基于元学习的协作式环境反向散射通信对抗窃听者
网络与互联网体系结构
2023-08-07 v1
摘要
本文介绍了一种利用环境反向散射通信对抗窃听者的新型轻量级框架。具体而言，我们的框架将原始消息分为两部分：（i）由发射机使用常规 RF 信号传输的有源发射消息；（ii）由环境反向散射标签在发射机发出的有源信号上反向散射传输的反向散射消息。值得注意的是，反向散射标签不产生自身信号，使得窃听者除非预先知悉系统，否则难以检测反向散射信号。此处我们假设，若未解码/知悉反向散射消息，窃听者便无法解码原始消息。即使在窃听者可捕获两类消息的场景中，若不了解消息分割机制的细节，重构原始消息也是一项复杂任务。我们所提框架中的一个挑战是在接收机有效解码反向散射信号，这通常借助最大似然（MLK）方法完成。然而，此类方法可能需要复杂数学模型及完美信道状态信息（CSI）。为解决该问题，我们开发了一种新型深度元学习信号检测器，其不仅能无需完美 CSI 而有效解码微弱反向散射信号，还能以极少知识快速适应新无线环境。仿真结果表明，我们所提学习方法无需完美 CSI 与复杂数学模型，即可达到接近基于 MLK 方法的比特误码率。它们也清晰显示了该方法在应对窃听攻击及实际场景中深度学习模型训练数据缺乏方面的有效性。
引用
@article{arxiv.2308.02242,
title = {Countering Eavesdroppers with Meta-learning-based Cooperative Ambient Backscatter Communications},
author = {Nam H. Chu and Nguyen Van Huynh and Diep N. Nguyen and Dinh Thai Hoang and Shimin Gong and Tao Shu and Eryk Dutkiewicz and Khoa T. Phan},
journal= {arXiv preprint arXiv:2308.02242},
year = {2023}
}