Deep Learning-Driven Friendly Jamming for Secure Multicarrier ISAC Under Channel Uncertainty

Questo articolo presenta un framework di jamming amichevole basato sull'apprendimento profondo che garantisce la sicurezza fisica nei sistemi ISAC multicarrier in presenza di incertezza del canale e di posizioni di intercettatori sconosciute, sfruttando l'feedback degli echi radar e un'estimatore non parametrico della matrice di Fisher per ottimizzare congiuntamente la formazione del fascio e il jamming senza richiedere informazioni sul canale dell'intercettatore.

L'essenziale

Immagina il mondo delle comunicazioni wireless come una grande festa in una piazza affollata.

Il Problema: La Festa Esposta

In questa piazza, c'è un Altoparlante Centrale (la Base Stazione) che deve fare due cose contemporaneamente:

1. Parlare con gli amici (Comunicazione): Trasmettere messaggi privati a persone specifiche.
2. Fare il radar (Sensing): Osservare l'ambiente per sapere dove si trovano le persone e gli oggetti (come un cane che abbaia per sentire dove sono i gatti).

Il problema è che c'è un Ladro Silenzioso (l'Eavesdropper o "Eve") nascosto tra la folla. Questo ladro non solo ascolta i messaggi privati, ma usa anche le informazioni sul movimento della folla per capire meglio la situazione. Più il segnale è chiaro, più il ladro capisce.

In passato, per proteggere la festa, si usavano due metodi:

• La Serratura Perfetta: Si chiedeva al ladro di alzare la mano e dire esattamente dove si trova e quanto bene sente (CSI perfetta). Ma i ladri non lo fanno mai!
• Il Rumore Casuale: Si faceva un grande rumore di fondo (Jamming) ovunque per coprire i messaggi. Ma questo disturbava anche gli amici onesti e sprecava energia.

La Soluzione Proposta: Il "Giardiniere Intelligente"

Gli autori di questo paper propongono un nuovo sistema chiamato ISAC (Sensing e Comunicazione Integrati) guidato dall'Intelligenza Artificiale. Immaginalo come un Giardiniere Intelligente che ha un super-potere: l'eco.

Ecco come funziona, passo dopo passo:

1. L'Ecografia Magica (Sensing Guidato)

Invece di chiedere al ladro dove si trova, il Giardiniere lancia un fischio (un segnale radar) e ascolta l'eco che rimbalza contro gli oggetti e le persone nella piazza.

• L'analogia: È come un pipistrello che usa l'ecolocalizzazione. Non sa chi è il ladro, ma sa che c'è qualcosa in quella direzione.
• Il trucco: Se l'eco rimbalza forte da una certa direzione, il Giardiniere sa che lì c'è un "punto caldo" dove il ladro potrebbe nascondersi.

2. Il Rumore Mirato (Friendly Jamming)

Una volta individuata la direzione sospetta, il Giardiniere non fa un rumore casuale. Lancia un rumore intelligente e mirato (Friendly Jamming) esattamente verso quel punto.

• L'analogia: Immagina di avere un proiettore di nebbia. Invece di nebbiare tutta la piazza (che confonderebbe anche gli amici), nebbi solo l'angolo dove il ladro si nasconde.
• Risultato: Il ladro non sente più nulla (il suo segnale è coperto dal rumore), mentre gli amici nella zona sicura sentono la musica perfettamente chiara.

3. L'Addestramento con l'Errore (Robustezza)

Il mondo reale è disordinato: c'è vento, pioggia e l'eco non è mai perfetta. Il sistema impara a gestire questi errori.

• L'analogia: È come un allenatore di calcio che adagia la squadra non solo con la teoria perfetta, ma facendola allenare sotto la pioggia e con il fango. Quando arriva la partita vera (la comunicazione reale), la squadra è pronta a vincere anche se le cose non vanno come previsto.
• Il sistema usa un metodo matematico speciale (chiamato Fisher Information) per assicurarsi che, anche se l'eco è un po' confusa, il rumore di disturbo sia comunque abbastanza forte da bloccare il ladro.

4. Il "Trucco del Valigetta" (Compressione dell'IA)

Il cervello di questo Giardiniere (l'Intelligenza Artificiale) è inizialmente enorme e pesante, come un computer da server che occupa una stanza intera. Non si può mettere in un telefono o in un piccolo dispositivo.

• La soluzione: Gli autori hanno inventato un metodo per "comprimere" questo cervello in una valigetta tascabile (usando una tecnica chiamata Tensor Train Quantized).
• L'analogia: È come prendere un'enciclopedia di 100 volumi e trasformarla in un piccolo libro tascabile che contiene tutte le informazioni importanti, ma pesa 100 volte di meno.
• Vantaggio: Il sistema diventa velocissimo, consuma poca batteria e può essere installato ovunque, anche su dispositivi piccoli.

