⚡ electrical engineering

SNF-PRP: A Covert Integrating Sensing and Communications Framework

Dieses Papier stellt SNF-PRP vor, ein verdecktes Integrated-Sensing-and-Communications-Framework für OFDM-Systeme, das unter-Rauschflur-basierte pseudozufällige Sondierung und Spreizgewinn nutzt, um eine unentdeckbare Wahrnehmung mit hoher Genauigkeit zu erreichen, während gleichzeitig strenge Anforderungen an die Verdeckung gegenüber Detektionsgegnern mittels Energiedetektion erfüllt werden.

Ursprüngliche Autoren: Dhrumil Bhatt, Vidushi Kumar

Veröffentlicht 2026-06-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Dhrumil Bhatt, Vidushi Kumar

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein geheimes Gespräch in einem sehr lauten, überfüllten Raum zu belauschen. Normalerweise müssten Sie schreien, um das Geheimnis zu hören, was sofort jedem anderen signalisiert: „Hey, ich höre zu!“ oder sogar „Ich spioniere!“

Dieses Paper stellt eine neue Art und Weise vor, gleichzeitig zu „hören“ (die Umgebung wahrzunehmen) und zu „sprechen“ (Daten zu senden), ohne dass es jemand merkt. Die Autoren nennen dies SNF-PRP (Sub-Noise-Floor Pseudo-Random Probing).

Hier ist die Funktionsweise, unterteilt in einfache Konzepte und Analogien:

1. Das Problem: Der „Taschenlampen“-Effekt

In modernen drahtlosen Systemen (wie 5G) senden Geräte oft spezielle Signale aus, um Dinge in ihrer Umgebung zu „erfassen“ (sensing), wie zum Beispiel die Geschwindigkeit oder Entfernung eines Autos.

Das Problem: Diese Signale sind wie das Leuchten einer hellen Taschenlampe in einem dunklen Raum. Selbst wenn Sie versuchen, sich zu verstecken, verrät Sie das Licht selbst. Ein „passiver Beobachter“ (ein Feind oder Lauscher) kann das Licht sehen und weiß: „Jemand erfasst hier gerade etwas“, selbst wenn er nicht hören kann, was gesagt wird.
Bestehende Lösungen: Bestehende Methoden versuchen, die Nachricht im Licht zu verstecken, aber das Licht selbst bleibt sichtbar.

2. Die Lösung: Das „Flüstern im Wind“

Die Autoren schlagen einen Trick vor, bei dem das Erfassungssignal so leise ist, dass es unter dem natürlichen Hintergrundrauschen des Raumes vergraben liegt.

Die Analogie: Stellen Sie sich vor, das Hintergrundgeräusch des Raumes ist das Geräusch von Wind, der durch Bäume weht. Die neue Methode sendet ein „Flüstern“, das leiser ist als der Wind. Für jeden, der nur auf den Wind hört, klingt es exakt wie der Wind. Es gibt kein zusätzliches „Zischen“ oder „Klicken“, das jemanden alarmieren könnte.
Der geheime Schlüssel: Nur der beabsichtigte Empfänger (der „Gute“) besitzt einen speziellen geheimen Code (einen kryptografischen Seed).
- Der Gute: Kennt den Code. Er kann das Flüstern und das normale Geplapper herausfiltern, sodass nur das spezifische Muster des Flüsterns übrig bleibt. Er kann dann die „Erfassungsinformationen“ (wie die Entfernung eines Objekts) rekonstruieren.
- Der Böse (Willie): Besitzt den Code nicht. Für ihn sieht das Flüstern exakt wie zufälliges Rauschen aus. Er kann nicht zwischen dem Signal und dem Rauschen unterscheiden.

3. Wie es funktioniert: Der „Puzzleteil“-Trick

Das System nutzt eine Technologie namens OFDM (verwendet in 5G und WLAN), die Daten in viele kleine Frequenzkanäle (Subcarrier) aufteilt.

