[论文解读] Physical Layer Security for UAV Communications in 5G and Beyond Networks

Jue Wang, Xuanxuan Wang+6 more|arXiv (Cornell University)|May 24, 2021

UAV Applications and Optimization参考文献 192被引用 15

一句话总结

本文对5G及未来网络中无人机通信的物理层安全（PLS）进行了全面综述，分析了静态与移动无人机部署下的保密性能。文章强调了轨迹优化、独特的空对地信道特性，以及缓存、移动边缘计算（MEC）和机器学习等先进技术在提升安全性能方面的作用，为未来研究提供了系统性框架。

ABSTRACT

Due to its high mobility and flexible deployment, unmanned aerial vehicle (UAV) is drawing unprecedented interest in both military and civil applications to enable agile wireless communications and provide ubiquitous connectivity. Mainly operating in an open environment, UAV communications can benefit from dominant line-of-sight links; however, it on the other hand renders the UAVs more vulnerable to malicious eavesdropping or jamming attacks. Recently, physical layer security (PLS), which exploits the inherent randomness of the wireless channels for secure communications, has been introduced to UAV systems as an important complement to the conventional cryptography-based approaches. In this paper, a comprehensive survey on the current achievements of the UAV-aided wireless communications is conducted from the PLS perspective. We first introduce the basic concepts of UAV communications including the typical static/mobile deployment scenarios, the unique characteristics of air-to-ground channels, as well as various roles that a UAV may act when PLS is concerned. Then, we introduce the widely used secrecy performance metrics and start by reviewing the secrecy performance analysis and enhancing techniques for statically deployed UAV systems, and extend the discussion to a more general scenario where the UAVs' mobility is further exploited. For both cases, respectively, we summarize the commonly adopted methodologies in the corresponding analysis and design, then describe important works in the literature in detail. Finally, potential research directions and challenges are discussed to provide an outlook for future works in the area of UAV-PLS in 5G and beyond networks.

研究动机与目标

• 应对开放、视距环境下无人机通信面临的窃听和干扰威胁，满足日益增长的安全需求。
• 识别传统密码学在能量受限、高移动性无人机系统中的局限性。
• 综述专为无人机设计的先进物理层安全技术，包括保密性能分析与增强方法。
• 探索无人机作为友好干扰器、中继和辅助节点的新角色，通过缓存和移动边缘计算（MEC）实现。
• 提出未来研究方向，包括机器学习集成与安全无人机网络的混合优化框架。

提出的方法

• 开展系统性文献综述，聚焦无人机通信中的物理层安全，按静态与移动无人机部署分类。
• 采用标准度量指标（如遍历保密容量和中断概率）分析空对地（A2G）信道中的保密性能。
• 将轨迹优化作为核心设计方法，通过利用无人机移动性和空间分集提升保密性能。
• 建立独特的空对地信道特性模型，包括视 Line-of-Sight（LoS）与非视 Line-of-Sight（non-LoS）传播，并考虑无人机抖动与三维节点分布。
• 集成先进技术如无人机缓存与MEC，通过任务卸载减少数据传输量，提升保密性能。
• 探索基于机器学习的方法，特别是强化学习，在动态、部分未知环境中的轨迹与资源优化。

实验结果

研究问题

• RQ1 无人机移动性如何通过轨迹优化在空对地信道中提升物理层安全性？
• RQ2 在5G及未来网络中，静态与移动无人机部署在保密性能方面有何关键差异？
• RQ3 无人机如何作为友好干扰器或中继，在存在窃听者的情况下提升保密容量？
• RQ4 无人机上的缓存技术在提升通信保密性并减少被窃听暴露方面发挥何种作用？
• RQ5 如何利用机器学习技术设计低复杂度、高性能的物理层安全方案，以应对动态无人机网络中的挑战？

主要发现

• 通过利用空间分集并最小化窃听机会，轨迹优化显著提升了保密性能。
• 在视距环境中运行的无人机由于存在强视距链路，面临更高的窃听风险，因此需要主动的物理层安全机制。
• 在无人机上部署缓存可减少向基站传输的数据量，使空闲基站能够执行友好干扰，从而增强保密性。
• 通过MEC支持的无人机可减少传输数据量，从而降低被窃听暴露的风险，整体提升保密性能。
• 机器学习技术，尤其是强化学习，在解决动态无人机网络中复杂、非凸的物理层安全优化问题方面展现出巨大潜力。
• 未来集成的卫星-无人机网络需要联合设计物理层安全机制，以应对更高的暴露风险与协调复杂性，无人机可能作为安全中继发挥作用。