[論文レビュー] APEG: Adaptive Physical Layer Authentication with Channel Extrapolation and Generative AI

Xi Cheng, Rui Meng+4 more|arXiv (Cornell University)|Mar 23, 2026

Wireless Signal Modulation Classification被引用数 0

ひとこと要約

APEG は、協力者の CSI からのチャネル外挿と生成系 AI を用いて、動的な無線環境下で堅牢な認証を実現するリアルタイム CSI 指紋を生成する適応的物理層認証フレームワークを開発します。

ABSTRACT

With the rapid advancement of 6G, identity authentication has become increasingly critical for ensuring wireless security. The lightweight and keyless Physical Layer Authentication (PLA) is regarded as an instrumental security measure in addition to traditional cryptography-based authentication methods. However, existing PLA schemes often struggle to adapt to dynamic radio environments. To overcome this limitation, we propose the Adaptive PLA with Channel Extrapolation and Generative AI (APEG), designed to enhance authentication robustness in dynamic scenarios. Leveraging Generative AI (GAI), the framework adaptively generates Channel State Information (CSI) fingerprints, thereby improving the precision of identity verification. To refine CSI fingerprint generation, we propose the Collaborator-Cleaned Masked Denoising Diffusion Probabilistic Model (CCMDM), which incorporates collaborator-provided fingerprints as conditional inputs for channel extrapolation. Additionally, we develop the Cross-Attention Denoising Diffusion Probabilistic Model (CADM), employing a cross-attention mechanism to align multi-scale channel fingerprint features, further enhancing generation accuracy. Simulation results demonstrate the superiority of the APEG framework over existing time-sequence-based PLA schemes in authentication performance. Notably, CCMDM exhibits a significant advantage in convergence speed, while CADM, compared with model-free, time-series, and VAE-based methods, achieves superior accuracy in CSI fingerprint generation. The code is available at https://github.com/xiqicheng192-del/APEG

研究の動機と目的

• 6G 以降を見据え、軽量で鍵なしのPLAによる堅牢な身元認証を動機づける。
• ユーザ領域でのチャネル外挿を活用し、協力者から正当なデバイスの CSI を推定する。
• 認証のための適応 CSI 指紋を生成する生成系 AI モデルを導入する。
• 精度と収束速度を向上させる拡散ベースの指紋生成方式を開発する。
• 公開データセット上で時系列 PLA 手法より優れていることを実証する。

提案手法

• CSI 指紋を DL 処理用の 2 チャンネルの実数画像に変換する。
• Alice の CSI を Jack の指紋を条件として用いる CCMDM（Collaborator-Cleaned Masked Denoising Diffusion Probabilistic Model）を訓練する。
• マルチスケールの Alice および Jack の特徴をクロスアテンションで融合する CADM（Cross-Attention Denoising Diffusion Probabilistic Model）を提案する。
• 前方拡散を、ノイズを Alice の領域のみに加えるようにマスク入力でモデル化し、Jack はクリーンな状態を保つ。
• 生成された指紋と観測された指紋との距離を複数の指標で比較して認証決定をランク付けする。
• DeepMIMO データセット上で評価し、LSTM/GRU および VAE ベースのベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 動的環境で Alice の指紋を Jack の CSI から信頼性高く生成するために、ユーザ領域でのチャネル外挿は可能か。
• RQ2 生成系 AI の拡散モデルは、時変チャネル下で CSI 指紋の精度と認証性能を向上させるか。
• RQ3 CADM によるクロスアテンション条件付けは、CSI 指紋生成において CCMDM より優れているか。
• RQ4 協力者の指紋を使用することは収束速度と認証の堅牢性にどのような影響を与えるか。
• RQ5 動的な無線条件下で APEG は時系列 PLA 手法と比較してどの程度性能を発揮するか。

主な発見

• APEG は動的シナリオにおいて LSTM ベースおよび GRU ベースの PLA 手法と比較して優れた認証性能を達成する。
• CCMDM は訓練時の指紋生成収束速度を CADM より速く提供する一方、CADM はより高い指紋生成精度を達成する。
• CADM は CSI 指紋生成品質において CA および CAVAE ベースのアプローチを上回る。
• フレームワークは、Alice の認証を支援する環境アンカーとして Jack を用いた CSI 指紋外挿を効果的に示す。
• 方法は認証の改善を検証するため DeepMIMO データセットを活用している。
• 拡散ベースの生成とクロスアテンションは、Alice と Jack の指紋間の構造的整合を改善する。