⚡ electrical engineering

Physical Layer Authentication With Channel Knowledge Maps in Indoor Environments

Questo articolo propone un meccanismo di autenticazione del livello fisico per dispositivi in movimento in ambienti indoor che sfrutta mappe di conoscenza del canale per validare le misurazioni della perdita di percorso dei percorsi dei tap del canale dominanti e dell'angolo di arrivo rispetto ai dati storici, dimostrando la sua efficacia e sicurezza contro vari attacchi attraverso simulazioni numeriche.

Autori originali: Luca Bonaventura, Francesco Ardizzon, Stefano Tomasin

Pubblicato 2026-06-26

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Luca Bonaventura, Francesco Ardizzon, Stefano Tomasin

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di verificare che un tuo amico sia chi dice di essere, ma non puoi vederlo. Invece, devi indovinare la sua posizione basandoti su come suona la sua voce in una stanza specifica.

Questo articolo presenta un nuovo modo per fare esattamente questo per i dispositivi wireless (come gli smartphone) che si muovono all'interno di un edificio. Ecco la suddivisione utilizzando analogie semplici:

Il Problema: La sfida della "Camera dell'Eco"

Ai vecchi tempi, per dimostrare chi eri, avevi bisogno di una password (come una chiave digitale). Ma le password possono essere rubate o indovinate.

Questo articolo suggerisce di utilizzare l'Autenticazione al Livello Fisico (PLA). Invece di una password, il sistema utilizza l'impronta digitale unica delle onde radio che viaggiano nell'aria.

L'Analogia: Immagina di gridare in una stanza specifica. Il modo in cui la tua voce rimbalza sulle pareti, sui mobili e sulle persone crea un modello di eco unico. Se ti sposti in un punto diverso della stanza, l'eco cambia.
Il Problema: In un ambiente interno affollato (come un ufficio con scrivanie e persone che camminano), questi echi sono caotici e cambiano costantemente. È difficile prevedere esattamente quale dovrebbe essere l' "eco" se ci si sta muovendo. I metodi tradizionali si confondono quando il segnale viene bloccato da una sedia o da una persona.

La Soluzione: La "Mappa Digitale" (Mappa della Conoscenza del Canale)

Gli autori propongono una soluzione chiamata Mappa della Conoscenza del Canale (CKM).

L'Analogia: Pensa alla CKM come a una mappa del tesoro altamente dettagliata e pre-disegnata della stanza. Questa mappa non mostra solo dove sono le pareti; prevede esattamente come dovrebbe apparire l' "eco" radio (intensità del segnale e angolo) da ogni singolo centimetro quadrato del pavimento.
Come funziona:
1. La Mappa: Prima del controllo di sicurezza, il sistema costruisce questa mappa utilizzando simulazioni al computer (ray tracing) che imitano come le onde radio rimbalzano nella stanza.
2. Il Controllo: Quando un dispositivo (chiamiamola "Alice") invia un segnale, il sistema misura l'eco reale.
3. Il Confronto: Il sistema guarda la mappa. Chiede: "Alice era qui un secondo fa. In base alla sua velocità, potrebbe trovarsi solo in questa piccola area quadrata ora. L'eco che sta inviando proprio ora corrisponde all'eco previsto dalla mappa per quel quadrato specifico?"
4. Il Verdetto: Se l'eco corrisponde alla mappa, è Alice. Se l'eco sembra provenire da una parte diversa della stanza (o non corrisponde affatto alla mappa), è un impostore.

Il Cattivo: L' "Impostore" (Trudy)

L'articolo testa questo sistema contro un hacker di nome "Trudy" che vuole fingere di essere Alice. Gli autori hanno testato tre modi in cui Trudy potrebbe tentare di ingannare il sistema:

L'Indovino Casuale: Trudy si trova in un punto casuale della stanza e grida. (Questo è come indovinare una password casualmente).
Il Truccatore Informato: Trudy ha una copia della mappa. Sa dove Alice era, quindi cerca di posizionarsi in un punto vicino che abbia un modello di eco simile a quello di Alice.
Il Super-Impostore: Trudy ha la mappa e può teletrasportarsi istantaneamente in qualsiasi punto della stanza per trovare il punto perfetto che imiti l'eco di Alice.

I Risultati: Com'è andata?

I ricercatori hanno eseguito simulazioni al computer di una stanza con mobili e pareti per vedere se il loro "Controllo della Mappa" riusciva a catturare Trudy.

