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

Deze paper presenteert een op diep leren gebaseerd raamwerk voor veilige multicarrier ISAC-systemen dat gebruikmaakt van radar-echo's voor gerichte friendly jamming onder onzekerheid in kanaalcondities en zonder kennis van de locatie van afluisteraars, waarbij een compacte neurale netwerkarchitectuur wordt gebruikt om de beveiliging en robuustheid aanzienlijk te verbeteren.

De kern

Stel je voor dat je een postbezorger bent in een drukke stad. Je moet belangrijke brieven (data) bezorgen bij specifieke huizen (legitieme gebruikers), maar er is ook een sluwe dief (de afluisteraar of "Eve") die probeert de brieven te stelen.

In de oude wereld van draadloze communicatie was dit lastig: je wist niet precies waar de dief zat, en als je probeerde de dief te verwarren met ruis, kon je per ongeluk ook je eigen klanten storen.

Deze paper introduceert een slimme, nieuwe manier om dit op te lossen, gebaseerd op ISAC (Integrated Sensing and Communication). Laten we dit uitleggen met een paar creatieve analogieën.

1. De Slimme Postbezorger met een Flitslicht (ISAC)

Stel je voor dat je postbezorger niet alleen brieven bezorgt, maar ook een flitslicht (radar) heeft.

• Oude methode: Je probeert de dief te vinden door te raden of door te wachten tot de dief een signaal geeft (wat dieven niet doen).
• Nieuwe methode (ISAC): Je gebruikt je flitslicht om de omgeving te scannen. Je ziet reflecties van gebouwen en mensen. Je hoeft niet te weten wie de dief is, je ziet gewoon dat er ergens een "verdachte schaduw" is. Je gebruikt die informatie om je strategie aan te passen.

2. De "Vriendelijke Ruis" (Friendly Jamming)

Normaal gesproken zou je proberen de dief te verblinden met een felle flits (ruis). Maar als je dat doet, kun je ook je eigen klanten verblinden.

• De oplossing: De paper stelt voor om een "Vriendelijke Ruis" te gebruiken. Stel je voor dat je een luidspreker hebt die alleen geluid maakt in de richting van de dief, maar niet in de richting van je klanten.
• Het probleem: Je weet niet precies waar de dief staat, en je radar is niet perfect (soms is het mistig, soms beweegt de dief). Als je de ruis een beetje verkeerd richt, werkt het niet.

3. De "Radar-Neus" (Deep Learning & Radar Echo's)

Hier komt de kunstmatige intelligentie (Deep Learning) om de hoek kijken.

• In plaats van te rekenen met ingewikkelde formules (die vaak falen als de radar niet perfect is), leert het systeem door ervaring.
• Het systeem schijnt met zijn flitslicht (radar) en luistert naar de echo's. Het leert: "Als ik deze echo hoor, betekent dat dat de dief waarschijnlijk linksachter zit."
• Zelfs als de echo's ruisig zijn (onvolledige informatie), kan het systeem de beste richting voor de "Vriendelijke Ruis" vinden. Het is alsof een hond die door de geur van een dief kan ruiken, zelfs als de wind verandert.

4. De "Slimme Verpakking" (Tensor Train & Compressie)

Dit systeem is heel slim, maar normaal gesproken zouden zulke slimme systemen enorme computers nodig hebben (zoals een supercomputer in een koffer). Dat is onhandig voor een mobiele telefoon of een kleine zendmast.

• De oplossing: De auteurs hebben een trucje bedacht genaamd Tensor Train.
• Analogie: Stel je voor dat je een enorme, zware koffer vol met kleding (de data) moet vervoeren. In plaats van de hele koffer mee te nemen, vouw je de kleding zo slim in (compressie) dat hij in een kleine rugzak past, zonder dat er iets mist.
• Dit maakt het systeem 100 keer lichter, zodat het snel en makkelijk op gewone apparaten kan draaien, zonder dat de prestaties dalen.

5. Twee Manieren om te Werken

De paper beschrijft twee manieren om dit te doen:

1. Alles door elkaar: Je gebruikt dezelfde frequentie voor het bezorgen, het scannen en het verwarren van de dief. Dit is efficiënt, maar lastig om te regelen.
2. Gescheiden banen: Je gebruikt de ene helft van de snelweg voor bezorging en de andere helft voor scannen en verwarren. Dit is makkelijker te regelen en voorkomt dat je klanten in de war raken door de ruis.

