⚡ electrical engineering

Integrating Sensing into Covert Communications: Opportunities and Challenges

本文探讨了感知赋能的隐蔽通信，这类通信利用环境和对手信息，实现从被动隐藏向状态感知决策的转变，从而在应对与暴露和资源消耗相关的新挑战的同时，增强动态信道中的传输可靠性。

原作者： Jun Wu, Xiaoqi Zhang, Haoyuan Pan, Gaosheng Zhao, Dong In Kim, Tse-Tin Chan

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Jun Wu, Xiaoqi Zhang, Haoyuan Pan, Gaosheng Zhao, Dong In Kim, Tse-Tin Chan

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在一个人拥挤的房间里给朋友传一张秘密纸条，而一个严厉的保安（我们称他为“威利”）正在监视着每一个人。如果威利看到你在窃窃私语，他就知道有人在传递秘密。你的目标不仅仅是让纸条难以阅读（这是标准的安全手段）；你的目标是让这一切看起来就像什么都没有发生过一样。

这篇论文探讨了一种实现这一技巧的新方法：利用“感知”（如雷达或摄像头）来帮助你隐藏。

以下是使用简单类比对该论文思想进行的拆解：

旧方法：在黑暗中盲猜

传统上，人们试图通过让保安感到困惑来隐藏信息。他们会发出一点点“白噪声”（静电噪声）来掩盖声音，希望保安无法分辨出那里是有声音还是仅仅属于背景噪声的一部分。

问题所在： 这就像是在一个雾气弥漫的房间里躲藏。如果保安走动或者雾气散去，你的“静电噪声”可能就不起作用了。你可能会因为喊得太大声而被抓获，或者喊得太小声导致朋友听不见。你本质上是在盲目地猜测。

新方法：使用手电筒来隐藏

这篇论文建议，与其盲目猜测，不如使用**手电筒（感知）**来观察保安在哪里、他在看哪里，以及哪里有阴影。

难点： 打手电筒可能会让你变得更显眼。如果你为了看清保安而打开一盏明亮的灯，他也会看到光！
解决方案： 论文认为，如果你聪明地使用手电筒，你实际上可以隐藏得更好。你可以将秘密信息通过你发现的阴影进行传递，或者利用手电筒的光束本身来迷惑保安。

使用手电筒的三种方式

论文描述了实现这一目标的三个主要“模式”：

先看，再谈（感知后传输）：
- 类比： 你绕到角落窥视一下保安在哪里，然后关掉灯，再低声传递你的信息。
- 优点： 你确切知道该躲在哪里。
- 缺点： 当你完成观察并开始说话时，保安可能已经移动了。此外，观察所花费的时间也是你无法说话的时间。
边谈边看（集成感知）：
- 类比： 你拿着一个既能当手电筒又能当扩音器的设备。你把光照向保安以使他产生眩光，同时向你的朋友低声说话。
- 优点： 你不会在切换观察和说话之间浪费时间。手电筒产生的眩光有助于掩盖你的低语。
- 缺点： 这需要精细的平衡。如果手电筒太亮，保安会看到你；如果太暗，你看不清他在哪，且眩光不足以掩护你。
朋友协助（接收端辅助）：
- 类比： 不是由你拿着手电筒，而是你的朋友（鲍勃）拿着。他向保安投射一道明亮且令人困惑的光，同时你进行低语。由于你的朋友知道光的模式，他可以过滤掉这种光并听到你的声音。保安看到的只是一片混乱的强光。
- 优点： 你（发送方）处于黑暗且低功率的状态，因此更难被发现。
- 缺点： 你朋友的设备必须非常完美，否则这种“令人困惑的光”可能会泄露你的声音。

“智能”手电筒（智能感知）

论文认为，你不需要一个扫描整个房间的高清超亮手电筒。那样会浪费能量并引起注意。相反，你需要一个智能手电筒：

多模态： 你不仅使用雷达，还会结合地图或使用摄像头。如果雷达被墙挡住了，地图会告诉你保安很可能就在墙后。
语义化（基于含义）： 你不需要知道房间里每一把椅子的精确距离。你只需要知道：“保安是否在看我？”或者“是否有我可以利用的阴影？”你跳过了细节，只关注对隐藏至关重要的信息。
预测性： 你不只是看保安现在在哪里，你还会预测他 5 秒钟后会在哪里。这让你能在他在到达之前就准备好躲避位置。
协作性： 你和你的朋友会分享彼此看到的信息。如果其中一人因为墙壁挡住而看不见保安，另一位朋友可能会看到，并把信息告诉你。

