定向调制: 5G 及以上移动网络的安全解决方案外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文(设计)

外文翻译

题 目 定向调制: 5G 及以上移动网络的安全解决方案

定向调制: 5G 及以上移动网络的安全解决方案

Feng Shu, Yaolu Qin, Rqing Chen, Ling Xu, Tong Shen, Siming Wan

Shi Jin, Jiangzhou Wang, and Xiaohu You

摘要：定向调制 (DM) 作为一种高效的安全传输方式，通过其指向性提供安全性，适用于传播线 (LoP) 通道，如毫米波 (mmWave) 大规模多输入多输出(MIMO)、卫星通信、无人机 (UAV) 和智能交通。如果已知所需接收的方向角，则可获得所需的信道增益向量。由于机密消息和人工噪声 (AN) 投影矩阵的波束形成向量主要由所需用户和窃听者的方向角度决定。因此，定向调制发射机可以提前知道所需用户和窃听者的方向角的值或它们波达方向 (DOAs）。对于作为接收器的定向调制收发器，第一步是测量所需用户和窃听者的DOA。然后，在第二步中，使用测量好的DOA，设计机密消息和人工噪声投影矩阵的波束形成向量。在本文中，我们描述了定向调制网络中的DOA测量方法，功率分配和波束形成，提出了一种基于机器学习的DOA测量方法，与无机器学习的单一快照测量相比，对于给定的零空间投影波束形成方案，可以获得显著的保密率性能增益。然而，对于传统的定向调制网络，仍然存在一个严重的安全问题：由于机密消息的波束形成向量和人工噪声投影矩阵仅仅依赖于角度，窃听者可以在所需用户的主波束内移动并且截取指向期望用户的机密消息。为了解决这个问题，我们提出了一种安全和精确传输的新概念，即通过在定向调制发射机上使用定向调制，随机频率选择和相位对准，使发射波形具有二维甚至三维依赖性。

1 定向调制:概念和系统

由于无线传输的广播性质，机密信息容易被恶意用户截获，这将使无线网络面临严重的安全风险。因此，保密信息的安全传输、存储、处理和保护成为近年来无线网络中极其重要的研究课题。此外，对设计安全传输方法以保护合法用户不受窃听的需求也越来越大。最近，作为毫米波 (mmWave) 大规模多输入多输出 MIMO)、无人驾驶飞行器 (UAV) 和物联网 (IoT) 的出现，如何在传播线路(LoP)信道中安全地传输机密信息正成为一个热门研究领域。定向调制(DM)，作为传播线路渠道中固有的安全方法，吸引了越来越多的学术界和产业界人士的研究活动。

图1 定向调制网络原理图

在图1中，给出了一个概念图，显示了定向调制的基本思想。在此图中，有一个定向调制发射机，带有多个发射天线，两个窃听器和一个所需的用户。定向调制发送器将其机密消息发送给所需的用户，以使两个窃听者无法拦截机密消息。在人工噪声 (AN) 投影的帮助下，通过利用基于天线阵列的波束形成产生的指向性，定向调制发射机将机密信息传输到所需的方向，并利用人工噪声干扰窃听器的投影。 由于人工噪声投影和波束形成的联合操作，机密消息可以安全、成功地传输给所需的用户，人工噪声会严重干扰窃听者。我们提出了一个智能定向调制收发器，如图2所示。本文采用[1]中的机器学习方法之一，提高了DOA角度的测量精度，从而为定向调制的预编码向量和人工噪声投影矩阵的设计提供了依据。由于信道噪声和信道干扰，存在DOA测量误差。如[2]所示，高精度DOA估计意味着在给定固定波束形成方案的前提下具有较大的保密率。在接下来的工作中，定向调制发射机上的天线数量被假定为N。

图2 智能定向调制收发器原理图，其中CM 表示机密消息

2 DOA测量和机器学习

对于安全的定向调制来说, 高分辨率DOA测量和高精度DOA误差密度估计对于定向调制发射机具有重要意义。如[2]、[3]中所述，完美的DOA测量可提高性能, 因为预期信息和人工噪声分别可以准确地传输到所需的方向和窃听方向。由于空间方向的超高分辨率和超高光谱效率, 大规模多输入多输出引起了学术界和业界的极大关注[4]。如果大规模多输入多输出用作接收阵列，则DOA的估计精度将因其空间方向的超高分辨率而得到显著提高。

