[论文解读] Design of Binary Quantizers for Distributed Detection under Secrecy Constraints

Venkata Sriram Siddhardh Nadendla, Pramod K. Varshney|arXiv (Cornell University)|Oct 29, 2014

Distributed Sensor Networks and Detection Algorithms被引用 6

一句话总结

该论文提出了一种在保密约束下用于分布式检测网络的最优二值量化器，旨在最大化融合中心（FC）的Kullback-Leibler（KL）散度，同时限制窃听者（Eve）的KL散度。证明了在独立同分布（i.i.d.）信道条件下，最优量化器结构为似然比检验（LRT），并提出一种算法以计算AWGN模型下的最优阈值，通过在Eve处施加受限KL散度来确保保密性。

ABSTRACT

In this paper, we investigate the design of distributed detection networks in the presence of an eavesdropper (Eve). We consider the problem of designing binary quantizers at the sensors that maximize the Kullback-Leibler (KL) Divergence at the fusion center (FC), subject to a tolerable constraint on the KL Divergence at Eve. In the case of i.i.d. received symbols at both the FC and Eve, we prove that the structure of the optimal binary quantizers is a likelihood ratio test (LRT). We also present an algorithm to find the threshold of the optimal LRT, and illustrate it for the case of Additive White Gaussian Noise (AWGN) observation models at the sensors. In the case of non-i.i.d. received symbols at both FC and Eve, we propose a dynamic-programming based algorithm to find efficient quantizers at the sensors. Numerical results are presented to illustrate the performance of the proposed network design.

研究动机与目标

• 解决分布式检测网络中的安全漏洞问题，即窃听者（Eve）可截获传感器数据并推断出关注现象（PoI）。
• 设计传感器量化器，以最大化融合中心（FC）的KL散度（指示检测性能），同时将Eve的KL散度约束在可容忍水平（确保保密性）。
• 扩展先前工作，该工作仅最大化KL散度的差异而未约束Eve的性能，这仍可能导致过度的信息泄露。
• 处理传感器、FC与Eve之间信道为i.i.d.和非i.i.d.的场景，且已知转移概率。
• 为AWGN模型提供一种实用的阈值选择算法，并为非相同信道提供基于动态规划的解决方案。

提出的方法

• 证明在i.i.d.信道条件下，最优二值量化器结构为似然比检验（LRT），其推导基于在保密约束下对KL散度的优化。
• 开发一种算法，通过求解约束优化问题来计算LRT的最优阈值，其中约束条件为Eve的KL散度不超过预设容忍度。
• 将该方法应用于AWGN观测模型，其中传感器观测受加性白高斯噪声污染，并数值推导出最优量化器阈值。
• 对于非i.i.d.信道，将问题分解为N个顺序子问题，并利用动态规划求解，以在满足Eve约束条件下最大化FC的KL散度。
• 使用接收者操作特征（ROC）曲线分析FC与Eve性能之间的权衡，其中约束曲线由Eve处固定的KL散度定义。
• 采用二阶导数分析证明KL散度函数沿约束曲线具有凸性，从而确保唯一最优解的存在。

实验结果

研究问题

• RQ1 当窃听者（Eve）可截获传感器数据时，分布式检测网络中二值量化器的最优结构是什么？
• RQ2 如何在确保窃听者KL散度保持在可容忍水平的前提下，最大化融合中心的KL散度？
• RQ3 当传感器与FC/Eve之间的信道相同且为i.i.d.时，最优量化器结构是否仍为似然比检验（LRT）？
• RQ4 在存在AWGN观测与保密约束的条件下，如何高效计算LRT的最优阈值？
• RQ5 当传感器与FC/Eve之间的信道非相同且非i.i.i.d.时，应采用何种方法设计高效量化器？

主要发现

• 在i.i.d.信道条件下，最优二值量化器结构为似然比检验（LRT），其可在最大化融合中心KL散度的同时，对窃听者KL散度进行约束。
• 对于AWGN模型，所提出的算法成功计算出在给定保密约束下最大化FC KL散度的最优阈值，数值结果表明性能显著提升。
• 在Eve的KL散度约束曲线上，融合中心的KL散度是虚警概率的凸函数，从而确保存在唯一全局最优解。
• 在非i.i.d.信道场景下，基于动态规划的算法能高效求解顺序子问题，找到最优量化器，优于启发式方法。
• 分析证实，对Eve的KL散度施加约束能有效限制其信息获取量，即使她与FC接收相同类型的信号但通过更嘈杂的信道。
• 所提出的方法显著优于以往将安全视为事后处理的方案，通过将保密性直接整合到量化器设计过程中，实现了性能飞跃。