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

이 논문은 불완전한 채널 상태 정보와 도청자 위치 불확실성 하에서 레이다 피드백과 비모수적 피셔 정보 행렬 추정을 활용한 심층 학습 기반의 친화적 재밍 프레임워크를 제안하여 다중 반송파 통합 감지 통신 시스템의 물리 계층 보안을 강화하고 모델 크기를 획기적으로 축소하는 방법을 제시합니다.

핵심

이 논문은 차세대 무선 통신 기술인 ISAC(통합 감지 및 통신) 시스템의 보안 문제를 해결하기 위한 새로운 방법을 제안합니다. 복잡한 수식과 전문 용어 대신, 일상적인 비유를 들어 쉽게 설명해 드리겠습니다.

📡 핵심 아이디어: "스마트한 방해꾼"을 활용하다

상상해 보세요. 어떤 기지국 (BS) 이 여러 사람에게 데이터를 보내고 있는데, 그 옆에 **도청자 **(이브, Eve)가 숨어 있다고 칩시다. 보통은 도청자의 위치를 정확히 모르면 어떻게 해야 할지 막막합니다.

이 논문은 **"도청자가 어디에 있는지 정확히 알지 못해도, 레이더를 이용해 그 방향을 감지하고 그쪽으로만 '방해 신호'를 쏘아라"**는 아이디어를 제시합니다.

---

🎭 1. 상황 설정: 통신과 레이더는 한 몸입니다

기존의 통신 시스템은 데이터를 보내는 것만 생각했습니다. 하지만 이 시스템은 레이더 기능도 함께 가지고 있습니다.

• 비유: 마치 스마트폰이 통화도 하고, 카메라로 주변 사물을 인식하는 것과 같습니다.
• 이 시스템은 데이터를 보내면서 동시에 주변을 "스캔"합니다. 도청자가 어디에 숨어 있는지 정확한 이름이나 위치는 몰라도, "저기 어딘가에 반사되는 신호가 있구나"라고 레이더로 감지할 수 있습니다.

🛡️ 2. 해결책: "친절한 방해꾼 (Friendly Jamming)"

도청자의 정보를 모를 때, 어떻게 보안을 지킬까요?

• 기존 방식: 도청자의 위치를 정확히 알아야만 그쪽으로만 방해 신호를 쏠 수 있었습니다. (도청자가 움직이거나 위치를 숨기면 무용지물)
• 이 논문의 방식: 레이더가 "저기 반사파가 있네!"라고 감지하면, **그 방향으로만 방해 신호 **(재밍)를 집중적으로 쏩니다.
  • 비유: 도청자가 어두운 방에 숨어 있다고 칩시다. 우리는 도청자의 얼굴을 정확히 보지 못해도, 레이더로 "저기 그림자가 움직인다"고 감지합니다. 그리고 그 그림자 방향으로만 강력한 스펀지 볼을 던져 도청자의 시야를 가립니다. 하지만 정당한 사용자들은 그 볼이 닿지 않는 안전한 길로 데이터를 받습니다.

🧠 3. 인공지능 (AI) 의 역할: "실수해도 괜찮아"

현실에서는 레이더가 정확한 각도를 측정하기 어렵고, 통신 신호도 잡음 때문에 왜곡될 수 있습니다. (불완전한 정보)

• 비유: 안개가 자욱한 날에 운전하는 것과 같습니다. 정확한 거리와 방향을 알기 어렵죠.
• 이 논문은 **딥러닝 **(인공지능)을 훈련시켜, 불완전한 정보 속에서도 "어디로 방해 신호를 보내야 도청자가 가장 혼란스러워할까?"를 스스로 학습하게 합니다.
• 특히, CRLB(크라메르 - 라오 하한)라는 개념을 사용하는데, 이는 **"레이더가 얼마나 정확하게 방향을 잡을 수 있는지에 대한 최소한의 기준"**입니다. AI 는 이 기준을 지키면서 동시에 도청자를 혼란스럽게 만드는 최적의 전략을 찾습니다.

📦 4. 기술의 혁신: "가방을 작게 만들기" (모델 압축)

이런 똑똑한 AI 는 보통 매우 무겁고 크기가 커서, 작은 기기 (에지 디바이스) 에 넣기 어렵습니다.

• 비유: 거대한 도서관 전체를 스마트폰에 넣으려는 것과 같습니다.
• 이 논문은 **텐서 트레인 **(Tensor Train)이라는 기술을 써서 AI 모델의 크기를 100 배 이상 줄였습니다.
  • 비유: 거대한 백화점 같은 AI 모델을 접어서 작은 지갑처럼 만들었습니다. 성능은 거의 그대로 유지하면서, 메모리도 적게 쓰고 속도도 훨씬 빨라졌습니다. 이제 이 기술은 실제 기지국이나 드론 같은 작은 기기에서도 실시간으로 작동할 수 있게 되었습니다.

🎯 5. 주파수 활용: "도로를 나누거나 합치기"

이 시스템은 주파수 대역을 어떻게 쓰느냐에 따라 두 가지 방식을 지원합니다.