估计信号可分为两类: 窄带信号和宽带信号[5]。窄带信号以相同的频率传输。然而, 在宽带信号DOA估计问题中，有几个频率窗携带与源DOA角度相对应的不同信息。这就产生了DOA估计的多样性和处理增益。宽带DOA估计中的主要问题是如何将每个频率的信息组合起来，以获得最准确的DOA信息。宽带处理的两种主要类型是相干和非相干。 在相干宽带处理中，使用变换相干地组合每个频率处的协方差矩阵，并且最终协方差矩阵用于DOA估计。在非相干宽带处理中, 分别估计每个频率的DOA，并将结果非相干组合在一起。

当前已经提出并分析了许多典型的DOA估计算法，Capon 算法是功率的最大似然估计, 其目的是最大限度地提高信噪比(SINR)。施密特开发了一种更流行的方法, 即多信号分类 (MUSIC) [6] 算法, 它是一种基于本征结构的高分辨率的DOA查找方法。

考虑到物理层安全通信中高分辨率DOA测量的需要和大规模多输入多输出系统[4]的优点, 在 DOA测量中采用大规模多输入多输出是合理的。 然而, 随着天线数量的增加，数字实现的计算量、电路复杂性和成本对商业应用来说变得太高。因此, 混合模拟和数字 (HAD) 结构是一种自然的选择，它将在计算量、电路成本和电路实现复杂性之间取得良好的平衡。[7]提出了基于源多信号分类方法和混合结构的低复杂度DOA估计算法, 既降低了计算复杂度, 又降低了硬件成本。

在定向调制网络中，波束形成矢量和人工噪声投影矩阵在很大程度上取决于DOA测量的精度。如何实现高精度DOA测量，机器学习是解决这一问题的一种新的、先进的方法。 本文提出了一种基于贝叶斯学习 (BL) 的方法, 来提高全数字 (FD) 结构的定向调制发射机的DOA测量精度。特别值得注意的是，这一想法可以很容易地推广到混合模拟和数字结构。首先, 具有全数字结构的定向调制发射机充当接收机，并拍摄大量的快照。通过使用所提出的源多信号分类方法，我们可以通过拍摄多个快照来获得测量DOA值的测试数据集 (TDS)，其大小表示为K，其中采样点的数量为M。如图3所示，机器学习中采用直方图方法对DOA测量误差进行密度估计。根据这个图，很明显，DOA的测量误差近似服从高斯分布。随后，DOA测量误差被视为以下高斯分布。 引入贝叶斯学习来估计所需DOA测量误差的均值和方差，假定角度均值和方差的先验分布是均匀分布的。

图4给出了具有不同大小的测试数据集的贝叶斯学习的DOA测量的均方根误差(RMSE) 与信噪比 (SNR) 的曲线，其中测试数据集的大小是K。很明显随着测试数据集合大小K从1增加到20，DOA测量精度明显逐渐提高。

图5给出了如图1所示的定向调制网络中的保密率 (SR) 与信噪比 (SNR) 的曲线，其中采用零空间投影 (NSP) 方法来设计人工噪声投影矩阵， 匹配滤波器 (MF) 用于机密消息的预编码向量，贝叶斯学习测量的DOA值直接代入零空间投影注入和匹配滤波器波束形成的表达式。如图5所示，可以看出，通过增加测试数据集的大小K实现的可实现的保密率性能增益，尤其是在低信噪比区域中。 然而，随着信噪比增加，增益将缓慢且逐渐减小。特别注意的是，一旦定向调制收发器表现为接收器，通过在第一时隙中从期望用户和窃听者接收发送信号来完成对期望用户和窃听者的DOA测量。在第二时隙中，通过波束成形方案，定向调制收发器以发送模型操作，将机密消息发送给期望的用户，并将人工噪声投射到窃听者。

3 功率分配、稳健波束形成和定向调制的投影

定向调制作为一种极其重要的安全物理层无线传输方式，可以使机密消息沿指定方向传输。 特别地，定向调制是发射机侧技术，其将数字调制信号投射到预先指定的安全方向，并且同时通过人工噪声投射使信号的星座模式在其他方向上失真。传统的定向调制技术主要集中在射频前端。有一种依赖近场耦合效应的定向调制发射机, 这种定向调制发射机由于所有寄生元件都是被动激发的, 可以看作是无源定向调制发射机。在这种情况下，近场被动反射器上每个开关状态的组合可以形成一个独特的远场辐射模式，可以在自由空间的每个空间方向上转换为同相正交空间中的检测星座点。

图3 DOA测量误差的直方图

图4 基于贝叶斯学习的DOA测量与信噪比的根均方误差 (m= 4).

