[论文解读] Securing V2I Communications in 5G and Beyond Wireless System Using Gradient Ascent Approach

Neji Mensi, Danda B. Rawat+1 more|arXiv (Cornell University)|Feb 1, 2021

Vehicular Ad Hoc Networks (VANETs)参考文献 7被引用 8

一句话总结

该论文提出了一种基于机器学习的物理层安全方案，用于5G及更未来网络中的V2I通信，采用梯度上升法优化Sub-6 GHz和毫米波频段的预编码器与合并器。通过使用友好干扰器并自适应调整发射功率，该方法最大化保密容量，在毫米波频段实现了更高的性能和更快的收敛速度，且满足目标保密速率约束。

ABSTRACT

The 5G and beyond wireless systems, instead of being just an extension of 4G, are regarded as `network of networks' which is expected to integrate heterogeneous wireless networks including wireless vehicular networks (WVN). The WVN promises to solve many issues such as reducing road accidents, traffic jams, fuel consumption and commute time, which is subject to various security issues such as eavesdropping, where attackers attempt to overhear the secret transmitted signal passively (which makes the detection/defense very difficult). In this work, our objective is to implement a security scheme by improving the secrecy capacity in Sub-6 GHz and millimeter-wave (mmWave) bands. Vehicle-to-Infrastructure (V2I) for 5G and beyond wireless network. Unlike previous works where the secrecy capacity is increased by randomly augmenting the source power or setting the system combiners/precoders, in this work we employ the Gradient Ascent algorithm to search for the best combiners/precoders that maximize the secrecy rate performance. We further present two different optimization scenarios: fixed and variable transmission power.

研究动机与目标

• 解决5G及更未来无线网络中V2I通信面临的窃听关键挑战。
• 提升Sub-6 GHz和毫米波（mmWave）频段的保密容量，这两者是高速率车载通信的关键。
• 克服先前方法依赖随机功率调整或固定合并器/预编码器的局限性。
• 开发一种基于梯度上升的自适应优化框架，动态调节预编码器与合并器以实现最大保密速率。
• 在固定与可变源发射功率场景下评估性能，以满足特定QoS要求。

提出的方法

• 采用梯度上升算法，迭代优化基站（BS）和干扰器的预编码器，以及合法接收机和窃听者处的合并器。
• 将保密容量最大化问题建模为依赖信道状态信息和波束成形向量的代价函数。
• 使用复高斯分布的信道矩阵，对Sub-6 GHz和毫米波传播环境进行真实建模。
• 实施动态步长自适应策略，在检测到收敛扰动时将学习步长减半。
• 提出两种不同算法：一种为固定源功率，另一种为自适应功率控制，以满足目标保密容量阈值。
• 采用模拟波束成形，结合全数字预编码与合并器设计，以在车载网络中实现类似大规模MIMO的性能。

实验结果

研究问题

• RQ1 基于梯度上升的预编码器与合并器优化，对Sub-6 GHz和毫米波V2I系统的保密容量有何影响？
• RQ2 与随机或固定合并器/预编码器配置相比，所提方法的收敛特性与性能增益如何？
• RQ3 引入友好干扰器对Sub-6 GHz和毫米波频段的保密速率有何影响？
• RQ4 在实现目标保密容量时，收敛速度与所需发射功率之间的权衡关系如何？
• RQ5 在保密容量与能量效率方面，固定与可变源发射功率场景下的系统性能有何差异？

主要发现

• 在固定功率条件下，Sub-6 GHz与毫米波频段的保密容量均在400次迭代内收敛至最大值，其中毫米波频段达到2.4 bps/Hz，Sub-6 GHz频段为2.1 bps/Hz。
• 毫米波系统在212次迭代内达到4 bps/Hz的目标保密容量，而Sub-6 GHz系统需272次迭代，表明毫米波频段收敛更快。
• 为实现4 bps/Hz的目标保密容量，Sub-6 GHz频段的源发射功率需从10 dB增至15.62 dB，毫米波频段增至17 dB，表明两频段均仅需适度增加功率。
• 在整个学习过程中，保密容量的上界（采用优化的窃听者合并器）始终低于基于SVD的理论上限。
• 所提出的梯度上升方法优于随机合并器与预编码器配置，尤其在收敛阶段表现更优，且随着优化推进，性能差距持续扩大。
• 动态步长自适应机制通过在检测到扰动时减小步长，确保了稳定收敛，提升了优化过程的鲁棒性。