Verteilung des Signals: Anstatt das gesamte Flüstern auf einen einzigen Kanal zu legen, verteilt das System winzige, winzig kleine Fragmente des Flüsterns über hunderte von Kanälen.
Der Gewinn: Denken Sie an ein Puzzle. Der Böse sieht hunderte winziger, zufälliger Puzzleteile, die auf dem Boden verstreut liegen. Sie sehen aus wie Abfall. Der Gute hingegen hat das Bild auf dem Karton (den geheimen Seed). Er kann die Teile aufheben, sie zusammensetzen, und plötzlich wird das Bild (die Erfassungsdaten) klar.
Das Ergebnis: Je mehr Teile (Subcarrier) man verwendet, desto schwieriger ist es für den Bösen, das Muster zu bemerken, aber desto einfacher ist es für den Guten, das Puzzle zu lösen.

4. Der Kompromiss: Geduld vs. Tarnung

Das Paper hebt einen spezifischen Kompromiss hervor, den die Autoren als „Drei-Wege-Balance“ bezeichnen:

Tiefer gehen: Wenn Sie das Flüstern leiser machen (tiefer vergraben), wird es noch schwieriger für den Bösen, es zu entdecken.
Die Kosten: Da das Signal so leise ist, muss der Gute länger zuhören, um genügend Teile zu sammeln, um das Puzzle zu lösen.
Die Magie: Die Autoren beweisen, dass selbst wenn Sie länger warten, die Qualität des fertigen Bildes nicht schlechter wird. Sie müssen lediglich geduldiger sein.
- Beispiel: Wenn Sie mit -12 Dezibel flüstern (sehr leise), benötigen Sie vielleicht etwa 191 „Frames“ (eine spezifische Zeiteinheit in 5G), um eine klare Messung zu erhalten. Aber sobald Sie dies tun, ist die Messung genauso genau, als hätten Sie geschrien.

5. Die Ergebnisse: Hat es funktioniert?

Die Autoren haben dies unter Verwendung von 5G-Standards getestet (speziell das n78-Band, das häufig bei 5G verwendet wird).

Tarnung: Sie konnten das Erfassungssignal so gut verstecken, dass die mathematische „Detektierbarkeit“ (Detectability) 5,8-mal niedriger war als der Schwellenwert, ab dem ein Beobachter Verdacht schöpfen würde.
Genauigkeit: Selbst mit dem Signal tief im Rauschen konnten sie die Entfernung mit einer Genauigkeit von weniger als 0,5 Metern und die Geschwindigkeit mit einer Genauigkeit von weniger als 0,5 Metern pro Sekunde messen.
Vergleich: Vorherige Methoden konnten zwar die Nachricht verbergen, aber nicht den Akt des Erfassens selbst. Diese Methode verbirgt den Akt des Erfassens selbst.

Zusammenfassung

Dieses Paper präsentiert eine neue Art und Weise, 5G-Signale zu nutzen, um die Welt zu „sehen“, ohne dass jemand merkt, dass man hinsieht. Es funktioniert, indem das Erfassungssignal so tief im Hintergrundrauschen verborgen wird, dass es für einen Außenstehenden nach gar nichts aussieht, während ein vertrauenswürdiger Empfänger einen geheimen Schlüssel nutzt, um das Signal wieder zusammenzusetzen. Die einzige Bedingung ist, dass der Empfänger etwas länger warten muss, um ein klares Bild zu erhalten, aber das Bild ist genauso scharf, als wäre das Signal laut gewesen.

Technische Zusammenfassung: SNF-PRP – Ein Framework für verdeckte integrierte Sensorik und Kommunikation

