30、认知无线电网络物理层安全：UAV与级联衰落信道的应用

原创于 2025-09-25 16:06:20 发布 · 72 阅读

0 GEO检测

标签

#认知无线电网络 #物理层安全 #UAV

物理层安全：无线通信新防线专栏收录该内容

35 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

认知无线电网络物理层安全：UAV与级联衰落信道的应用

1. UAV在认知无线电网络中的应用

固定中继缺乏移动性和可扩展性，在密集障碍物区域存在问题。因此，无人机（UAV）由于其易于部署和适应性强，最近被用作中继。部署UAV作为中继可以进一步提高物理层安全（PLS），因为它们有助于提高传输质量。例如，在某些场景中，一个解码转发（DF）UAV中继被部署在认知无线电网络（CRNs）中，以增强次级用户（SUs）的安全性。还有研究中，使用两架UAV，一架作为中继，另一架作为干扰器，以降低窃听者的信道质量。

2. 级联衰落信道

2.1 级联衰落信道模型

级联衰落信道模型已成为一种非常有效和现实的信号传输模型。在该模型中，源（S）和目的地（D）之间的传输信号由从物体反射并散布在整个信道中的多个信号产生。这些信号由独立的随机变量表示，这些随机变量不一定具有相同的分布。在级联衰落模型的背景下，目的地D处接收到的信号（YN）将是随机变量Xi（i = 1, 2, · · ·, N）的乘积，其中N是级联级别，公式如下：
[ Y_N = \prod_{i=1}^{N} X_i ]

2.2 级联衰落信道的应用

此外，级联瑞利衰落信道可用于模拟车辆间通信（IVC）信道，双瑞利模型可用于模拟M2M通信和车辆通信系统，V2V通信的连接可以用N∗Nakagami - m衰落信道建模。

下面是级联信道建模的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    S(Source S):::process --> X1(X1):::process
    X1 --> X2(X2):::process
    X2 --> X3(X3):::process
    X3 --> Xn(Xn):::process
    Xn --> D(Destination D):::process

3. 级联衰落信道与CRNs中的PLS

早期研究普遍认为多跳CRNs在经典衰落信道模型（如瑞利衰落模型）上运行。然而，认知车辆网络（CVNs）和M2M通信的最新发展表明，传统衰落信道模型可能不适合模拟这些网络中的信号传播。因为它们不能充分模拟信号传输，特别是假设信号在从发射机到接收机的过程中不会遇到任何障碍。当网络单元位于散射较多的位置时，需要一种准确的技术来描述信号的传播。因此，级联衰落信道最近被推荐用于这些类型的网络。

级联信道模型对通信安全有重大影响，因此在研究和改进CRNs（特别是CVNs）的PLS时必须考虑它们。例如，在一些研究中，对三节点窃听系统模型进行了研究，其中信道经历级联κ–μ模型。研究证明，在研究PLS时，假设级联信道是非常重要的，不能忽视。

在考虑勾结窃听者的情况下，研究了保密中断概率（SOP）与合法接收机Bob处的平均接收信噪比（ ¯γB）的关系。结果表明，随着主信道级联级别（N）的增加，PLS会减弱。此外，当窃听信道的级联数量（ne）降低时，共享信息的隐私性会降低，因为窃听路径上的障碍物减少，增强了窃听者拦截通信的能力，从而降低了合法用户消息交换的安全性。

在另一个案例研究中，研究了在存在窃听者的情况下，底层CRN的情况，其中主信道和窃听信道都遵循级联瑞利模型。研究了非零保密容量的概率，以证明主信道级联级别（N）的影响，同时假设SU接收机配备多个天线（LD），窃听者的信道级联级别为ne = 2并配备多个天线（LE）。结果表明，随着N的增加，安全性会下降，因为N增加时，SUs连接中的散射会增加，导致更严重的衰落和更低的安全性。