1. 중첩 방식: 통신, 레이더, 방해 신호가 모두 같은 주파수 대역을 함께 씁니다. (효율적 but 관리가 어려움)
2. 비중첩 방식: 주파수 대역을 나누어, 하나는 통신 전용, 다른 하나는 레이더와 방해 신호 전용으로 씁니다. (간섭을 줄여 안정적)

• 비유:
  • 중첩: 고속도로 차선 하나를 차, 버스, 구급차가 모두 섞여서 달리는 것. (효율 좋지만 사고 위험 있음)
  • 비중첩: 차선은 차만, 버스전용 차선은 버스만, 구급차는 별도의 긴급차로를 쓰는 것. (안전하고 명확함)
  • 이 논문은 두 가지 방식 모두에서 뛰어난 성능을 보였습니다.

🏆 결론: 왜 이것이 중요한가요?

이 연구는 **"도청자의 정보를 모른 채, 레이더의 눈과 AI 의 두뇌를 결합해 보안을 강화하는 방법"**을 제시했습니다.

• **불완전한 정보 **(잡음, 오차)에서도 강건하게 작동합니다.
• 작은 기기에서도 실시간으로 실행 가능하도록 모델을 가볍게 만들었습니다.
• 결과적으로 **보안 속도 **(비밀 유지 능력)를 높이고, 데이터 오류를 줄였습니다.

요약하자면, 이 논문은 **"도청자가 어디에 있는지 정확히 몰라도, 레이더로 감지하고 AI 가 그쪽으로만 '방해 공'을 쏘아 도청을 막는 똑똑하고 가벼운 보안 시스템"**을 개발했다는 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 통합 감지 및 통신 (ISAC) 시스템은 레이더 감지와 무선 통신을 하나의 파형으로 공유하여 스펙트럼 효율성을 극대화합니다. 그러나 이는 통신 데이터와 환경 감지 정보를 동시에 노출시켜 도청 (Eavesdropping) 에 취약합니다.
• 핵심 과제:
  • 불완전한 채널 상태 정보 (Imperfect CSI): 실제 환경에서는 도청자 (Eve) 의 채널 정보를 알 수 없으며, 합법적인 사용자의 채널 정보에도 오차가 존재합니다.
  • 도청자 위치 불확실성: 도청자의 정확한 위치나 각도 (AoA) 를 사전에 알기 어렵습니다.
  • 기존 방법의 한계: 기존 우호적 재밍 (Friendly Jamming, FJ) 기법들은 대부분 도청자의 CSI 나 정밀한 각도 추정치를 가정하거나, 복잡한 최적화 알고리즘을 사용하여 실시간 적용이 어렵습니다. 또한, 각도 추정 오차에 대한 강건성이 부족합니다.
• 목표: 도청자의 CSI 없이도 레이더 반사파 (Echo) 피드백을 활용하여 방향성 재밍을 수행하고, 채널 불확실성과 각도 추정 오차 하에서도 물리 계층 보안 (Secrecy Rate) 을 강화하면서도 통신 신뢰도 (BLER) 와 감지 정확도 (CRLB) 를 보장하는 프레임워크 개발.

2. 제안 방법론 (Methodology)

논문은 다음과 같은 핵심 기술들을 통합한 딥러닝 기반 프레임워크를 제안합니다.

A. 레이더 피드백 기반 우호적 재밍 (Radar-Echo-Guided Friendly Jamming)

• 개념: 도청자의 위치를 직접 식별하지 않고, 레이더 반사파를 통해 주변 공간의 취약한 영역 (Angular Regions) 을 식별합니다.
• 작동 원리: 기지국 (BS) 은 합법 사용자의 채널 (Null Space) 에는 간섭을 주지 않으면서, 레이더 반사 신호가 강한 방향 (잠재적 도청자 방향) 으로 재밍 신호를 집중시킵니다. 이는 Eve 의 CSI 를 요구하지 않습니다.

B. 비모수적 피셔 정보 행렬 (FIM) 추정 및 CRLB 제약

• FIM 추정: 레이더 반사파의 분포 변화를 $f$-divergence 를 기반으로 한 비모수적 (Nonparametric) 신경망을 통해 피셔 정보 행렬 (Fisher Information Matrix, FIM) 을 직접 추정합니다.
• CRLB 제약: 크래머 - 라오 하한 (Cramér-Rao Lower Bound, CRLB) 을 제약 조건으로 사용하여, 재밍 신호가 레이더 각도 (Azimuth, Elevation) 추정 정확도를 저하시키지 않도록 보장합니다. 이는 감지 성능과 보안 성능 간의 균형을 수학적으로 제어합니다.

C. 다중 반송파 (Multicarrier) 및 비겹침 (Non-overlapping) 설계

• OFDM 기반: 주파수 선택적 페이딩을 처리하고 주파수 다양성을 활용하기 위해 다중 반송파 (OFDM) 시스템을 적용합니다.
• 주파수 할당 전략:
  • 겹침 (Overlapping): 모든 서브캐리어를 통신, 감지, 재밍에 동시에 사용.
  • 비겹침 (Non-overlapping): 서브캐리어를 통신 전용과 감지/재밍 전용으로 분리하여 간섭을 최소화합니다.

