DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs

要約

同期信号ブロック (SSB) は、5G New Radio (NR) エア インターフェイスの基本コンポーネントであり、Connected and Automated Vehicles (CAV) の初期アクセス手順に不可欠であり、ネットワークの運用におけるいくつかの重要な目的を果たします。
ただし、プライマリおよびセカンダリ同期信号 (PSS および SSS) を含む SSB 送信の予測可能な性質により、妨害攻撃は重大な脅威となります。
これらの攻撃は、高電力や複雑な機器を必要とせずに実行できるため、特に制御信号の暗号化されていない送信の結果として、5G ネットワークに重大なリスクをもたらします。
この研究では、RF ドメインの知識を活用して、CAV ネットワーク内の妨害波を検出するための新しい深層学習ベースの技術を紹介します。
主にネットワークパラメータに依存する既存の妨害検出アルゴリズムとは異なり、SSB に焦点を当てた二重閾値深層学習妨害検出アルゴリズムを導入します。
この検出方法は RF ドメインの機能に焦点を当てており、既存のネットワーク インフラストラクチャとの統合を必要とせずにネットワークの堅牢性を向上させます。
PSS 相関とヌル リソース要素ごとのエネルギー (EPNRE) 特性を抽出する前処理ブロックを統合することにより、私たちの方法は、正常な受信信号と妨害された受信信号を高精度で区別します。
さらに、離散ウェーブレット変換 (DWT) を組み込むことにより、トレーニングと検出の効率が最適化されます。
ダブル閾値ダブルディープニューラルネットワーク (DT-DDNN) もアーキテクチャに導入されており、ディープカスケード学習モデルによって補完され、信号対妨害ノイズ比 (SJNR) の変動に対するモデルの感度が向上します。
結果は、提案された方法が超低妨害電力、つまり 15 ～ 30 dB の SJNR で 96.4% の検出率を達成することを示しています。
さらに、DT-DDNN のパフォーマンスは、実際のテストベッドから取得された実際の 5G 信号を分析することによって検証されます。

要約(オリジナル)

The Synchronization Signal Block (SSB) is a fundamental component of the 5G New Radio (NR) air interface, crucial for the initial access procedure of Connected and Automated Vehicles (CAVs), and serves several key purposes in the network’s operation. However, due to the predictable nature of SSB transmission, including the Primary and Secondary Synchronization Signals (PSS and SSS), jamming attacks are critical threats. These attacks, which can be executed without requiring high power or complex equipment, pose substantial risks to the 5G network, particularly as a result of the unencrypted transmission of control signals. Leveraging RF domain knowledge, this work presents a novel deep learning-based technique for detecting jammers in CAV networks. Unlike the existing jamming detection algorithms that mostly rely on network parameters, we introduce a double-threshold deep learning jamming detector by focusing on the SSB. The detection method is focused on RF domain features and improves the robustness of the network without requiring integration with the pre-existing network infrastructure. By integrating a preprocessing block to extract PSS correlation and energy per null resource elements (EPNRE) characteristics, our method distinguishes between normal and jammed received signals with high precision. Additionally, by incorporating of Discrete Wavelet Transform (DWT), the efficacy of training and detection are optimized. A double-threshold double Deep Neural Network (DT-DDNN) is also introduced to the architecture complemented by a deep cascade learning model to increase the sensitivity of the model to variations of signal-to-jamming noise ratio (SJNR). Results show that the proposed method achieves 96.4% detection rate in extra low jamming power, i.e., SJNR between 15 to 30 dB. Further, performance of DT-DDNN is validated by analyzing real 5G signals obtained from a practical testbed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google