Waarom is dit belangrijk?

In de toekomst (6G) zullen onze netwerken niet alleen internet leveren, maar ook auto's laten rijden en steden bewaken. Als die netwerken niet veilig zijn, kunnen hackers niet alleen je e-mails lezen, maar ook zien waar je auto rijdt of wat je sensoren zien.

Deze paper laat zien dat we slimmer en veiliger kunnen werken door:

• De radar te gebruiken als een "spion" om de dief te lokaliseren zonder hem te hoeven zien.
• Een AI te gebruiken die leert van imperfecte signalen.
• Het systeem zo klein en licht te houden dat het overal werkt.

Kortom: Het is alsof je een postbezorger bent die een onzichtbare schildwacht heeft die de dief verblindt met een laserstraal, precies gericht op de dief, terwijl de bezorger rustig zijn werk doet, zelfs als het regent en de dief probeert zich te verstoppen. En dat allemaal met een computer die net zo klein is als een smartphone.

Technische samenvatting

Titel: Deep Learning-gedreven Vriendelijke Jamming voor Veilige Multicarrier ISAC onder Kanaalonzekerheid

1. Probleemstelling

Geïntegreerde Sensing en Communicatie (ISAC) systemen beloven een efficiënter gebruik van het spectrum door radar-sensoren en draadloze communicatie te combineren. Echter, deze systemen zijn kwetsbaar voor afluisteren (eavesdropping), omdat de signalen zowel gebruikersdata als omgevingsinformatie bevatten.
De belangrijkste uitdagingen in de huidige literatuur zijn:

• Onbekende Afluisteraar (Eve): Traditionele methoden vereisen vaak de exacte Kanaalstaat-informatie (CSI) van de afluisteraar of nauwkeurige schattingen van de Hoek van Aankomst (AoA), wat in de praktijk onrealistisch is omdat afluisteraars passief zijn.
• Kanaalonzekerheid: Bestaande oplossingen gaan vaak uit van perfecte CSI, terwijl in realiteit ruis, quantisatie en mobiliteit leiden tot onnauwkeurige kanaalschattingen.
• Sensingsonzekerheid: Fouten in de AoA-schatting (door ruis of obstakels) kunnen de prestaties van gerichte jamming sterk verminderen.
• Complexiteit: Bestaande optimaalheidsproblemen (zoals convex optimalisatie) zijn vaak te zwaar voor real-time implementatie in multicarrier (OFDM) systemen, en deep learning-modellen zijn vaak te groot en niet schaalbaar.

2. Methodologie

Het artikel stelt een nieuw framework voor dat diep leren combineert met radar-feedback om fysieke-laag beveiliging (Physical-Layer Security - PLS) te verbeteren zonder expliciete kennis van de afluisteraar.

• Vriendelijke Jamming (FJ) zonder Eve-CSI: In plaats van de afluisteraar te lokaliseren, gebruikt het systeem radar-echo's om kwetsbare ruimtelijke regio's te identificeren. De jamming wordt gericht op deze regio's om de signaal-ruisverhouding (SNR) van de afluisteraar te verlagen, terwijl de communicatie met legitieme gebruikers behouden blijft.
• Niet-parametrische Fisher Informatie Matrix (FIM) Schatting: Om de onzekerheid in de sensoren te hanteren, wordt een nieuwe methode voorgesteld die de FIM schat op basis van $f$-divergentie. Dit gebeurt via een neurale discriminator die de verdeling van radar-echo's analyseert bij kleine verstoringen van de hoekparameters. Dit elimineert de noodzaak voor complexe analytische afleidingen onder Gaussische aannames.
• Cramér-Rao Lower Bound (CRLB) Constraints: Het ontwerp zorgt ervoor dat de jamming de nauwkeurigheid van de hoekschatting (Azimuth en Elevatie) niet ondermijnt. Dit wordt gegarandeerd door de CRLB als een constraint in het optimalisatieprobleem op te nemen.
• Multicarrier (OFDM) Architectuur: Het framework ondersteunt zowel overlappende (communicatie en sensoren delen subcarriers) als niet-overlappende (gescheiden subcarriers) configuraties. Dit biedt flexibiliteit in spectrumtoewijzing.
• Gekwantiseerde Tensor Train (TT-Q) Encoder: Om het model lichtgewicht en schaalbaar te maken, wordt een Tensor Train-decompositie gebruikt. De gewichten van de neurale netwerken worden gefactoriseerd in compacte tensor-kernen. Daarnaast wordt kwantisatie toegepast om de bit-precisie te verlagen, wat de modelgrootte drastisch verkleint zonder significante prestatieverlies.

