Enhancing PLS of Indoor IRS-VLC Systems for Colluding and Non-Colluding Eavesdroppers

Dit onderzoek verbetert de fysieke-laagbeveiliging van binnen-IR-VLC-systemen door realistische tijdsvertragingen in gereflecteerde paden te benutten via een PPO-gebaseerde deep reinforcement learning-methode die de IRS-elementen optimaliseert voor zowel samenzwerende als niet-samenzwerende afluisteraars, wat leidt tot aanzienlijke toenames in geheimhoudingscapaciteit.

De kern

Stel je voor dat je in een kamer zit en een vriend (Bob) wilt een geheim bericht sturen via een lamp. In de wereld van zichtbaar lichtcommunicatie (VLC) is dit normaal: je modulatert de lamp zodat hij knippert in een code die alleen je vriend kan lezen.

Maar er is een probleem: licht verspreidt zich. Als er een gluurder (een "Eve") in dezelfde kamer is, kan hij ook naar de lamp kijken en het bericht stelen. Normaal gesproken is het lastig om de lamp zo te richten dat hij alleen naar je vriend schijnt en niet naar de gluurder, vooral als de gluurder dichter bij de lamp staat dan jij.

Dit artikel introduceert een slimme oplossing met behulp van een Intelligent Reflecting Surface (IRS).

De Analogie: De Spiegelmuur

Stel je voor dat je een muur in de kamer hebt bedekt met honderden kleine, slimme spiegeltjes (de IRS-elementen).

• Het oude idee: Meestal denken mensen dat deze spiegeltjes het licht alleen maar kunnen versterken of een extra pad kunnen maken. Ze vergeten echter dat licht tijd nodig heeft om te reizen. Als een spiegel verder weg staat dan de lamp, komt het licht iets later aan.
• Het nieuwe idee van dit artikel: De auteurs gebruiken deze tijdvertraging als een wapen. Ze laten de spiegeltjes het licht zo richten dat het bij je vriend (Bob) op het perfecte moment aankomt om zijn bericht te versterken. Maar bij de gluurder (Eve) laten ze het licht op het verkeerde moment aankomen, zodat de signalen elkaar opheffen of verwarren.

Het is alsof je een orkest dirigeert:

• Voor je vriend zorgen de spiegels dat alle muzikanten (lichtstralen) precies tegelijk spelen, waardoor het geluid (het signaal) hard en duidelijk is.
• Voor de gluurder zorgen de spiegels dat de muzikanten een beetje uit de pas lopen, waardoor het geluid een rommelig, onbegrijpelijk ruisje wordt.

De Uitdaging: De "Dikke" Gluurders

Er zijn twee soorten gluurders in dit verhaal:

1. De losse gluurders: Ze kijken alleen naar hun eigen scherm en proberen het bericht te kraken.
2. De samenzwerende gluurders (Colluding): Dit is het gevaarlijkst. Ze zitten bij elkaar, delen hun notities en combineren hun signalen. Samen zijn ze veel sterker dan apart.

De meeste eerdere onderzoeken negeerden de tijdvertragingen of namen aan dat gluurders niet samenwerken. Dit artikel gaat uit van het slechtst mogelijke scenario: de gluurders zitten dichter bij de lamp dan jij, werken samen, en hebben een beter signaal dan jij. Normaal gesproken zou je dan geen geheimen meer kunnen delen.

De Oplossing: Een Slimme AI (De Dirigent)

Het grootste probleem is: hoe zet je die honderden spiegeltjes precies? Als je 100 spiegels hebt en 3 mensen (jij + 2 gluurders), zijn er zoveel mogelijk combinaties dat het voor een computer onmogelijk is om ze allemaal uit te proberen (dat zou eeuwen duren).

De auteurs gebruiken een kunstmatige intelligentie genaamd PPO (Proximal Policy Optimization).

• Hoe werkt het? Stel je voor dat de AI een dirigent is die blindelings probeert de spiegels te bewegen.
• Ze probeert een instelling.
• Kijkt of het resultaat goed is (krijgt Bob het bericht? Kan Eve het niet lezen?).
• Als het goed is, onthoudt ze de beweging. Als het slecht is, probeert ze iets anders.
• Na duizenden pogingen (in de simulatie) leert de AI precies welke combinatie van spiegels werkt, zelfs in de meest moeilijke kamersituaties.