Contro i Tiri Casuali: Il sistema è stato molto bravo a catturare Trudy. Poteva distinguere tra Alice e un indovino casuale quasi perfettamente (con pochissimi errori).
Contro il Super-Impostore: Anche quando Trudy aveva la mappa e cercava di trovare il nascondiglio perfetto, il sistema era comunque piuttosto efficace. Ha identificato con successo il segnale falso la maggior parte delle volte.
La Difesa del "Caso Peggiore": Gli autori hanno anche testato una versione più severa del test (chiamata GLRT) che assume che Trudy sia un genio. Sebbene ciò abbia reso il sistema leggermente più sensibile al rumore casuale, era comunque molto bravo a catturare gli attaccanti più intelligenti.

Il Punto Fondamentale

Questo articolo dimostra che, utilizzando una "mappa dell'eco radio" pre-costruita di una stanza, possiamo verificare in modo sicuro che un dispositivo in movimento sia chi afferma di essere, anche in un ambiente interno disordinato con mobili e persone. Non richiede password complesse; ha solo bisogno di sapere come "suona" la stanza.

Ciò che l'articolo NON afferma:

Non dice che questa tecnologia sia pronta per il tuo telefono oggi.
Non discute l'uso di questa tecnologia per dispositivi medici o sistemi critici di supporto vitale.
Non afferma di risolvere tutti i problemi di sicurezza, ma solo il problema specifico di verificare la posizione di un utente in movimento tramite onde radio in un edificio.

Sintesi Tecnica: Autenticazione al Livello Fisico con Mappe della Conoscenza del Canale in Ambienti Indoor

Problematica
L'autenticazione al livello fisico (Physical Layer Authentication - PLA) autentica tipicamente gli utenti confrontando le misurazioni del canale nel tempo, basandosi su assunzioni di coerenza temporale o evoluzione modellata. Tuttavia, queste assunzioni diventano problematiche per i dispositivi mobili in ambienti indoor. In tali contesti, la propagazione multipath e le ostruzioni del segnale (ad es. mobili, persone) causano la dominanza delle componenti non line-of-sight (NLoS), rendendo le statistiche del canale variabili nel tempo e difficili da modellare analiticamente. I metodi PLA esistenti faticano a ottenere i modelli analitici necessari a priori per la verifica quando gli utenti sono in movimento o in spazi indoor complessi. Inoltre, sebbene siano state proposte le Mappe della Conoscenza del Canale (Channel Knowledge Maps - CKM) per la comunicazione consapevole dell'ambiente, la loro applicazione all'autenticazione rimane poco esplorata, in particolare per i dispositivi in movimento dove il verificatore non conosce in anticipo la traiettoria esatta dell'utente.

Metodologia
Il documento propone un meccanismo PLA per dispositivi in movimento in ambienti indoor che sfrutta le Mappe della Conoscenza del Canale (CKM) pre-raccolte per eliminare la necessità di un modello di canale analitico.

Modello di Sistema: Lo scenario coinvolge un verificatore (Bob) che controlla molteplici Access Point (AP) dotati di Array Lineari Uniformi (ULA), e due utenti con antenna singola: un utente legittimo (Alice) e un attaccante (Trudy). Gli AP stimano la perdita di percorso (Path Loss - PL) e l'angolo di arrivo (Angle of Arrival - AoA) del componente dominante del canale dai segnali pilota ricevuti.
Mappa della Conoscenza del Canale (CKM): Bob possiede una CKM priva di rumore derivata (ad es. tramite ray tracing) che mappa le posizioni dell'utente $p$ alle caratteristiche del canale attese $\phi(p) = \{r(p), \theta(p)\}$ , dove $r$ è la PL e $\theta$ è l'AoA.
Vincoli di Movimento: La traiettoria esatta di Alice è sconosciuta a Bob e Trudy. Tuttavia, entrambi conoscono la velocità massima $\nu$ di Alice. Di conseguenza, ad ogni step temporale $k$ , la posizione di Alice è vincolata a una finestra quadrata $P_k$ centrata sulla sua precedente posizione stimata.
Meccanismo di Autenticazione:
1. Bob stima le attuali caratteristiche del canale $\hat{\phi}^{(k)}$ dal segnale ricevuto.
2. Bob esegue un test di ipotesi per decidere se il segnale provenga da Alice ( $H_0$ ) o da Trudy ( $H_1$ ).
3. Vengono valutati due approcci di test:
  - Test di Verosimiglianza (Likelihood Test - LT): Calcola la massima verosimiglianza dell'osservazione dato che l'utente si trova all'interno della finestra di movimento valida $P_k$ .
  - Test del Rapporto di Verosimiglianza Generalizzato (Generalized Likelihood Ratio Test - GLRT): Confronta la massima verosimiglianza all'interno di $P_k$ rispetto alla massima verosimiglianza all'esterno di $P_k$ (rappresentando il caso peggiore di attacco).
4. Se la statistica del test supera una soglia $\xi$ , il segnale viene autenticato e la posizione di Alice viene aggiornata tramite una procedura di Massima A Posteriori (MAP).
Strategie di Attacco: Gli autori analizzano tre vettori di attacco:
1. Posizione Casuale: Trudy trasmette da una posizione casuale nella stanza.
2. Attacco Informato: Trudy conosce la CKM e la precedente posizione di Alice, spostandosi verso la posizione ottimale all'interno di una finestra limitata $W_T$ per massimizzare il successo dello spoofing.
3. Attacco con Mappa Completa: Trudy ha la piena conoscenza della CKM e può spostarsi istantaneamente in qualsiasi posizione nella stanza (escludendo $P_k$ ) per massimizzare la verosimiglianza del segnale spoofato.