D. 양자화 텐서 트레인 (Quantized Tensor Train, TT-Q) 인코더

• 모델 압축: 고차원의 채널 상태 정보 (CSI) 를 처리하는 기존 완전 연결 (FC) 신경망의 파라미터 수와 계산 복잡도를 줄이기 위해 텐서 트레인 (Tensor Train) 분해 기법을 적용합니다.
• 양자화: 텐서 트레인 코어 (Core) 를 저비트 정밀도로 양자화하여 모델 크기를 100 배 이상 줄이면서도 성능 저하를 최소화합니다. 이는 엣지 디바이스에서의 실시간 배포를 가능하게 합니다.

3. 주요 기여 (Key Contributions)

1. CSI 불필요한 학습 기반 ISAC 프레임워크: 도청자의 CSI 나 정확한 위치 정보 없이, 실시간 레이더 반사파를 활용하여 적응적으로 취약 공간을 식별하고 재밍을 수행하는 새로운 아키텍처를 제안했습니다.
2. 불확실성 하의 CRLB 보장 재밍: $f$-divergence 기반의 비모수적 FIM 추정기를 도입하여, 각도 추정 오차와 채널 불확실성이 존재하더라도 CRLB 제약 조건을 만족하는 강건한 재밍 빔포밍을 설계했습니다.
3. 다중 반송파 및 유연한 주파수 할당: 단일 반송파를 넘어 OFDM 기반 다중 반송파 시스템을 지원하며, 통신과 감지/재밍을 위한 겹침 및 비겹침 서브캐리어 할당 방식을 모두 지원하여 시스템 유연성을 높였습니다.
4. 초경량 TT-Q 인코더: 텐서 트레인 분해와 양자화를 결합하여 모델 파라미터를 2 차수 (100 배 이상) 감소시켰으며, 추론 속도와 메모리 효율성을 극대화하여 실시간 ISAC 시스템에 적용 가능한 경량화를 달성했습니다.

4. 실험 결과 (Numerical Results)

시뮬레이션 결과는 제안된 방법 (ISAC_FJ) 이 기존 기법 (AE_FJ, DL_AN, MRT 등) 보다 월등히 우수함을 보여줍니다.

• 비밀 용량 (Secrecy Rate): SNR 20dB 에서 기존 방법 대비 약 50~90% 향상된 비밀 용량을 달성했습니다. 특히 다중 반송파 (N=64) 환경에서 주파수 다양성을 활용하여 비밀 용량이 7 nats/s/Hz 이상으로 크게 증가했습니다.
• 블록 오류율 (BLER): 합법 사용자의 BLER 은 10dB 이상에서 $10^{-2}$ 이하로 유지되는 신뢰성을 보인 반면, 도청자의 BLER 은 거의 1 에 수렴하여 복호화를 실패하게 만들었습니다.
• 강건성 (Robustness):
  • CSI 오차: 채널 추정 오차 ($\rho$) 가 증가해도 비밀 용량이 서서히 감소하여 기존 최적화 기반 방법보다 불확실성에 강건합니다.
  • 감지 오차: 각도 추정 오차가 심화될 때 (CRLB 값 증가) 도 제안된 방법은 성능이 급격히 떨어지지 않고 4 nats/s/Hz 이상을 유지하는 반면, 기존 방법은 성능이 크게 저하되었습니다.
• 효율성: 제안된 TT-Q 인코더는 FC 기반 모델 대비 파라미터 수를 2.2 배, FLOPs 를 55% 이상 줄였으며, 학습 시간과 추론 시간을 획기적으로 단축했습니다. 하드웨어 오차 (위상 노이즈, I/Q 불균형) 에 대해서도 데이터 증강을 통한 학습으로 높은 내성을 보였습니다.

5. 의의 및 결론 (Significance)

이 논문은 차세대 6G 및 ISAC 시스템의 보안 문제를 해결하기 위한 실용적인 솔루션을 제시합니다.

• 실용성: 도청자의 정보를 알 수 없는 현실적인 환경 (Imperfect CSI, Unknown Eve) 에서도 레이더 감지 기능을 보안 도구로 전환하여 활용하는 방법을 증명했습니다.
• 확장성: 딥러닝 기반의 복잡한 최적화 문제를 해결하면서도, 텐서 트레인 압축 기법을 통해 엣지 컴퓨팅 환경에서도 실시간으로 실행 가능한 경량 모델을 개발했습니다.
• 균형: 통신의 보안 (Secrecy), 신뢰성 (Reliability), 그리고 감지 정확도 (Sensing Accuracy) 라는 상충되는 목표들을 CRLB 제약과 딥러닝을 통해 동시에 최적화하는 새로운 패러다임을 제시했습니다.

결론적으로, 이 연구는 채널 불확실성과 하드웨어 제약이 있는 실제 환경에서 ISAC 시스템의 물리 계층 보안을 강화할 수 있는 강력하고 확장 가능한 딥러닝 기반 프레임워크를 확립했다는 점에서 의의가 큽니다.