De Resultaten: Een Wonderbaarlijke Wending

De resultaten van de simulaties zijn verbazingwekkend:

• Zelfs als de gluurders sterker zijn dan jij (ze zitten dichter bij de lamp en werken samen), kan deze AI-gecontroleerde spiegelmuur de situatie keren.
• In het slechtst mogelijke scenario verbeterde de beveiliging met 107% (als ze samenwerken) en 235% (als ze los van elkaar werken), vergeleken met de situatie waarin je alle spiegels gewoon naar je vriend zou sturen zonder slimme timing.

Samenvatting in één zin

Dit artikel laat zien dat je door slimme spiegels op de muur te gebruiken die het licht op het juiste tijdstip laten aankomen, je een geheime communicatielijn kunt creëren die zelfs voor samenzwerende gluurders onleesbaar is, zelfs als ze dichter bij de bron zitten dan jij.

Het is een beetje alsof je een sleutel hebt die niet alleen opent, maar ook de sloten van de dieven blokkeert door ze op het verkeerde moment te laten draaien.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Enhancing PLS of Indoor IRS-VLC Systems for Colluding and Non-Colluding Eavesdroppers" in het Nederlands.

Titel: Verbetering van Fysieke Laag Beveiliging (PLS) van Indoor IRS-VLC Systemen voor Samenwerkende en Niet-Samenwerkende Afluisteraars

1. Probleemstelling

Visible Light Communication (VLC) wordt gezien als een sleuteltechnologie voor toekomstige 6G-netwerken vanwege de grote bandbreedte en veiligheidseigenschappen. Echter, binnenin gebouwen blijft beveiliging een kritieke uitdaging, aangezien elk apparaat binnen het verlichtingsgebied van de LED's potentieel kan afluisteren.

• Beperkingen van bestaande modellen: De meeste bestaande studies over Intelligent Reflecting Surfaces (IRS) in VLC-systemen negeren de tijdsvertragingen die worden geïntroduceerd door gereflecteerde paden. Ze gaan uit van een frequentie-onafhankelijk (flat) kanaalmodel.
• Realiteit: In praktische breedband-systemen (zoals DCO-OFDM) veroorzaken de verschillen in padlengte tussen het directe zichtbare pad (LoS) en de via IRS gereflecteerde paden (NLoS) significante tijdsvertragingen. Dit leidt tot frequentie-selectieve fading en intersymboolinterferentie (ISI).
• Bedreigingsmodel: Bestaande PLS-studies behandelen vaak alleen niet-samenwerkende afluisteraars. In dichte omgevingen kunnen echter meerdere kwaadwillende gebruikers (eavesdroppers) hun signalen combineren (colluderen), wat de beveiliging drastisch vermindert. Er ontbreekt een analyse die rekening houdt met IRS-tijdsvertragingen voor zowel samenwerkende als niet-samenwerkende scenario's.

2. Methodologie

De auteurs stellen een nieuw framework voor dat de tijdsvertragingen van IRS-reflexies actief benut om de fysieke laagbeveiliging te verbeteren.

• Systeemmodel:

  • Een indoor VLC-systeem met één LED-zender (Alice), één legitieme gebruiker (Bob) en $K$ passieve afluisteraars (Eve).
  • Een IRS met $N_{irs}$ passieve reflecterende elementen is gemonteerd op een muur.
  • Het kanaal wordt gemodelleerd als een superpositie van het directe LoS-pad en meerdere NLoS-paden via de IRS-elementen.
  • Cruciaal: De auteurs modelleren expliciet de tijdsvertraging ($\tau$) voor elk pad. De frequentie-afhankelijke kanaalrespons (CFR) wordt gebruikt om te laten zien hoe constructieve en destructieve interferentie kan worden gecreëerd door de faseverschillen veroorzaakt door deze vertragingen.

• Secrecy Capacity Analyse:

  • Niet-samenwerkende scenario: De geheimhoudingscapaciteit wordt bepaald door de gebruiker met de hoogste snelheid onder de afluisteraars.
  • Samenwerkende scenario: De afluisteraars combineren hun ontvangen signalen (Maximal Ratio Combining - MRC), wat een sterkere bedreiging vormt. De capaciteit is het verschil tussen Bobs snelheid en de gecombineerde snelheid van de groep afluisteraars.
  • De auteurs leiden een gesloten-formule benadering af voor de bereikbare snelheid om de complexiteit van de numerieke integratie te verminderen.

