[论文解读] Efficient Gaussian Process Classification-based Physical-Layer Authentication with Configurable Fingerprints for 6G-Enabled IoT

Rui Meng, Fangzhou Zhu+7 more|arXiv (Cornell University)|Jul 23, 2023

Wireless Signal Modulation ClassificationComputer Science被引用 3

一句话总结

本文提出了一种面向6G物联网的高效、轻量级物理层认证方案，采用可配置指纹的高斯过程分类（GPC）技术，并借助智能反射表面（IRS）实现。通过利用IRS在低信噪比（SNR）环境下提升信道指纹的准确性，并采用主动学习以减少对标注数据的需求，该方法相较非IRS基线方案将认证误码率降低了98.69%，且通过优化指纹选择进一步提升了性能。

ABSTRACT

The future 6G-enabled IoT will facilitate seamless global connectivity among ubiquitous wireless devices, but this advancement also introduces heightened security risks such as spoofing attacks. Physical-Layer Authentication (PLA) has emerged as a promising, inherently secure, and energy-efficient technique for authenticating IoT terminals. Nonetheless, the direct application of state-of-the-art PLA schemes to 6G-enabled IoT encounters two major hurdles: inaccurate channel fingerprints and the inefficient utilization of prior fingerprint information. To tackle these challenges, we leverage Reconfigurable Intelligent Surfaces (RISs) to enhance fingerprint accuracy. Additionally, we integrate active learning and Gaussian Processes (GPs) to propose an Efficient Gaussian Process Classification (EGPC)-based PLA scheme, aiming for reliable and lightweight authentication. Following Bayes' theorem, we model configurable fingerprints using GPs and employ the expectation propagation method to identify unknown fingerprints. Given the difficulty of obtaining sufficient labeled fingerprint samples to train PLA models, we propose three fingerprint selection algorithms. These algorithms select unlabeled fingerprints and query their identities using upper-layer authentication mechanisms. Among these methods, the optimal algorithm reduces the number of training fingerprints needed through importance sampling and eliminates the requirement for PLA model retraining through joint distribution calculation. Simulations results reveal that, in comparison with non-RIS-based approaches, the RIS-aided PLA framework decreases the authentication error rate by 98.69%. In addition, our designed fingerprint selection algorithms achieve a reduction in the authentication error rate of up to 86.93% compared to baseline active learning schemes.

研究动机与目标

• 解决低信噪比环境下信道指纹估计不准确的问题，该问题会降低6G物联网中物理层认证（PLA）的可靠性。
• 克服未来6G系统中基于GPC模型训练所需大量标注指纹数据的局限性。
• 设计一种轻量级、跨层认证框架，通过智能指纹选择与IRS辅助的信号路径多样性，提升安全性和效率。
• 在典型动态6G-IoT环境中，提升信道估计不完善条件下的身份验证鲁棒性与准确性。

提出的方法

• 提出一种基于IRS的物理层认证架构，通过创建替代无线传输路径，在低SNR场景下提升指纹估计的准确性。
• 设计一种基于高斯过程分类（GPC）的认证方案，其理论基础为贝叶斯定理，采用期望传播（EP）方法从指纹中推断未知身份。
• 提出一种高效GPC（EGPC）变体，利用主动学习最小化所需标注指纹样本数量，提升在数据稀缺的6G场景中的可行性。
• 设计三种指纹选择算法，优先选择最具区分度的指纹用于上层认证机制查询，从而降低整体误码率。
• 采用分层跨层认证模型，将选定的指纹通过上层系统进行验证，提升安全性并减少误报率。
• 推导出使用EP近似方法的GPC框架中后验均值与后验方差的解析表达式，实现在非高斯似然情况下的高效推理。

实验结果

研究问题

• RQ1 如何利用IRS在6G-IoT的物理层认证中提升低SNR环境下信道指纹估计的准确性？
• RQ2 在6G系统中，当使用有限标注指纹数据训练GPC分类模型时，该模型能将认证误码率降低到何种程度？
• RQ3 在EGPC框架中，主动学习如何在保持高认证准确率的同时减少所需标注指纹的数量？
• RQ4 在理想与非理想信道估计条件下，所提出的指纹选择算法分别带来多大的性能增益？
• RQ5 IRS与基于GPC的分类方法的结合能否实现一种轻量级、安全且可扩展的跨层认证框架，适用于6G物联网？

主要发现

• 在相同条件下，IRS辅助方案相较非IRS方案将认证误码率降低了98.69%。
• 在理想信道估计条件下，所提出的指纹选择算法相较基线方法将认证误码率降低了65.96%至86.93%。
• 在非理想信道估计条件下，相同算法相较基线方法将误码率降低了45.45%至70.00%。
• 基于EGPC的方案通过主动学习显著减少了对标注指纹数据的需求，提升了在真实6G部署中的可扩展性与可行性。
• GPC框架中后验矩的解析推导实现了准确且高效的推理，经合成数据仿真验证有效。
• 分层设计结合IRS增强的指纹与上层验证机制，实现了卓越的安全性，且计算开销极低。