[论文解读] Directional Modulation: A Secure Solution to 5G and Beyond Mobile Networks

Feng Shu, Yaolu Qin+7 more|arXiv (Cornell University)|Mar 27, 2018

Millimeter-Wave Propagation and Modeling参考文献 12被引用 7

一句话总结

本文提出方向调制（DM）作为一种用于5G及未来网络的安全传输技术，利用波束成形和基于到达方向（DOA）估计的人工噪声（AN）投影来保护机密信息。该文引入了一种基于机器学习的DOA测量方法，并将DM扩展至三维安全精确传输，实现了高保密速率，并对移动窃听者具有鲁棒性。

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.

研究动机与目标

• 解决传统DM的安全漏洞问题，即当窃听者位于目标用户主波束内时可能截获机密信息。
• 利用机器学习提升波束成形与AN投影中的DOA估计精度，尤其在高噪声或单快照条件下。
• 通过方位角、仰角和距离实现二维（2D）定向调制向三维（3D）安全传输的扩展，以支持精确波束成形。
• 通过提出基于HAD的波束成形与随机子载波选择方法，降低大规模MIMO系统中的硬件复杂度与电路成本。
• 克服移动环境中多普勒频移与多径效应等挑战，提升DM在非视 Line-of-Sight（LoS）与动态场景中的适用性。

提出的方法

• 采用基于贝叶斯学习的机器学习方法，提升单快照场景下的DOA估计精度，降低误差。
• 基于目标用户与窃听者的DOA估计结果，设计波束成形向量与AN投影矩阵，以最大化保密速率。
• 通过在方位角、仰角与距离维度上建模波束成形与AN投影，将传统2D DM扩展至三维极坐标。
• 采用基于正交频 division multiplexing（OFDM）的随机子载波选择（RSS）技术，将射频链路数从N减少至1，显著降低发射端硬件复杂度。
• 采用HAD（Hadamard）波束成形结构，降低大规模MIMO系统中的电路成本与复杂度。
• 通过FFT/IFFT运算在频域实现相位对齐，支持OFDM-based DM系统中的高效波束成形。

实验结果

研究问题

• RQ1 机器学习如何提升在低信噪比（SNR）或单快照条件下定向调制的DOA估计精度？
• RQ2 在固定波束成形方案中，基于机器学习的DOA估计相比传统方法的性能增益如何？
• RQ3 如何将定向调制从二维扩展至三维，以支持在具有仰角与距离信息的真实三维环境中实现安全传输？
• RQ4 在多用户、广播与多播DM场景中，实现安全精确传输面临哪些挑战，有何解决方案？
• RQ5 如何使定向调制在移动与非视 Line-of-Sight（LoS）环境中对多普勒频移与多径效应保持鲁棒性？

主要发现

• 所提出的基于机器学习的DOA测量方法在保密速率（SR）性能上显著优于传统单快照方法，且未使用机器学习。
• 在方位角、仰角与距离上实现波束成形的三维定向调制，在目标用户位置产生单一强SINR峰值，同时在其他所有方向实现信号抑制。
• 采用基于OFDM的随机子载波选择（RSS）技术，将射频链路数从N减少至1，显著降低硬件成本与复杂度。
• 基于HAD的波束成形显著降低了电路成本与复杂度，尤其在大规模MIMO系统中效果显著。
• 安全精确传输模型成功防止窃听者在目标用户主波束内移动时截获信号。
• 多径效应可能导致人工噪声汇聚至合法用户，从而降低系统性能——该现象被称为AN汇聚，被识别为在丰富散射环境中DM的主要挑战。