Ενίσχυση της Ασφάλειας Φυσικού Επιπέδου (Physical Layer Security) με χρήση AI-Native Δεκτών για Ανίχνευση Ωτακουστών (Eavesdroppers) σε συστήματα έκτης γενιάς (6G)

Abstract

Η παρούσα διπλωματική εργασία επικεντρώνεται στην ενίσχυση της ασφάλειας φυσικού επιπέδου (Physical Layer Security – PLS) μέσω της χρήσης δεκτών εγγενώς σχεδιασμένων με τεχνητή νοημοσύνη (AI-Native) για την ανίχνευση ωτακουστών. Κύριος στόχος της εργασίας είναι η ανάδειξη και η ανάλυση των προκλήσεων που αντιμετωπίζουν τα ασύρματα δίκτυα επόμενης γενιάς στον τομέα της ασφάλειας. Αρχικά, πραγματοποιείται ιστορική αναδρομή στην εξέλιξη των ασύρματων δικτύων και ακολουθεί εκτενής ανάλυση των διαύλων επικοινωνίας, των μοντέλων απωλειών, των συστημάτων διαμόρφωσης, των κυψελωτών δομών και των τεχνολογιών πολλαπλών κεραιών. Επιπλέον, εξετάζονται οι συνηθέστερες επιθέσεις στο φυσικό επίπεδο, οι οποίες απειλούν την αξιοπιστία και την ασφάλεια των ασύρματων ζεύξεων. Κεντρικός στόχος της εργασίας είναι η μελέτη και η αξιολόγηση της ικανότητας των τεχνικών μηχανικής μάθησης να αντιμετωπίζουν αποτελεσματικά τις απειλές κατά της ασφάλειας των ασύρματων δικτύων. Ειδικότερα, εξετάζεται κατά πόσο οι υφιστάμενες τεχνικές ασφάλειας, με κύρια την κρυπτογράφηση, μπορούν να ενισχυθούν μέσω της αξιοποίησης AI-Native δεκτών και, γενικότερα, αλγορίθμων μηχανικής μάθησης, οι οποίοι λειτουργούν συμπληρωματικά προς τις υπάρχουσες μεθόδους, με στόχο την ενίσχυση της ασφάλειας φυσικού επιπέδου. Το πειραματικό σκέλος της εργασίας επικεντρώνεται στην προσομοίωση νόμιμων χρηστών και ωτακουστών, καθώς και στη δημιουργία κυματομορφών που αποτελούνται είτε αποκλειστικά από σήματα νόμιμων χρηστών είτε από συνδυασμούς σημάτων νόμιμων χρηστών και ωτακουστών. Επιπρόσθετα, σημαντικό μέρος της μελέτης αφορά την παραμετροποίηση του AI-Native δέκτη και, πιο συγκεκριμένα, του συνελικτικού νευρωνικού δικτύου DeepRx, καθώς και την εκπαίδευσή του με στόχο την ανίχνευση σημάτων που προέρχονται από ωτακουστές. Τα αποτελέσματα της έρευνας οδηγούν στο συμπέρασμα ότι η χρήση AI-Native δεκτών μπορεί να αποδειχθεί ιδιαίτερα αποτελεσματική στην ανίχνευση απειλών και κακόβουλων χρηστών, επιτυγχάνοντας υψηλή ταχύτητα και ακρίβεια. Συμπερασματικά, η παρούσα διπλωματική εργασία αναδεικνύει τη θετική συμβολή της μηχανικής μάθησης και των AI-Native δεκτών στην ενίσχυση της ασφάλειας φυσικού επιπέδου στα ασύρματα δίκτυα επόμενης γενιάς.