【DRIS】颠覆隐蔽通信!DRIS技术实现同步检测与无源干扰,无需信道知识和额外功耗【附MATLAB代码】

颠覆隐蔽通信!DRIS技术实现同步检测与无源干扰,无需信道知识和额外功耗

文章来源 微信公众号 EW Frontier

一、文章题目

基于迪斯科可重构智能表面(DRIS)的隐蔽通信同步检测与干扰技术

二、摘要

隐蔽通信相比密码学和物理层安全(PLS)能提供更强的隐私保护,但现有隐蔽通信研究均隐含假设信道互易性成立(即无线信道在相干时间内保持恒定或近似恒定)。本文研究了一种由监控者Willie部署的迪斯科可重构智能表面(DRIS)对隐蔽通信的影响——DRIS通过随机时变的反射系数扮演“迪斯科球”的角色,引入时变全无源干扰(FPJ),从而打破信道互易性假设。该DRIS无需获取Bob的信道信息,也无需额外干扰功率,既能干扰Alice与Bob之间的隐蔽传输,又能降低Willie的检测误码率。为量化DRIS对隐蔽通信的影响,本文首先为Willie设计了考虑DRIS时变FPJ的检测规则,将虚警率(FAR)、漏检率(MDR)定义为Willie的检测性能指标,将信干噪比(SJNR)定义为Alice-Bob隐蔽传输的通信性能指标。基于该检测规则,推导了Willie判断通信是否发生的检测阈值,并对Willie的FAR、MDR以及Bob的SJNR进行了理论分析,揭示了DRIS-based FPJ在隐蔽通信中的独特性质。最后通过数值仿真验证了理论分析的有效性,并评估了DRIS对隐蔽通信的影响。

三、引言

由于无线信道的广播特性和叠加特性,无线系统天生易受各类恶意攻击,这一问题在物联网(IoT)时代尤为关键——物联网传输的数据常包含健康、位置等敏感个人信息,而在政府和军事场景中,通信隐蔽性更是至关重要。因此,传输安全与隐私保护研究迅速发展。隐蔽通信(又称低检测概率通信)通过将传输信号隐藏在环境噪声中,避免被敌对监控者发现,其隐私保护级别优于密码学和物理层安全(PLS)——若监控者Willie未察觉传输存在,便不会尝试解码信号中的信息。

早期研究已确立隐蔽通信的基本极限:在Alice与Willie之间的加性高斯白噪声(AWGN)信道中,无需知晓噪声功率即可在n次信道使用中传输o(√n)比特,且检测概率可任意低;若已知噪声功率下界,则可传输O(√n)比特。后续研究通过非正交多址(NOMA)、Turbo编码、中继协作、人工噪声等技术进一步提升隐蔽通信性能,但这些研究均假设时分双工(TDD)信道的互易性成立。

可重构智能表面(RIS)作为改善无线通信性能的关键技术,通过大量可编程反射单元调整反射系数,在不显著增加功耗和成本的前提下提升系统性能,其在隐蔽通信中的应用已被初步探索。但DRIS(迪斯科RIS)的出现打破了信道互易性假设——DRIS的反射系数随机时变,可引入主动信道老化(ACA),即使在信道相干时间内也会破坏TDD信道互易性,且无需合法用户信道知识和额外干扰功率即可发起全无源干扰(FPJ)。

本文提出利用DRIS破坏隐蔽通信中信道互易性的创新思路,主要贡献包括:构建DRIS存在下的隐蔽通信模型,设计Willie的检测规则与性能指标;推导DRIS影响下的信道统计特性、检测阈值及FAR、MDR的闭合表达式,分析SJNR的渐近特性;揭示DRIS-based FPJ的独特性质;通过仿真验证理论分析的准确性。

四、方法简介

1. 系统模型设计
  • 场景部署:Alice向Bob进行隐蔽传输,Willie部署N_D单元DRIS(由FPGA控制器调节反射系数),DRIS靠近Alice部署,Willie与Bob位于DRIS远场区域。DRIS的反射系数(相位和幅度)随机时变且独立同分布,支持b比特量化。

  • 信道模型:直接信道(Alice-Bob、Alice-Willie)和DRIS相关信道(DRIS-Bob、DRIS-Willie)采用远场高斯模型;Alice-DRIS信道采用近场莱斯衰落模型,包含视距(LoS)和非视距(NLoS)分量。

2. 检测规则与阈值推导
  • 决策逻辑:Willie通过判断接收信号样本是否满足“N个及以上样本功率超过对应阈值”,区分“Alice传输(H₁)”和“Alice静默(H₀)”两种事件。