Perché è così importante?

Questo lavoro risolve tre grandi problemi:

1. Non serve sapere dove è il ladro: Basta sapere dove potrebbe esserci, grazie all'eco.
2. Funziona anche quando le cose sono confuse: Se il vento sposta l'eco o il segnale è debole, il sistema si adatta e continua a proteggere la festa.
3. È leggero e veloce: Grazie alla compressione, può essere usato nella vita reale, non solo nei laboratori.

In sintesi

Immagina di dover proteggere un segreto in una stanza piena di gente. Invece di chiudere tutte le porte (bloccando anche gli amici) o di chiedere a tutti di dichiarare chi è il ladro, usi un sistema di eco intelligente per capire dove c'è il rumore di fondo, e lanci un fiume di acqua (rumore) solo su quella persona, lasciando asciutti e felici tutti gli altri. E il tutto lo fai con un cervello così piccolo da stare in un orologio, ma così potente da battere qualsiasi ladro.

Questa è la bellezza dell'ISAC guidato dall'IA: protezione intelligente, mirata ed efficiente.

Sommario tecnico

Titolo

Deep Learning-Driven Friendly Jamming per ISAC Multicariere Sicuri in Condizioni di Incertezza del Canale

1. Il Problema

I sistemi Integrated Sensing and Communication (ISAC) promettono un utilizzo efficiente dello spettro unificando radar e comunicazioni wireless. Tuttavia, questa dualità introduce vulnerabilità critiche: un avversario (eavesdropper o "Eve") può intercettare sia i dati utente che le informazioni ambientali sensibili.
Le sfide principali affrontate in questo lavoro sono:

• Assenza di CSI dell'avversario: Le tecniche di sicurezza fisica (PLS) tradizionali, come il Friendly Jamming (FJ), richiedono spesso la conoscenza del canale di Eve o stime precise dell'angolo di arrivo (AoA), informazioni che sono difficili da ottenere dato che Eve è passiva.
• Incertezza del Canale e dell'Angolo: In scenari reali, il canale di stato (CSI) è imperfetto a causa di rumore, quantizzazione e mobilità. Inoltre, le stime dell'angolo di arrivo (AoA) sono soggette a errori, rendendo i metodi di beamforming basati su ottimizzazione convessa fragili.
• Complessità Computazionale: Le soluzioni basate su ottimizzazione (es. SDR, programmazione frazionaria) sono computazionalmente pesanti e non scalabili per sistemi multicarrier (OFDM) in tempo reale.
• Limiti delle Soluzioni Esistenti: Molti approcci attuali si concentrano su scenari a banda stretta o assumono ambienti statici, fallendo nel gestire l'incertezza dinamica e la complessità dei sistemi MIMO multicarrier.

2. Metodologia

Gli autori propongono un framework guidato dal Deep Learning che sfrutta la capacità di sensing del sistema ISAC per migliorare la sicurezza delle comunicazioni senza conoscere esplicitamente la posizione o il canale di Eve.

• Jamming Guidato dal Radar (Radar-Aware): Invece di stimare direttamente Eve, il sistema utilizza gli echi radar per identificare le regioni spaziali vulnerabili. Il segnale di jamming è diretto verso queste direzioni per degradare il rapporto segnale-rumore (SNR) di Eve, mentre il beamforming per gli utenti legittimi viene ottimizzato per massimizzare il tasso di segretezza.
• Stima Non Parametrica della Matrice di Fisher (FIM): Per gestire l'incertezza nell'angolo di arrivo, il lavoro introduce un metodo non parametrico basato sulla divergenza $f$ per stimare la FIM direttamente dagli echi radar. Questo permette di imporre vincoli sul Limite Inferiore di Cramér-Rao (CRLB), garantendo che l'accuratezza della stima angolare rimanga entro limiti accettabili anche in presenza di rumore e jamming.
• Architettura Multicarrier (OFDM): Il framework supporta sia schemi sovrapposti (tutte le sottoportanti usate per sensing, comunicazione e jamming) che non sovrapposti (sottoportanti dedicate separatamente), offrendo flessibilità nella gestione delle interferenze.
• Compressione del Modello (Quantized Tensor Train - TT-Q): Per rendere il modello deployabile su hardware edge con risorse limitate, viene introdotto un encoder basato sulla decomposizione Tensor Train quantizzata. Questa tecnica riduce drasticamente il numero di parametri del modello (di oltre due ordini di grandezza) mantenendo le prestazioni quasi invariate.
• Formulazione del Problema: L'obiettivo è massimizzare il tasso di segretezza sommato degli utenti legittimi, soggetto a vincoli di potenza totale, vincoli di CRLB per garantire l'accuratezza del sensing, e la condizione che il vettore di jamming risieda nello spazio nullo del canale stimato degli utenti legittimi.

