Positionnement résilient et fiable et la sécurité de la couche physique pour les systèmes 6G

Resilient and Trustworthy Positioning and Physical Layer Security for 6G Systems

• Auteur / Autrice : Atsu Kokuvi Angélo Passah
• Direction : Arsenia Chorti, Rodrigo C. de lamare
• Type : Projet de thèse
• Discipline(s) : Stic - ed em2psi
• Date : Inscription en doctorat le 07/03/2022
• Etablissement(s) : CY Cergy Paris Université en cotutelle avec Université pontificale catholique de Rio de Janeiro
• Ecole(s) doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
• Partenaire(s) de recherche : Laboratoire : ETIS - Equipes Traitement de l'Information et Systèmes

Mots clés

Mots clés libres

Authentification

Localisation de haute précision

Confiance et fiabilité

Vie privée

Résilience

Authentication

High-precision localization

Trust and trustworthiness

Privacy

Resilience

Résumé

Les services de prochaine génération (industrie 4.0) ont besoin de capacités de communication qui vont au-delà des systèmes des réseaux 5G (5BG) afin d'être correctement pris en charge dans des contextes de connectivité ultra-dense et de se conformer aux spécifications industrielles critiques (IoT). Certains cas exigent une précision de localisation allant jusqu'à 1mm, une fiabilité supérieure à 99,999% et un débit de données minimum de 10Gbps avec une latence de l'interface aérienne de 100µs. Les réseaux IoT à grande échelle présentent un très large éventail de contraintes non fonctionnelles (en ce qui concerne la sécurité) sous la forme de contraintes de calcul, de restrictions de puissance et d'énergie, de contraintes de délai et de latence, etc. A l'ère de la 6G de l'émergence de réseaux IoT critiques et à grande échelle, les technologies de sécurité de la couche physique qui ont une faible complexité de calcul seront prises en compte. Le support sans fil sert de plateforme pour les opérations de sécurité telles que l'authentification basée sur l'empreinte RF et la génération de clés secrètes symétriques (SKG). La première est basée sur l'évanouissement à grande échelle qui est largement prévisible et peut être traité comme une source d'unicité et la seconde est basée sur les variations imprévisibles de l'information sur l'état du canal (CSI) en raison de l'évanouissement à petite échelle dans le canal sans fil, qui peut être traité comme une source d'entropie. Afin de traiter les informations d'état du canal comme une source d'unicité et d'entropie simultanément, nous utiliserons des approches d'apprentissage machine (ML) et de traitement du signal pour démêler l'évanouissement à grande échelle (source d'unicité) de l'évanouissement à petite échelle (source d'entropie). Plus précisément, nous proposons d'utiliser l'apprentissage non supervisé inspiré des techniques de cartographie des canaux (channel charting) et le théorème de décomposition de Wold (Wold's decomposition theorem) pour les séries spatio-temporelles décrites par des processus de moyenne mobile autorégressive (ARMA) afin de développer de nouvelles stratégies de la sécurité de la couche physique pour la 6G. Le positionnement et la localisation de haute précision, qui seront essentiels dans les systèmes sans fil de la 6G, seront examinés. De nouvelles solutions basées sur la ML seront proposées, telles que : i) l'apprentissage supervisé basé sur des architectures de réseaux neuronaux avancés pour construire une fonction prédictive qui met en correspondance des mesures de bas niveau avec des estimations de localisation très précises ; ii) l'apprentissage semi-supervisé et les réseaux ‘'generative adversarial networks (GAN)'' pour réduire les coûts de collecte des données ; iii) des outils d'apprentissage en ligne pour les environnements dynamiques en vue d'une localisation précise. Les aspects relatifs à la préservation de la vie privée et à la fiabilité/résilience seront également étudiés. Tout d'abord, l'utilisation de techniques de cartographie des canaux sera étudiée afin d'introduire une distorsion non linéaire et donc la protection de la vie privée dans le sens de la distorsion du débit. La fiabilité sera évaluée en tirant parti de la diversité des sources disponibles et des propriétés des signaux. Enfin, la résilience est examinée grâce à des stratégies avancées de traitement des transmissions, telles que la conception de la forme d'onde et le précodage, afin de protéger les signaux échangés contre les attaques actives malveillantes.

Next generation services (industry 4.0) need communication capabilities that go beyond fifth generation 5G (5BG) systems in order to be adequately supported in ultra-dense connectivity settings and comply with critical industrial specifications (IoT). Some cases require a location accuracy of up to 1mm, reliability higher than 99.999% and a minimum of 10Gbps data rate within 100µs air interface latency. Massive-scale IoT networks have a very wide range of non-functional (with respect to security) constraints in the form of computational constraints, power and energy restrictions, delay and latency constraints, etc. In this 6G era of emergence of massive scale and critical IoT networks, Physical Layer Security technologies which have low computational complexity will be considered. The wireless medium serves as a platform for security operations like RF fingerprinting-based authentication and Symmetric secret key generation (SKG). The former is based on large scale fading that is largely predictable and can be treated as a source of uniqueness and the latter is based on the unpredictable variations in the channel state information (CSI) due to small scale fading in the wireless channel, which can be treated as a source of entropy. In order to treat the CSI as a source of uniqueness and of entropy simultaneously , we will use machine learning (ML) and signal processing approaches to disentangle the large scale fading (source of uniqueness) from the small scale fading (source of shared entropy). Specifically, we propose the use of unsupervised learning inspired by channel charting techniques and the use of Wold's decomposition theorem for time-space series described by autoregressive moving average (ARMA) processes to develop novel PLS strategies for 6G. Positioning and high-precision localization which will be key in 6G wireless systems, will be considered. Novel ML-based solutions will be proposed, such as: i) supervised learning based on advanced neural network architectures to build a predictive function that maps low-level measurements to highly accurate location estimates; ii) semi-supervised learning and generative adversarial networks (GANs) to reduce data collection costs; iii) online learning tools for dynamic environments for accurate localization. Privacy preservation and trustworthiness/resilience aspects will also be investigated. First, the use of channel charting techniques will be investigated to instil nonlinear distortion and thus privacy in the rate-distortion sense. The trustworthiness will be evaluated by leveraging diversity of sources whenever available and signal properties. Finally, resilience is examined through advanced transmit processing strategies, such as waveform design and precoding, to protect the exchanged signals from malicious active attacks.