  • 阈值优化:基于似然比检验(LRT)推导时变检测阈值ε(m),该阈值考虑了DRIS时变干扰的影响,与无DRIS场景下的固定阈值形成区别。

3. 性能指标定义
  • 检测性能:虚警率(FAR,H₀时误判为H₁的概率)、漏检率(MDR,H₁时误判为H₀的概率)。

  • 通信性能:信干噪比(SJNR),反映Bob接收信号的有效强度,其 achievable速率为R_b=log₂(1+η_b)。

4. 理论分析方法
  • 利用中心极限定理推导DRIS信道的渐近高斯分布特性;

  • 基于信道统计特性和LRT推导检测阈值的闭合表达式;

  • 推导FAR和MDR的数学表达式,分析SJNR随DRIS单元数量、发射功率的渐近行为。

5. 仿真验证设置
  • 关键参数:DRIS含2048个反射单元,1位量化反射系数,Alice发射功率范围-15~5 dBm,Willie在相干时间内取M=5个样本,信道衰落模型采用3GPP标准。

  • 对比基准:无DRIS场景、主动干扰(AJ)场景,分析DRIS单元数量、量化精度、Alice-DRIS距离、检测样本数等因素的影响。

五、结论

  1. DRIS通过随机时变反射系数引入全无源干扰(FPJ),既能降低Willie的FAR和MDR(提升检测准确性),又能显著干扰Alice-Bob的隐蔽传输——即使Willie发生漏检,DRIS仍能通过主动信道老化(ACA)破坏通信质量,且无需获取Alice-Bob的信道信息(CSI)和额外干扰功率。

  2. 增加Alice的发射功率无法有效提升通信性能:一方面,SJNR会随发射功率增大渐近收敛至恒定值;另一方面,更高发射功率会加剧DRIS干扰的影响,同时显著提高Willie的检测概率。

  3. 低量化精度DRIS即可满足需求:1位量化的DRIS配合大量反射单元,就能有效提升Willie的检测精度并恶化Alice-Bob的通信性能;DRIS应尽可能靠近Alice部署,以最大化干扰和检测效果。

本文揭示了非法RIS对隐蔽通信的重大威胁,未来研究需聚焦对抗措施,如基于人工智能的信号分类/异常检测、自适应波束成形等技术,以保障隐蔽通信的安全性。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/1119528.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

不同就业方向(如AI、网络安全、前端开发)的具体学习路径和技能要求是什么?

了解不同就业方向的具体要求,确实是做好职业规划的关键一步。下面这个表格汇总了AI、网络安全和前端开发这三个热门方向的概况,帮你快速建立整体印象。对比维度​AI(人工智能)​网络安全​前端开发​核心岗位举例​算法工程师、数…

引领企业发展:走进标杆企业参观游学考察的好处

在当前瞬息万变的商业环境中,企业面临着一个挑战:如何在快速发展的行业发展中保持竞争力,持续创新,同时还能提高员工的技能和才能?答案可能比您想象的要简单——标杆研学游学。标杆研学游学,一种通过实地考…

信创云渲染:助力数字时代自主创新与高效协作

在信息技术应用创新发展的浪潮下,各行各业正加速推进数字化、智能化转型。其中,图形图像处理与实时交互的高负载需求日益凸显,特别是在工业设计、建筑设计、仿真培训、数字孪生、互动媒体等领域。传统的本地渲染模式受限于终端算力、部署成本…

20260106给荣品RD-RK3588S-AHD开发板适配Rockchip原厂的Buildroot【linux-6.1】系统时适配hdmi0输出

20260106给荣品RD-RK3588S-AHD开发板适配Rockchip原厂的Buildroot【linux-6.1】系统时适配hdmi0输出 2026/1/6 17:44缘起:荣品PRO-RK3566开发板适配Rockchip原厂的Buildroot【linux-5.10】系统时,eth0是默认隐藏的。 查询/询问DeepSeek之后,可…

Instagram账号风控全解:深度剖析封号原因、申诉流程与长效预防策略

近年来,Instagram的风控系统日趋严格,账号被封成为许多用户,无论是个人用户、多账号运营者还是跨境电商与广告投手,都可能突然面临的困扰:明明正常操作,却突然收到账号禁用通知?新注册的账号毫无…

2026必备!专科生毕业论文必备!10个AI论文平台深度测评

2026必备!专科生毕业论文必备!10个AI论文平台深度测评 2026年专科生论文写作新选择:AI平台测评指南 随着人工智能技术的不断进步,越来越多的专科生开始借助AI工具辅助毕业论文的撰写。然而,面对市场上琳琅满目的AI论文…