3. Contributi Chiave

1. Framework di Sicurezza ISAC basato su Apprendimento: Un approccio end-to-end che non richiede la CSI di Eve, utilizzando invece i feedback degli echi radar per guidare il jamming direzionale in scenari con CSI imperfetta.
2. Stimatore FIM Non Parametrico: Sviluppo di un metodo basato su $f$-divergenza per stimare la FIM dai campioni degli echi radar, permettendo l'ottimizzazione del jamming sotto vincoli CRLB anche con stime angolari rumorose.
3. Supporto Multicarrier e Flessibilità Spettrale: Progettazione di un sistema che gestisce sia allocazioni sovrapposte che non sovrapposte delle sottoportanti OFDM, ottimizzando il compromesso tra sicurezza, affidabilità e accuratezza del sensing.
4. Encoder Leggero (TT-Q): Introduzione di un encoder compresso che riduce le dimensioni del modello di oltre 100 volte (da ~62k a ~28k parametri nel caso di test, con FLOPs ridotti del 55%), abilitando l'inferenza in tempo reale su dispositivi edge senza perdita significativa di prestazioni.
5. Robustezza Dimostrata: Il sistema è progettato per essere robusto contro errori di stima dell'angolo, incertezze del canale e imperfezioni hardware (rumore di fase, squilibrio I/Q).

4. Risultati

Le simulazioni hanno confrontato la proposta (ISAC_FJ) con baseline come AE_FJ (Autoencoder con jamming casuale) e DL_AN (Artificial Noise), oltre a metodi di ottimizzazione convessa.

• Tasso di Segretezza: Il metodo proposto supera significativamente le baseline. A un SNR di 20 dB, raggiunge circa 6.9 nats/s/Hz, contro 4.5 e 3.6 delle baseline, mostrando un guadagno superiore al 50-90%.
• Robustezza all'Incertezza: Il sistema mantiene prestazioni elevate anche con varianza di errore del canale ($\rho$) fino a 0.2 e stime angolari imperfette, dove i metodi tradizionali falliscono o degradano rapidamente.
• Affidabilità (BLER): Il Block Error Rate (BLER) per gli utenti legittimi rimane basso (< $10^{-2}$), mentre il BLER di Eve è mantenuto vicino a 1 (decodifica fallita) su tutti i livelli di potenza.
• Scalabilità Multicarrier: Passando da un sistema a singola portante ($N=1$) a uno multicarrier ($N=64$), il tasso di segretezza aumenta drasticamente (da ~0 a ~6.2 nats/s/Hz a 25 dB), dimostrando la capacità di sfruttare la diversità in frequenza.
• Efficienza Computazionale: L'uso dell'encoder TT-Q riduce il tempo di inferenza e l'uso di memoria, rendendo il sistema adatto per implementazioni reali a bassa latenza.
• Trade-off Spettrale: L'analisi delle allocazioni non sovrapposte mostra che una configurazione con il 25% di sottoportanti dedicate solo alla comunicazione offre il miglior compromesso tra throughput e segretezza, superando sia l'approccio totalmente sovrapposto che quello con 50% di separazione.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo verso l'implementazione pratica della sicurezza fisica nei sistemi ISAC di prossima generazione (6G).

• Superamento dei Limiti Teorici: Dimostra che è possibile ottenere sicurezza robusta senza la conoscenza perfetta dell'avversario, un requisito spesso irrealistico nella pratica.
• Integrazione Sensing-Security: Trasforma il sensing da un semplice servizio aggiuntivo a un meccanismo attivo di difesa, utilizzando i dati radar per ottimizzare la sicurezza delle comunicazioni.
• Deployabilità Reale: La combinazione di tecniche di Deep Learning con compressione Tensor Train risolve il problema della complessità computazionale, rendendo fattibile l'uso di algoritmi avanzati di sicurezza su hardware con risorse limitate.
• Resilienza: Il framework offre una soluzione robusta alle imperfezioni reali (rumore, errori di stima, hardware non ideale), colmando il divario tra le prestazioni teoriche e le condizioni operative reali.

In sintesi, il paper propone una soluzione scalabile, efficiente e robusta per proteggere le comunicazioni ISAC, trasformando l'incertezza del canale e le limitazioni hardware in sfide gestibili attraverso l'apprendimento automatico avanzato e l'ottimizzazione guidata dai dati.