在针对大量可能的开关状态组合的多个模式的大量测量之后，可以选择期望方向上的可用星座模式，并且可以获得用于每个符号的安全传输的相应开关设置。然而，由于沿空间方向的复杂的被动近场衍射效应，沿着其他未选择方向的星座以复杂且几乎不可预测的方式失真。此外，近场中的复杂相互作用及其与远场的空间相关变换使得无源定向调制发射机的合成极为困难。

戴利首先提出了一种简化定向调制合成的方法[8]，其中定向调制发射机的结构由主动驱动的天线阵列组成，并配备了可重新配置的移相器或散热器。 由于每个阵列元件都是主动激发的，这种定向调制变送器称为有源定向调制阵列。在有源定向调制阵列中，载波信号需要由控制衰减器和移相器的基带信息数据进行调制，然后再通过天线阵列传输。通常，这种类型的定向调制发射机通过最小化适当的成本函数值来设置架构参数并通过迭代优化来预测系统性能。 在相同物理结构的基础上，分别对量化移相器、阵列单元间距和有源单元模式等参数进行了详尽的研究。

图5 不同规模的测试数据集的保密率与信噪比 (m=4).

另一种实现定向调制的方法是通过基带信号执行。值得注意的是，[9] 中作者提出了一种用向量表达式描述定向调制系统的新理论，并借助该理论实现了定向调制的传输特性。这种合成方法也称为正交向量法。与传统的射频前端定向调制合成方法相比，利用波束形成方案，增加人工噪声，可以很容易地在基带信号中实现这种合成方法，在这种情况下，可以进一步保证不同的星座点在不同的时隙中传输，换句话说，就是动态定向调制。 然而，所有这些工作都是基于所需方向角度的理想情况，它们没有考虑到实际场景中所需

方向角度的估计误差。

图6 定向调制发射机天线的保密率与天线数量的直方图

近几年来，利用DOA测量误差，提出了设计机密信息波束形成矢量和人工噪声投影矩阵的一些稳健波束形成方法 [2]、[10]、[11]。[2]的作者推导了导向向量零空间沿所需方向的闭合表达式，并提出了一种基于条件最小均方误差 (MMSE) 准则的稳健定向调制合成方法，以最小化沿着合法用户星座点的失真。随后，在[10]中,作者将[2]的想法扩展到广播系统中的多波束定向调制场景，在这种场景中，提出了一个条件最大化信号泄漏噪声比 (Max-SLNR) 来设计机密信息的波束形成矢量。在设计人工噪声的投影矩阵时, 采用了所需接收机的最大信号与人工噪声比 (Max-SANR) 的方法。然而，两个稳健方案 [2], [10] 需要事先知道DOA测量误差的概率密度函数。这给DOA测量操作带来了巨大的负担。为了解决这个问题，在不知道方向测量误差分布的情况下，形成了一种结合主瓣积分和泄漏的盲稳健方案，设计了机密信息的波束形成向量和多用户多输入多输出 (MIMO) 方案的人工噪声投影矩阵。此外，作者还将定向调制的应用扩展到[3]中的多转换场景。在扩展工作中，提出了两种新的方案，即最大群接收功率加零空间投影方案和最大化信号泄漏噪声比加最大人工噪声漏噪声比方案，以提高保密总和率。

人工噪声和机密消息之间的电源分配策略会产生怎样的影响？在[12]中，给出了一个固定的波束形成方案，提出了一种最优功率分配 (OPA) 策略，即安全定向调制的最大保密率，并推导了其闭合表达式。在图6中，分别演示了最优功率分配在三种典型的固定功率分配方法上获得的保密率性能增益百分比的。这里beta;代表机密消息的功率分配因子。观察这三个数字，很明显，一个小的价值beta;意味着一个小的性能改进。在小规模天线阵列和低信噪比区域中，最优功率分配实现的可达到的保密率性能相对更具有吸引力。例如，在N = 8，beta;= 0.2，并且SNR = 5 dB时，保密率性能增益百分比约为66％。这种改进令人印象深刻。

4 安全精确的无线传输

对于传统的定向调制网络，如果窃听者在所需用户的主波束内移动并且与所需用户相比甚至与定向调制发射器具有不同的距离，则它仍然能够截取所需用户的机密消息。这将导致严重的安全问题。为了解决传统定向调制面临的严重安全问题, 作者在[13]和[14]中首次提出了一个名为“安全和精确无线传输”的新概念, 其中定向调制、随机频率多样性和相位对齐这三个关键技术是用于实现安全和精确的传输, 从而产生二维角度和距离依赖性。现在，有另一种方法来实现安全和精确的无线传输：在定向调制的帮助下进行多中继合作 [15] 。也就是说，在给定的角度和范围内，保密信息的能量可以在所需位置附近的一个小区域内传输和收集，在该小区域外存在被人工噪声干扰的极弱的接收能力，无法成功检测到保密信息。

在 [13

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19716]，资料为PDF文档或Word文档，PDF文档可免费转换为Word