现实世界测试（无人机案例研究）

作者使用一架在城市上空飞行的**无人机（UAV）**测试了这个想法。

场景： 一架无人机需要向地面的人发送秘密信息，同时要避开一架正在空中监视的安保无人机。
结果：
- 旧方法： 无人机随机扫描整个天空。它浪费了能量，并且因为不知道安保无人机的位置，经常被抓获。
- 新方法（智能感知）： 无人机使用了“语义感知”。它只寻找特定的“危险区域”（即安保无人机可能出现的区域）。它还会预测安保无人机下一步会移动到哪里。
- 结果： 该无人机能够更可靠地发送秘密信息，且被发现的可能性更低，因为它不再浪费能量去扫描空白的天空。

核心结论

论文得出结论：感知是一把双刃剑。

如果你盲目使用它，它会暴露你。
如果你聪明地使用它（只关注重要的信息、预测未来并共享信息），它就会成为一个强大的隐藏工具。

目标不再仅仅是“隐藏在噪声中”，而是主动管理环境，使你的秘密传输看起来完全就像什么都没有发生一样。

技术摘要：将感知集成到隐蔽通信中

1. 问题陈述

隐蔽通信旨在隐藏无线传输的物理存在，使其不被未经授权的监测者（监视者，记为 Willie）察觉，而不仅仅是防止未经授权的解码。传统的方案依赖于利用监测者的不确定性——例如噪声不确定性或被动环境干扰——来掩盖传输。然而，在动态传播环境中，由于监测者的状态（位置、信道条件）变化迅速，这些“盲目”方法会变得无效。由于缺乏对监视者信道的可靠知识，友好干扰往往是在缺乏空间引导的情况下生成的，这不仅消耗了过多的功率，还可能损害合法接收者（Bob），且仅能带来微小的隐蔽性提升。

本文解决的核心挑战是可靠传输与低检测率之间的耦合关系：更强的信号虽然改善了合法链路，但增加了被检测的风险。此外，简单地增加主动感知会引入新的风险，因为感知的发射信号可能会无意中暴露发射机，并消耗用于数据传输所需的资源（时间、功率）。本文认为，感知必须经过精心集成，从而将隐蔽设计从被动的隐匿转向具备状态感知能力的决策，同时不破坏隐蔽性约束。

2. 方法论与架构

本文研究了“感知赋能的隐蔽通信”，其中对手信息和环境信息用于指导传输和干扰控制。它将监测过程定义为一个二元假设检验，其目标是使传输下的观测值（ $H_1$ ）在统计上与静默状态（ $H_0$ ）无法区分，即使存在辅助感知或干扰波形。

作者提出了并分析了三种代表性架构（如图 1 所示）：

先感知后隐蔽传输（Sensing-Then-Covert Transmission）： 这是一种顺序方法，由外部感知节点在数据传输前对环境进行特征提取。融合中心处理这些数据以估计 Willie 的位置或遮挡状态，从而允许 Alice（发射机）调整其策略。这实现了主动的对手感知设计，但在移动场景中存在延迟以及状态信息过时的风险。
集成感知与干扰（基于 ISAC）： 该模式利用统一的无线电平台，使感知和通信共享波形、频谱和硬件。感知波形的设计不仅是为了估计，也是作为一种“掩护信号”或友好干扰。通过随机化波形统计特性并将调度与隐蔽数据状态解耦，系统可以掩盖 Alice 的信号泄漏。这种方法提供了干扰的空间聚焦能力，但也造成了感知功率、估计精度与暴露风险之间的紧密耦合。
全双工接收机辅助隐蔽传输（Full-Duplex Receiver-Assisted Covert Transmission）： 该架构将环境塑造的负担转移到了全双工接收机（Bob）身上。Bob 广播一种具有双重用途的探测-干扰波形。从 Willie 的角度看，这充当了人工噪声；从 Alice 的角度看，它提供了信道状态信息。Bob 通过抑制自干扰来恢复消息。这降低了发射机的直接暴露风险，但受限于硬件损伤和残余自干扰。

