论文部分内容阅读
随着无线网络与无线交互技术的飞跃式发展,无线系统日益承载着各行各业越来越多的重要业务,这使得人们对无线系统安全的关注也来到了前所未有的高度。在这一背景下,无线系统的安全、隐私需求逐渐随着其业务重要性的增强以及应用场景的拓展呈现多层级、多样化的态势。传统的基于密码学的安全技术已经难以覆盖日益分化的安全需求,且随着计算机算力的高速发展逐渐开始面临安全性的挑战。如何挖掘更具安全性、能满足更多不同安全需求的新一代无线安全技术已经成为了研究人员关注的焦点。为了应对以上问题,基于无线传播媒介和无线设备本身物理特性进行设计的无线物理安全技术逐渐走入人们的视野。利用无线物理特征难以伪造和更改的安全特性,无线物理安全技术可以有效满足无线系统中的保密性、完整性、抗干扰以及接入控制这几类基本的安全需求。针对前三类需求的隐蔽通信技术(Covert Communication)与针对接入控制安全的射频指纹技术(RF Fingerprint)正是其中的两类重要的代表。隐蔽通信技术利用信号传输过程中的不确定性来隐藏通信过程本身,从而达到更严格意义上的安全和隐私,而射频指纹技术提取寄生在无线信号中的设备本身类似指纹的微小差异作为识别该设备的唯一标识,达到安全认证和溯源追踪的目的。然而,现有的隐蔽通信技术大多聚焦于低频段(亚6 GHz),难以突破频谱资源限制和富散射信道特性带来的安全性能与通信速率瓶颈。为了解决这一问题,利用毫米波(Millimeter wave,mmWave)频段的巨大频谱资源和方向传输特性或许能够为隐蔽通信带来新的机遇。而射频指纹技术的研究和应用主要集中在无线通信场景之中,在高速发展的物联网及其相关设备的安全认证中仍具有待深入挖掘的潜力。在当前工作的基础上,本文研究了新一代无线物理安全技术,将隐蔽通信技术迁移至毫米波频段,分析刻画了其带来的机遇和仍需解决的挑战,例如如何建立毫米波隐蔽通信链路以及这一过程对系统隐蔽性带来的影响。在这基础上设计了毫米波隐蔽通信传输方案的系统优化框架以指导实际系统的部署。同时,本文还研究了无线充电场景下,基于射频指纹的设备安全认证技术。首先,针对毫米波链路建立对隐蔽通信带来的新挑战,本文重点研究了采用波束训练方式来建立定向链路的毫米波隐蔽通信系统。考虑到训练开销,论文开发了一个新的设计框架,联合优化波束训练持续时间、训练功率和数据传输功率,在确保满足监听者Willie端隐蔽性约束的前提下,最大限度地提高合法方Alice-Bob链路的有效吞吐量。论文进一步提出了一种对偶分解连续凸近似算法来有效地解决这个问题。数值研究揭示了在所考虑的关键设计参数之间存在具有指导意义的折衷关系,同时也证明了毫米波隐蔽通信中波束训练和数据传输联合设计的必要性。更进一步地,针对现有波束训练策略本身在安全隐蔽性上的局限性,本文提出了一种新的隐蔽多用户波束训练策略(Covert Multi-user Beam Training Strategy,CMBTS),该策略采用多指向波束码本来降低训练过程被检测到的概率,且支持多用户同时训练。根据所提出的CMBTS策略,论文考虑了友好干扰节点辅助下的多用户毫米波隐蔽通信系统,并设计了相应的波束训练与数据传输联合设计方案,以最大限度地提高多用户有效隐蔽总吞吐量,同时确保满足监听者Willie端的隐蔽性约束。论文进一步提出了 一种结合连续凸近似和非精确块坐标下降方法的算法来有效地解决这个问题。数值结果验证了相比于包括穷尽搜索(Exhaustive-search,ES)和分层搜索(Hierarchical-search,HS)等多个基线波束训练策略,所提出的CMBTS策略以最少的训练开销实现了最佳的波束对准概率和最大的有效隐蔽吞吐量。然后,针对机会式接入场景下用户位置信息难以获取的问题,本文重点研究了无人机Alice采用基于时分的波束扫描方式进行毫米波隐蔽传输的问题。通过考虑用户Bob位置的统计信息,在满足监听者Willie隐蔽性约束的基础上,论文建模了联合优化无人机飞行高度、传输所用波束数量以及传输功率以最大化平均吞吐量的随机优化问题。为了解决这个涉及随机目标函数的高度非凸问题,论文利用最小化-最大化方法,将问题转化为一系列简单的近似问题,并提出了批量随机最小化最大化(Batch Stochastic Minorization-maximization,BSM)算法进行高效求解。数值仿真结果证明了BSM算法性能的优越性,且在不同用户位置分布下具有良好的迁移性能。最后,针对无线充电协议缺乏对充电设备进行身份认证的问题,本文提取无线充电设备充电电路中固有的非线性失真效应作为其射频指纹。利用这些指纹作为唯一身份标识,论文设计了 WirelessID系统来识别公共场所中不受信的无线充电设备。WirelessID收集充电设备待机状态下的无线信号,并将其发送到可信的云端服务器,该服务器提取指纹后通过白名单识别充电设备。论文制作了 WirelessID原型机并在五个月的时间里对八台商用充电器进行了实验,共收集了 8000条信号。论文使用10%的轨迹作为训练数据集,其余用于测试。结果表明,在标准性能指标上,WirelessID实现了 99.0%的准确率、98.9%的召回率和98.9%的F1分数。