_{1} a_{1} \ldots a_{1}\right) & \ldots & \left(a_{1} a_{2 \ldots} a_{m}\right) & \ldots & \left(a_{n} a_{n} \ldots a_{n}\right) \\
P\left(a_{1} a_{1} \ldots a_{1}\right) & \ldots & P\left(a_{1} a_{2 \ldots} a_{m}\right) & \ldots & P\left(a_{n} a_{n} \ldots a_{n}\right)
\end{array}\right)
\end{array}
$$

其中离散音讯序列长度为 $\boldsymbol{L}$ , 序列每符号有 $\boldsymbol{n}$ 种取值, 整个音讯序列共有 $n^{L}$ 种取值。

当输入序列中的前后音讯（符号）互相 统计独立 , 且具备 雷同的概率分布, 则 L 维随机矢量的联结概率分布满足

$$
P(X)=\prod_{i=1}^{L} P\left(X_{i}=x_{\boldsymbol{j}}\right), \boldsymbol{j}=1,2, \ldots, n
$$

即 $\boldsymbol{L}$ 维随机矢量的联结概率分布可用随机矢量中单个随机变量的概率乘积来示意。这种信源为 离散无记忆信源。

设信源为 $\mathrm{X}$ , 则由 $\mathrm{X}$ 形成 N 维随机矢量汇合 $\mathbf{X}^{N}=\left[X_{1} X_{2} \ldots X_{N}\right], \quad\left(\right.$ 其中 $\mathbf{X}_{\mathbf{i}}$ 与 $\mathbf{X}$ 同散布, 取自同一信源 X），称为 信源 $\mathrm{X}$ 的 N 次扩大源。

Example2：求例 1 中信源的二次扩大源模型：
$\mathbf{E x} 1$ 的二元无记忆信源模型为

$\left[\begin{array}{l}
X \
P
\end{array}\right]=\left[\begin{array}{ll}
0 & 1 \
p & q
\end{array}\right]$

其二次扩大信源为
$\left[\begin{array}{l}X^{2} \ p(\alpha)\end{array}\right]=\left[\begin{array}{llll}\alpha_{1}(00) & \alpha_{2}(01) & \alpha_{3}(10) & \alpha_{4}(11) \ p\left(\alpha_{1}\right) & p\left(\alpha_{2}\right) & p\left(\alpha_{3}\right) & p\left(\alpha_{4}\right)\end{array}\right] \
p\left(\alpha_{1}\right)=p^{2}, p\left(\alpha_{2}\right)=p(1-p)=p\left(\alpha_{3}\right)
p\left(\alpha_{4}\right)=(1-p)^{2}$

一个离散无记忆信源的 $\mathbf{N}$ 次扩大信源形容如下：

设 $\mathbf{X}$ 为离散无记忆信源, 则 $\mathbf{X}$ 的 $\mathbf{N}$ 次扩大信源记为 $\mathbf{X}^{N} , \mathbf{X}^{N}=\left[X_{1} X_{2} \ldots X_{N}\right]$ , 其模型为

$$
\left(\begin{array}{c}
\mathbf{X}^{N} \\
P
\end{array}\right)=\left(\begin{array}{ccc}
a_{1} & \cdots & a_{M} \\
p\left(a_{1}\right) & \cdots & p\left(a_{M}\right)
\end{array}\right)
$$

每个 $X_{i}$ 取自同一个字母表 $A=\{a_{1}, a_{2}, \ldots, a_{N}\}$ , 且 $X_{i}$ 与 $\mathbf{X}$ 同散布，因而, $\mathbf{X}^{\mathrm{N}}$ 的符号集为 $A^{N}=\{\boldsymbol{a}_{1}, \ldots, \boldsymbol{a}^{N}\}, \boldsymbol{a}_{j}$ 为多维信源中的一个矢量, 即 $a_{j} \in A^{N}$ , 矢量的个数为 $n^{N}$,$\boldsymbol{a}_{\boldsymbol{j}}=\left(a_{j_{1}} a_{j_{2}, \ldots,}, a_{j N}\right)$,$a_{j k}$ 为 $\boldsymbol{a}_{j} $ 的第 $\mathbf{k}$ 个重量, 且 $p\left(\boldsymbol{a}_{j}\right)=\prod_{k=1}^{N} p_{j k}$ ,$p_{j k}$ 为第 $\mathrm{j}$ 个矢量第 $\mathrm{k}$ 个重量取符号 $\boldsymbol{a}_{\mathrm{jk}}$ 的概率。

参考文献：

Proakis, John G., et al. Communication systems engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
Proakis, John G., et al. SOLUTIONS MANUAL Communication Systems Engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
周炯槃. 通信原理（第 3 版）[M]. 北京：北京邮电大学出版社, 2008.
樊昌信, 曹丽娜. 通信原理（第 7 版）[M]. 北京：国防工业出版社, 2012.

正文完