Problemstellung
Integrierte Sensorik- und Kommunikationssysteme (Integrated Sensing and Communication, ISAC) ermöglichen die gleichzeitige Umgebungswahrnehmung und Datenübertragung, führen jedoch eine kritische Sicherheitslücke ein: Sensorik-Wellenformen werden bewusst abgestrahlt, wodurch sowohl die eingebetteten Informationen als auch der bloße Umstand, dass eine Sensorik stattfindet, exponiert werden. Bestehende Ansätze zur Sicherheit auf der physikalischen Schicht (Physical Layer Security, PLS) in ISAC konzentrieren sich primär auf den Schutz von Datennutzlasten mittels Beamforming, künstlichem Rauschen oder rekonfigurierbaren intelligenten Oberflächen. Diese Methoden operieren jedoch typischerweise mit Sonden oberhalb des Rauschniveaus, was dazu führt, dass die Sensorik-Aktivität selbst für einen passiven Wächter (Willie) mittels Energiedetektion nachweisbar bleibt. In der aktuellen Literatur fehlt ein formales Framework, das eine nachweisbare Garantie für die Verdecktheit speziell der Sensorik-Wellenform selbst bietet, anstatt nur des Kommunikationskanals.

Methodik: Sub-Noise-Floor Pseudo-Random Probing (SNF-PRP)
Das Paper schlägt SNF-PRP vor, ein Framework für OFDM-basierte ISAC-Systeme (speziell 5G NR), die in Sub-6-GHz-Bändern operieren. Der Kernmechanismus besteht darin, eine kryptografisch gesäte pseudo-zufällige Rauschsequenz (Pseudo-Random Noise, PRN) auf eine Standard-Downlink-Wellenform zu superponieren, wobei die Leistung strikt unter dem instantanen Rauschniveau liegt.

Signalmodell: Das gesendete Signal ist eine Superposition aus der Kommunikationsdaten und dem Sondensignal ( $X[m] = X_c[m] + X_p[m]$ ). Die Sondengestalt $P_p$ ist definiert als $\Delta_p \sigma^2$ , wobei $\Delta_p < 1$ , um sicherzustellen, dass die Sonde auf jedem Subträger unter dem Rauschen $\sigma^2$ begraben ist.
Legitimer Empfänger: Ein legitimer Sensor-Knoten teilt die Basisstation einen vorab verteilten kryptografischen Seed $s$ . Unter Verwendung dieses Seeds regeneriert der Empfänger exakt das PRN-Template und wendet kohärentes Matched-Filtering sowie Multi-Symbol-Akkumulation an. Dieser Prozess stellt die Sensorikparameter (Entfernung und Geschwindigkeit) wieder her, indem er das Signal-Rausch-Verhältnis (SNR) durch Integration effektiv erhöht, was den anfänglichen Leistungsdefizit kompensiert.
Adversary-Modell: Ein passiver Wächter (Willie), dem der Seed fehlt, kann keine kohärente Verarbeitung durchführen. Willie ist auf inkohärente radiometrische Energiedetektion beschränkt (der optimale Neyman-Pearson-Test zur Unterscheidung komplexer Gauß-Verteilungen, die sich nur in der Varianz unterscheiden). Unter diesem Modell ist die Sonde statistisch ununterscheidbar von thermischem Rauschen.
Metrik der Verdecktheit: Die Verdecktheit wird mittels der Kullback-Leibler-Divergenz ( $D_{KL}$ ) zwischen der Hypothese von reinem Rauschen ( $H_0$ ) und der Anwesenheit der Sonde ( $H_1$ ) quantifiziert. Das System zielt darauf ab, $D_{KL} \leq \epsilon$ zu erfüllen.

Wesentliche Beiträge

Erste nachweisbare Sensorik-Verdecktheit: Nach Kenntnis der Autoren ist dies das erste Framework, das das KL-Divergenz-Kriterium für die Verdecktheit direkt auf die Sensorik-Sondewellenform anwendet und eine formale Garantie etabliert, dass der Akt der Sensorik unentdeckbar ist, anstatt nur die Datennutzlast.
$N_{sc}$ -fache Spreizgewinn-Optimierung: Das Paper identifiziert einen Spreizgewinn von $N_{sc}$ (FFT-Größe), der in vorherigen Breitbandanalysen fehlte. Durch die gleichmäßige Verteilung der Sonde über alle Subträger wird die KL-Divergenz um den Faktor $N_{sc}$ unterdrückt, was in spezifischen 5G-NR-Konfigurationen zu einem Korrekturfaktor von über $10^6$ führt.
Geschlossene Trade-off-Analyse: Die Autoren leiten einen geschlossenen Ausdruck für die erforderliche minimale Integrationslänge ( $N^*$ ) ab, um eine Ziel-Cramér-Rao-Schranke (CRB) zu erreichen. Sie etablieren einen Drei-Wege-Trade-off zwischen Sondengestalt ( $\Delta_p$ ), Integrationslänge ( $N^*$ ) und Doppler-Auflösung ( $\delta_v$ ). Entscheidend ist, dass sie beweisen, dass das effektive Sensorik-SNR bei der erforderlichen Integrationslänge invariant gegenüber $\Delta_p$ ist; eine Senkung der Sondengestalt vertieft die Verdecktheit, erfordert jedoch eine proportional längere Integration, ohne die fundamentale Schätzgenauigkeit zu beeinträchtigen.