Contributi Chiave

Protocollo Innovativo: Il documento progetta un protocollo PLA specificamente per dispositivi in movimento in ambienti indoor che utilizza le CKM per bypassare la necessità di complessi modelli analitici del canale.
Analisi della Sicurezza: Viene condotta una completa analisi della sicurezza sia sotto scenari di attacco casuale che ottimale (informato/mappa completa).
Test Comparativi: Lo studio confronta le prestazioni di LT e GLRT, analizzando le rispettive vulnerabilità ai diversi tipi di attacco.
Validazione: L'approccio è validato tramite risultati numerici in uno scenario indoor rappresentativo in cui le CKM sono generate tramite ray tracing.

Risultati Numerici
Le simulazioni sono state condotte in una stanza di $8 \times 5 \times 3$ m $^3$ con 4 AP e 4 antenne ciascuno, utilizzando strumenti di ray-tracing MATLAB.

Impatto di AP e Rumore: Le prestazioni di autenticazione (misurate come Missed Detection vs. False Alarm) migliorano con un aumento del numero di AP e una diminuzione del rumore di stima. Un minor numero di AP porta a maggiori ostruzioni e a un comportamento di "plateau" nelle prestazioni di rilevamento.
Prestazioni degli Attacchi:
- L'Attacco a Posizione Casuale produce le peggiori prestazioni per l'attaccante.
- L'Attacco con Mappa Completa fornisce le migliori prestazioni per l'attaccante, fungendo da limite superiore.
- Le prestazioni dell'Attacco Informato scalano con la finestra di movimento dell'attaccante ( $W_T$ ). Quando l'attaccante si muove quanto Alice ( $W_T = W_A$ ), la probabilità di Missed Detection ( $P_{MD}$ ) è circa $2 \cdot 10^{-2}$ per un tasso di False Alarm ( $P_{FA}$ ) di $10^{-2}$ .
LT vs. GLRT: Passare da LT a GLRT rende il rilevatore più vulnerabile agli attacchi di posizione casuale (poiché il denominatore nel rapporto GLRT può diventare piccolo per misurazioni casuali) ma riduce il tasso di successo dell'Attacco con Mappa Completa. Tuttavia, il GLRT non elimina completamente la minaccia dell'Attacco con Mappa Completa.
Efficacia Complessiva: In uno scenario di attacco a posizione casuale, il sistema raggiunge $P_{MD} = P_{FA} = 3 \cdot 10^{-3}$ . Sotto un attacco con mappa completa, il sistema garantisce $P_{MD} = P_{FA} = 6 \cdot 10^{-3}$ .

Significatività e Rivendicazioni
Gli autori affermano che l'approccio proposto valida efficacemente la PLA per i dispositivi in movimento in ambienti indoor, eliminando la dipendenza da modelli analitici a priori. L'uso delle CKM consente al sistema di verificare la coerenza tra le caratteristiche del canale osservate e la vicinanza spaziale della posizione precedentemente nota dell'utente. Il documento conclude che il protocollo è efficace contro gli attacchi considerati, con i risultati numerici che ne confermano la fattibilità in un ambiente indoor simulato tramite ray-tracing. Il lavoro è presentato come un passo verso la comunicazione consapevole dell'ambiente nelle reti 6G, sfruttando la conoscenza ambientale pregressa per la sicurezza. Gli autori notano che lo studio si concentra sull'autenticazione a singolo step e lascia l'analisi delle prestazioni su successivi step di traiettoria come lavoro futuro.