3. Belangrijkste Bijdragen

1. Learning-based Secure ISAC Framework: Een end-to-end leerframework dat radar-echo's gebruikt om adaptief vriendelijke jamming te sturen, zonder dat de locatie of CSI van de afluisteraar bekend hoeft te zijn.
2. Niet-parametrische FIM Schatting: Een innovatieve methode om de Fisher Informatie te schatten via $f$-divergentie, wat robuust is tegen hoekfouten en hardware-onnauwkeurigheden.
3. Multicarrier Ondersteuning: Uitbreiding naar OFDM-systemen met ondersteuning voor zowel overlappende als gescheiden subcarrier-toewijzing, wat de prestaties in breedbandige scenario's verbetert.
4. Efficiënte Encoder (TT-Q): Introductie van een compacte encoder die het aantal parameters met meer dan twee ordes van grootte (factor >100) reduceert ten opzichte van traditionele Fully Connected (FC) netwerken, terwijl de prestaties behouden blijven.
5. Robuustheid: Het systeem is getraind met verstoord kanaal- en hoekdata, waardoor het zeer robuust is tegen CSI-onzekerheid en AoA-schattingsfouten.

4. Resultaten

Uitgebreide simulaties tonen de volgende resultaten aan:

• Secrecy Rate: Het voorgestelde ISAC_FJ-schema presteert aanzienlijk beter dan bestaande methoden (zoals AE_FJ en DL_AN). Bij een SNR van 20 dB wordt een secrecy rate van ~6.9 nats/s/Hz bereikt, wat een verbetering is van >50% ten opzichte van de baselines.
• Blokkeringsfoutpercentage (BLER): Het systeem behoudt een lage BLER voor legitieme gebruikers (<10⁻² bij 15 dB SNR) terwijl het de BLER van de afluisteraar dicht bij 1 houdt (d.w.z. de afluisteraar kan de data niet decoderen).
• Robuustheid tegen Onzekerheid: Zelfs bij significante CSI-fouten ($\rho = 0.2$) en hoekschattingsfouten, degradeert de prestatie slechts geleidelijk, in tegenstelling tot traditionele methoden die snel falen.
• Schaalbaarheid: Multicarrier systemen (bijv. $N=64$ subcarriers) tonen een aanzienlijke verbetering in secrecy rate vergeleken met single-carrier systemen, dankzij het benutten van frequentiediversiteit.
• Efficiëntie: De TT-Q encoder reduceert het aantal parameters van ~62.500 (FC) naar ~28.000 (Hybrid TT-FC) en verlaagt de inferentiecomplexiteit met ~55%. De trainingstijd per epoch daalt van 2.4s naar 0.6s op een GPU.

5. Betekenis en Conclusie

Dit onderzoek biedt een praktische oplossing voor de beveiliging van toekomstige 6G ISAC-netwerken. Het overbrugt de kloof tussen theoretische beveiliging en praktische implementatie door:

• Af te zien van de onrealistische aanname van perfecte kennis van de afluisteraar.
• Het combineren van sensoren en communicatie op een manier die de beveiliging versterkt zonder de sensornauwkeurigheid te offeren.
• Het bieden van een lichtgewicht, deep learning-gedreven architectuur die geschikt is voor real-time implementatie op randapparatuur (edge devices).

De studie benadrukt dat het gebruik van data-gedreven methoden, gekoppeld aan fysieke constraints (zoals CRLB), de meest veelbelovende route is voor robuuste en schaalbare fysieke-laag beveiliging in complexe, onzekere draadloze omgevingen.