基于微信小程序的毕业设计项目:个性化英语学习小程序+毕业论文+答辩ppt全套

博主介绍: CSDN毕设辅导第一人、靠谱第一人、csdn特邀作者、博客专家、CSDN新星计划导师、Java领域优质创作者,博客优秀创作者、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流✌ 技术范围:…

2026年最佳替代数据提供商(顶级平台对比)

TLDR: 另类数据市场由向合规性、人工智能驱动的分析和数据粒度的转变所定义。在2026年,最好的另类数据提供商是那些提供透明数据来源和专业领域专业知识的公司。我们的顶级平台——YipitData、FactSet和Eagle Alpha——根据其卓越的数据质量、实时交付和稳健的合规框…

2026研究生必备!10个降AI率工具测评榜单

2026研究生必备!10个降AI率工具测评榜单 研究生必备!2026年降AI率工具测评榜单出炉 随着学术规范日益严格,AI生成内容检测技术不断升级,越来越多的研究生在论文写作过程中面临“AI率过高”的问题。无论是初稿还是修改后的版本&am…

聚焦三大资源整合型发稿平台,深度测评其批量曝光效能

在信息粉尘化的营销环境下,企业品牌声音的突围愈发困难。单点、零散的媒体投放不仅效率低下,其不可控的成本与模糊的效果也令营销决策者却步。于是,能够提供“一键发布,多平台同步”的资源整合型软文发稿平台,已成为企…

SoulX-Podcast 本地部署与WebUI体验教程(支持方言播客生成)

SoulX-Podcast 本地部署与WebUI体验教程(支持方言播客生成) 关键词:SoulX-Podcast、AI播客生成、TTS、多说话人对话、方言支持、Gradio WebUI 一、项目简介 SoulX-Podcast 是 Soul AI Lab 团队开源的一个高保真播客生成推理代码库&#xff0c…

亲测好用!9款AI论文平台测评:研究生毕业论文必备

亲测好用!9款AI论文平台测评:研究生毕业论文必备 2026年AI论文平台测评:为何值得一看 在当前学术研究日益数字化的背景下,研究生群体对高效、可靠的论文辅助工具需求愈发迫切。无论是选题构思、文献检索,还是内容撰写与…

04.深入闭包和js函数的this指向跟规则

闭包的内存泄漏测试 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>Document</title> </…

04.深入闭包和js函数的this指向跟规则

闭包的内存泄漏测试 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>Document</title> </…

大模型面试 请分别说说你对 DeepSeek -V3和 DeepSeek -R1的理解,它们在架构或训练策略上有何关键差异?

1.请分别说说你对 DeepSeek -V3和 DeepSeek -R1的理解&#xff0c;它们在架构或训练策略上有何关键差异&#xff1f; 已思考 12s 下面按“我怎么理解它是什么 / 关键技术点 / 与另一者的差异”来分别讲 DeepSeek-V3 和 DeepSeek-R1&#xff0c;并总结它们在架构与训练策略上的…

java BIO、NIO、AIO用法样例

1. BIO (Blocking I/O) - 同步阻塞 I/O BIO 是传统的网络编程模型&#xff0c;每个连接对应一个线程&#xff0c;当线程执行读/写操作时会被阻塞&#xff0c;直到数据就绪。 示例&#xff1a;BIO 服务器 import java.net.*; import java.io.*;public class BioServer {publi…

java垃圾收集 minorgc majargc fullgc

核心概念总览 这三种 GC 类型的本质区别在于回收的堆内存区域和触发原因。GC 类型别名回收区域触发原因特点Minor GCYoung GC只回收年轻代 (Eden Survivor)Eden 区空间不足非常频繁&#xff0c;速度通常很快&#xff0c;使用复制算法Major GCOld GC只回收老年代老年代空间不足…

基于RK3399Pro与RK3568的车载防撞方案:为货车泥头车安全护航

rk3399pro&#xff0c;rk3568&#xff0c;车载方案设计&#xff0c;4路AHD-1080P摄像头输入&#xff0c;防撞识别&#xff0c;助力货车泥头车安全运输&#xff01;在货运行业中&#xff0c;货车与泥头车的安全运输至关重要。今天咱就聊聊基于RK3399Pro和RK3568芯片的车载方案设…

超详细逻辑回归解说

逻辑回归是用来做“分类”的模型&#xff08;比如判断“是不是垃圾邮件”“病人有没有患病”“用户会不会点击广告”&#xff09;&#xff0c;而非回归。它的核心是&#xff1a;用“概率”的方式&#xff0c;把线性回归的输出&#xff08;连续值&#xff09;转化为“是/否”的分…