Simulationsergebnisse
Die Simulationen wurden unter Verwendung der 5G-NR-Numerologie ( $\mu=0$ , 3,5 GHz Band, n78) mit einer Ziel-Entfernungsgenauigkeit von 0,5 m und einer Geschwindigkeitsgenauigkeit von 0,5 m/s durchgeführt.

Machbarkeit: Das System ist gemeinsam machbar (Erfüllung sowohl der Sensorik-Ziele als auch der Verdecktheits-Constraints) bei Sondengestalten von $\Delta_p = -12$ dB und $-15$ dB. Auf diesen Ebenen liegt die KL-Divergenz signifikant unter dem Schwellenwert $\epsilon = 0,01$ (z. B. $5,8 \times$ unter dem Schwellenwert bei $-12$ dB).
Leistung: Bei $\Delta_p = -12$ dB beträgt die erforderliche Integrationslänge 191 Subframes (191 ms), was innerhalb der Kohärenzzeit eines Fußgängers realisierbar ist. Diese Konfiguration erreicht eine Entfernungs-CRB von 0,43 m und eine Geschwindigkeits-CRB von 0,11 m/s.
Monte-Carlo-Validierung: Bei einem Referenzbetriebspunkt ( $\Delta_p = -9$ dB, 16 Subframes) erreichte der Entfernungs-Estimator über 500 Versuche hinweg einen RMSE von Null und einen Bias von Null, was die deterministische Kopplung an das korrekte Delay-Bin bestätigt. Der Geschwindigkeits-Estimator zeigte einen geringfügigen Bias aufgrund von Fractional-Bin-Rounding, welcher jedoch interpolierbar ist.
Vergleich: Im Gegensatz zu früheren Arbeiten, die auf Beam-Nulling oder Secret Rates basieren (welche die Sonde im Prinzip detektierbar lassen), macht SNF-PRP die Wellenform statistisch ununterscheidbar von Umgebungsrauschen und erzielt dabei eine vergleichbare oder überlegene Sensorik-Genauigkeit (0,43 m Entfernung gegenüber 2–8 m in früheren Arbeiten).

Bedeutung und Ansprüche
Das Paper behauptet, dass SNF-PRP die offene Frage beantwortet, ob Sensorik auf der physikalischen Schicht nachweisbar unentdeckbar gemacht werden kann. Die Bedeutung liegt in der Verschiebung des Sicherheits-Paradigmas vom Schutz dessen, was gemessen wird, hin zum Verbergen dessen, dass eine Messung stattfindet. Die Autoren betonen, dass der Preis für diese nachweisbare Verdecktheit eine erhöhte Integrationslatenz ist, nicht jedoch eine Verschlechterung der Sensorikqualität. Das effektive SNR bleibt invariant, was bedeutet, dass die Qualität der Sensorik-Schätzung bewahrt bleibt, sobald die notwendige Integrationszeit akkumuliert wurde, unabhängig davon, wie tief das Signal begraben ist. Dieses Framework bietet eine quantifizierte Design-Option für Systeme, die eine verdeckte Umgebungswahrnehmung erfordern, und unterscheidet sich damit deutlich von bestehenden PLS-Methoden, die sich primend auf die Kommunikation-Geheimhaltung konzentrieren.