3. 智能感知范式

为了解决感知精度与暴露之间的权衡，本文概述了四种旨在在有限探测预算下提取任务相关信息的智能感知范式：

多模态感知（Multi-Modal Sensing）： 融合异构数据源（如视觉观测、历史移动数据、环境地图）来推断对手的状态。这减少了对主动无线电探测的依赖，并提高了针对遮挡和非视距（NLoS）条件的鲁棒性。
语义感知（Semantic Sensing）： 将目标从重建物理参数（如精确坐标）转向提取紧凑的、任务相关的变量（如风险指标、威胁等级）。这通过避免不必要的、高维度的信道重建，降低了信令开销和暴露风险。
预测感知（Predictive Sensing）： 利用历史观测结果来预测 Willie 的移动性和信道条件的未来演变。这实现了主动风险管理和波束成形调整，以便在瞬态脆弱性发生前做出响应，解决了响应式感知的延迟问题。
协作感知（Cooperative Sensing）： 构建分布式感知网络，多个合法节点共享观测结果（原始数据、特征或语义），以减轻感知盲点并增强在遮挡区域的检测能力。

4. 案例研究：低空无线网络（LAWNs）

本文展示了一个涉及 ISAC 赋能无人机（Alice）与地面用户（Bob）通信，同时避开空中监视者（Willie）的城市低空无线网络（LAWNs）案例研究。

设置： 该场景运行在毫米波频段，具有快速的 LoS/NLoS 切换。研究对比了三种方案：常规感知（宽范围扫描）、预测波束成形和语义波束成形。
发现：
- 常规感知： 进行宽范围的空间扫描，导致随着通信速率要求的提高，感知有效性发生退化。它在与隐蔽性无关的方向上浪费了资源。
- 预测波束成形： 利用历史数据聚焦于可能的监视者区域，改善了性能权衡，但仍易受到移动性引起的失配影响。
- 语义波束成形： 特别针对与隐蔽性相关的特征（如泄漏主导方向）而非完整的环境重建来分配感知能量。
结果： 研究表明，语义波束成形实现了更稳定的性能趋势和更好的空间资源利用率。它有效地将感知注意力重新分配到与隐蔽传输最相关的环境特征上，在保持通信可靠性的同时，减少了不必要的暴露。

5. 核心贡献与主张

本文声称其贡献如下：

架构框架： 提出了感知赋能隐蔽通信的代表性架构，强调了感知如何将设计从盲目的不确定性利用转变为状态感知的决策。它识别了新的设计考量，包括复合性能指标（结合隐蔽性和感知精度，如 CRLB）、扩展的优化自由度（DoFs）以及耦合约束。
智能感知范式： 讨论了新型范式（多模态、语义、预测、协作），这些范式优先考虑决策相关信息而非最大感知精度，以最小化暴露。
权衡分析： 本文阐明了基本的权衡关系：准确的感知虽然提高了对手感知能力，但会消耗可用于数据或干扰的资源；反之，分配更多资源给数据可能会增加被检测的风险。
未来方向： 概述了具有前景的研究方向，包括用于自适应资源分配的 AI 赋能隐蔽智能、用于识别低风险区域的频谱图辅助组网，以及用于硬件级随机性和安全协调的量子隐蔽通信。

6. 意义

本文认为，感知赋能的隐蔽通信是应对动态无线环境的必然演进。通过从静态、盲目的策略转向自适应、状态感知的设计，合法系统可以更好地管理暴露风险。然而，本文强调，这种集成并非易事；它引入了一个新的设计问题，需要对感知精度、通信可靠性和隐蔽性进行联合优化。其意义在于证明，通过智能感知范式，可以在不产生过高暴露成本的情况下，增强时变信道中的空间资源利用率和隐蔽数据传输的可靠性。