DT-DDNN: 面向CAV的5G射频域物理层安全攻击检测器
信号处理
2025-09-30 v3 密码学与安全
机器学习
网络与互联网体系结构
摘要
同步信号块(SSB)是5G新空口(NR)空中接口的基本组成部分，对联网自动驾驶车辆(CAV)的初始接入过程至关重要，并在网络运行中服务于多个关键目的。然而，由于SSB传输的可预测性，包括主同步信号(PSS)和辅同步信号(SSS)，干扰攻击是严重威胁。这些攻击无需高功率或复杂设备即可执行，对5G网络构成重大风险，特别是由于控制信号的未加密传输。利用射频域知识，本文提出一种新颖的基于深度学习的技术，用于检测CAV网络中的干扰机。与现有大多依赖网络参数的干扰检测算法不同，我们通过关注SSB引入了一种双阈值深度学习干扰检测器。该检测方法聚焦于射频域特征，无需与现有网络基础设施集成即可提高网络鲁棒性。通过集成预处理模块提取PSS相关性和每空资源元素能量(EPNRE)特征，我们的方法高精度区分正常信号和受干扰信号。此外，通过引入离散小波变换(DWT)，优化了训练和检测效率。还引入双阈值双深度神经网络(DT-DDNN)架构，辅以深度级联学习模型，以增加模型对信号干扰噪声比(SJNR)变化的敏感性。结果表明，所提方法在极低干扰功率下（即SJNR在15到30 dB之间）达到96.4%的检测率。此外，通过分析从实际测试平台获得的真实5G信号，验证了DT-DDNN的性能。
引用
@article{arxiv.2403.02645,
title = {DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs},
author = {Ghazal Asemian and Mohammadreza Amini and Burak Kantarci and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2403.02645},
year = {2025}
}
备注
14 pages, 13 figures, accepted to IEEE Transactions on Vehicular Technology