• Optimalisatie en Lerende Framework:

  • Het probleem van het toewijzen van IRS-elementen aan specifieke gebruikers (Bob of een van de Eves) om de geheimhoudingscapaciteit te maximaliseren, is een combinatorisch, niet-convex optimalisatieprobleem. Een uitputtende zoektocht is onmogelijk voor grote IRS-maten.
  • Oplossing: De auteurs gebruiken Deep Reinforcement Learning (DRL) met het Proximal Policy Optimization (PPO) algoritme.
    • Agent: De IRS-controller.
    • Actie: Het toewijzen van het $n$-de IRS-element aan een specifieke gebruiker.
    • Beloning (Reward): De berekende geheimhoudingscapaciteit aan het einde van een episode (na toewijzing van alle elementen).
  • Het doel is om een beleid te leren dat constructieve interferentie creëert bij Bob en destructieve interferentie (schadelijke ISI) bij de afluisteraars.

3. Belangrijkste Bijdragen

1. Realistisch Kanaalmodel: Het is een van de eerste werken dat IRS-geïnduceerde tijdsvertragingen expliciet integreert in het PLS-beveiligingsontwerp voor VLC, in plaats van deze te negeren.
2. Universeel Bedreigingsmodel: De analyse omvat zowel niet-samenwerkende als samenwerkende (colluderende) afluisteraars, wat een robuustere beveiligingsgarantie biedt.
3. PPO-gebaseerde Oplossing: Ontwikkeling van een efficiënt algoritme dat de complexe combinatorische toewijzing van IRS-elementen oplost zonder een uitputtende zoektocht, zelfs in scenario's met meerdere afluisteraars.
4. Strategische Interferentie: Demonstreert hoe het bewust creëren van intersymboolinterferentie (ISI) bij afluisteraars (terwijl deze constructief is bij Bob) kan worden gebruikt als een beveiligingsmechanisme.

4. Resultaten

De prestaties zijn geëvalueerd via simulaties in een kamer van $5 \times 5 \times 3$ meter met verschillende geometrieën (best-case en worst-case).

• Algemene Prestatie: De PPO-gebaseerde toewijzing verbetert de geheimhoudingscapaciteit aanzienlijk ten opzichte van een baseline waarbij alle IRS-elementen aan Bob worden toegewezen ("All-Bob").
• Worst-Case Scenario: In het meest uitdagende scenario, waar de afluisteraars dichter bij de zender staan dan Bob (en dus een sterkere LoS-kanaal hebben):
  • Samenwerkend: De geheimhoudingscapaciteit verbetert met 107% ten opzichte van de baseline.
  • Niet-samenwerkend: De verbetering bedraagt 235%.
  • Zelfs in dit scenario, waar de baseline een negatieve geheimhoudingscapaciteit heeft (onveilig), slaagt het PPO-algoritme erin om een positieve geheimhoudingscapaciteit te bereiken.
• Convergentie: Het PPO-algoritme convergeert snel naar een stabiel beleid dat de geheimhoudingscapaciteit maximaliseert, zelfs bij verschillende maten van de IRS (bijv. $4\times4$vs$15\times15$).
• Validatie: De analytische benadering voor de snelheid komt zeer goed overeen met de exacte numerieke integratie, wat de geldigheid van het model bevestigt.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het negeren van tijdsvertragingen in IRS-VLC-systemen een gemiste kans is voor beveiliging. Door deze vertragingen actief te manipuleren via een intelligent toewijzingsbeleid, kan een systeem worden ontworpen dat niet alleen de signaalkwaliteit voor de legitieme gebruiker verbetert, maar ook de ontvangstkwaliteit voor afluisteraars actief degradeert.

De studie biedt een sterke onderbouwing voor het gebruik van Reinforcement Learning om complexe, discrete hardware-configuraties (zoals IRS-elementen) te optimaliseren voor fysieke laagbeveiliging. Het bewijst dat zelfs in geometrisch ongunstige situaties, waar afluisteraars een natuurlijke voorsprong hebben, een veilige communicatieverbinding mogelijk is door slim gebruik te maken van de tijdsdomein-eigenschappen van het kanaal. Dit is een belangrijke stap naar de implementatie van robuuste en veilige 6G VLC-netwerken.