认知无线电网络物理层安全：UAV与级联衰落信道的应用（续）

4. 近期相关工作

在考虑级联信道的情况下探索和改进CRNs的PLS是解决上述挑战的一个有趣问题。相关研究包括：
- 对底层CRN在级联瑞利模型和级联κ–μ衰落分布下的PLS进行了研究，分析的数据和系统模型适用于表征CVNs。
- 通过基于协作干扰的能量收集（EH）方法，对底层CRNs的PLS进行了研究，以进一步增强CRNs在级联信道上的安全性。

这些研究都表明，在分析或加强CVNs的PLS时，必须考虑级联信道。

5. 总结与展望

5.1 总结

观察无线电频谱发现，频谱利用集中在频段的特定部分，由于固定频率分配，大量频谱目前未得到充分利用。因此，提出了CRNs来解决这些问题，为SUs提供对许可频段的机会性访问。由于CRNs的广播性质，SUs和主用户（PUs）容易受到来自网络内部和外部的攻击，如主用户仿真攻击（PUEA）、干扰和窃听。为了保护这些网络，物理层安全（PLS）方法是一种可行的途径。

本文总结了CRNs物理层最常见的威胁，并讨论了如何保护用户免受这些威胁。此外，还探索了利用能量收集（EH）技术进一步提高CRNs的PLS，介绍了基于UAV的CRNs以及主要的物理层攻击和对策。同时，阐述了级联衰落信道对CRNs的PLS的影响，证明了在研究CRNs的PLS时考虑它们的重要性。

5.2 未来研究方向

由于将PLS和CRNs相结合取得了显著成就，将它们与其他新兴技术相结合以开发未来无线网络变得很有吸引力。以下是一些潜在的未来研究方向：
- 跨层攻击 ：先前的研究主要集中在通过PLS方法保护CRNs的物理层或其他上层网络层（如网络或MAC层）。然而，一些针对一个网络层的攻击可能会影响其他层，这种攻击被称为跨层威胁。未来的研究应更多地关注PLS与其他高层安全方法（如密码学）的协作，以最大程度地保护CRNs。
- 机器学习算法 ：机器学习（ML）技术通过与周围环境交互来识别趋势。当CRNs能够根据当前和过去获取的信息进行自适应和决策时，它们就变得智能化。即使在缺乏来自环境的全面和准确的先前知识的情况下，智能CRNs也可以从PLS的角度做出优化PUs和SUs安全性的选择。为了以最小的复杂性优化CR用户的安全性，应将ML技术与PLS相结合。
- 反射智能表面 ：反射智能表面（RIS）是一种由低成本无源反射组件构成的均匀平面阵列。由于其能够提供智能和可调的无线信道条件，RIS最近受到了关注。可以调节RIS的组件来调整RF信号的幅度和相位，以提高或降低特定方向上的信号强度。在PLS的背景下，这意味着可以增强合法接收机处的信噪比，并降低其他方向上的信噪比，从而提高安全性。目前关于CRNs的PLS和RIS的研究有限，需要进一步研究以增加CR用户之间信息传输的隐私性。
- 毫米波应用 ：利用毫米波（mmWave）频段的高频通信是最有潜力的5G技术之一。由于mmWave的高频特性，可以通过大量天线和高度定向的广播获得更大的带宽。将PLS与mmWave相结合将提高CRNs的安全性，同时提供更高的数据速率和更低的延迟。此外，mmWave天线的定向广播和短波长可以将信号引导到授权接收机附近，从而增强PLS。一些早期研究表明，与传统微波系统相比，PLS与mmWave结合可能更有效。虽然结合mmWave、CRNs和PLS的优势在安全性和频谱效率方面可以达到出色的目标，但由于目前相关研究有限，需要进行更多的研究。

下面是未来研究方向的列表总结：
1. 跨层攻击：加强PLS与高层安全方法协作
2. 机器学习算法：结合ML技术优化CR用户安全性
3. 反射智能表面：深入研究PLS和RIS提高信息传输隐私性
4. 毫米波应用：开展更多研究结合mmWave、CRNs和PLS优势