[논문 리뷰] Directional Modulation: A Secure Solution to 5G and Beyond Mobile Networks

Feng Shu, Yaolu Qin외 7명|arXiv (Cornell University)|2018. 03. 27.

Millimeter-Wave Propagation and Modeling참고 문헌 12인용 수 7

한 줄 요약

이 논문은 5G 및 그 이상의 네트워크를 위한 보안 전송 기술로 방향성 변조(DM)를 제안하며, 도착각(DOA) 추정 기반으로 빔포밍과 인공노이즈(AN) 투영을 활용하여 기밀 메시지를 보호한다. 기계학습 기반의 DOA 측정 방법을 도입하고, 3차원(3D) 보안 및 정밀 전송으로 DM을 확장하여 높은 기밀성 비율과 이동하는 스파이에 대한 강건성을 달성한다.

ABSTRACT

Directional modulation (DM), as an efficient secure transmission way, offers security through its directive property and is suitable for line-of-propagation (LoP) channels such as millimeter wave (mmWave) massive multiple-input multiple-output (MIMO), satellite communication, unmanned aerial vehicle (UAV), and smart transportation. If the direction angle of the desired received is known, the desired channel gain vector is obtainable. Thus, in advance, the DM transmitter knows the values of directional angles of desired user and eavesdropper, or their direction of arrival (DOAs) because the beamforming vector of confidential messages and artificial noise (AN) projection matrix is mainly determined by directional angles of desired user and eavesdropper. For a DM transceiver, working as a receiver, the first step is to measure the DOAs of desired user and eavesdropper. Then, in the second step, using the measured DOAs, the beamforming vector of confidential messages and AN projection matrix is designed. In this paper, we describe the DOA measurement methods, power allocation, and beamforming in DM networks. A machine learning-based DOA measurement method is proposed to make a substantial SR performance gain compared to single-snapshot measurement without machine learning for a given null-space projection beamforming scheme. However, for a conventional DM network, there still exists a serious secure issue: the eavesdropper moves inside the main beam of the desired user and may intercept the confidential messages intended to the desired users because the beamforming vector of confidential messages and AN projection matrix are only angle-dependence. To address this problem, we present a new concept of secure and precise transmission, where the transmit waveform has two-dimensional even three-dimensional dependence by using DM, random frequency selection, and phase alignment at DM transmitter.

연구 동기 및 목표

• 기존 DM 기술에서 주요 사용자 빔 내부에 위치한 스파이가 기밀 메시지를 가로챌 수 있는 보안 취약점을 해결한다.
• 특히 노이즈가 많거나 단일 스냅샷 조건에서의 빔포밍 및 AN 투영을 위한 DOA 추정 정확도 향상을 위해 기계학습을 활용한다.
• azimuth, elevation, 거리 요소를 활용하여 2차원(2D) 방향성 변조를 3차원(3D) 보안 전송으로 확장하여 정밀한 빔포밍을 지원한다.
• HAD 기반 빔포밍 및 무작위 서브채널 선택 기법을 제안하여 대규모 MIMO 시스템에서 하드웨어 복잡성과 회로 비용을 감소시킨다.
• 다양한 환경에서의 도플러 시프트 및 다중경로 효과와 같은 과제를 해결하여 DM의 적용 범위를 비선형 시각 및 동적 환경으로 확장한다.

제안 방법

• 단일 스냅샷 조건에서의 오차를 줄이기 위해 기계학습 기반 베이지안 학습을 활용하여 DOA 추정 정밀도를 향상시킨다.
• 기대 사용자 및 스파이의 DOA 추정치를 기반으로 빔포밍 벡터와 AN 투영 행렬을 설계하여 기밀성 비율을 최대화한다.
• 기존 2D DM을 3D 극좌표계로 확장하여 azimut, elevation, 거리 차원에서 빔포밍 및 AN 투영을 모델링한다.
• OFDM 기반 무작위 서브채널 선택(RSS)을 구현하여 송신기에서 RF 체인 수를 N에서 1로 감소시켜 하드웨어 복잡성을 낮춘다.
• 대규모 MIMO 시스템에서 회로 비용과 복잡성을 줄이기 위해 HAD(Hadamard) 빔포밍 구조를 적용한다.
• FFT/IFFT 연산을 통한 주파수 도메인 단계 정렬 기법을 적용하여 OFDM 기반 DM 시스템에서 효율적인 빔포밍을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기계학습은 저SNR 또는 단일 스냅샷 조건에서 방향성 변조의 DOA 추정 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 고정 빔포밍 구조에서 기계학습 기반 DOA 추정 기법은 전통적 방법 대비 어떤 성능 향상을 보이는가?
• RQ3 방향성 변조는 어떻게 2D에서 3D로 확장되어 높이 및 거리 요소를 포함한 현실적인 3D 환경에서의 보안 전송을 지원할 수 있는가?
• RQ4 다중 사용자, 브로드캐스트 및 멀티캐스트 DM 시나리오에서 보안적이고 정밀한 전송을 구현하는 데 도전 과제와 해결책은 무엇인가?
• RQ5 이동성 및 비선형 시각 환경에서 도플러 시프트 및 다중경로 효과에 강건한 방향성 변조는 어떻게 설계할 수 있는가?

주요 결과

• 제안된 기계학습 기반 DOA 측정 방법은 기계학습 없이 단일 스냅샷 방법에 비해 상당한 기밀성 비율(SR) 성능 향상을 달성한다.
• azimuth, elevation, 거리에서의 빔포밍을 포함한 3D 방향성 변조는 기대 사용자 위치에서 단일 강력한 SINR 피크를 생성하지만, 다른 모든 방향에서는 신호를 억제한다.
• OFDM 기반 무작위 서브채널 선택(RSS)을 적용함으로써 RF 체인 수를 N에서 1로 감소시켜 하드웨어 비용과 복잡성을 크게 낮춘다.
• HAD 기반 빔포밍은 특히 대규모 MIMO 시스템에서 회로 비용과 복잡성을 극적으로 감소시킨다.
• 보안적이고 정밀한 전송 모델은 기대 사용자 빔 내부에서 이동하는 스파이가 신호를 가로채는 것을 성공적으로 방지한다.
• 다중경로 효과는 인공노이즈가 정당한 사용자 쪽으로 집중되는 현상(AN 집중 현상)을 유도하여 성능 저하를 초래할 수 있다—이 현상은 풍부한 산란 환경에서 DM의 주요 과제로 규명되었다.