Geri Dön

Secure and coordinated beamforming in 5G and beyond systems using deep neural networks

5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme

PDF İndir

  1. Tez No: 859636
  2. Yazar: UTKU ÖZMAT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI, DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Bilişim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
  12. Bilim Dalı: Bilgi Güvenliği Mühendisliği ve Kriptografi Bilim Dalı
  13. Sayfa Sayısı: 139

Özet

Beşinci nesil (5G) ve ötesi mobil haberleşme sistemlerinde hüzme yönetimi oldukça kritik bir öneme sahiptir. 5G'deki dalga şekli, hüzmeler aracıyla gönderilen bir dalga şeklidir. Tüm kanallar (merkeze doğru gönderim ve kontrol/veri kanalları) ve tüm sinyaller (aşağı ve yukarı yönlü senkronizasyon sinyalleri) hüzmeleme yapısına göre tasarlanmıştır. Hüzmeleme ile kapsama tek ve geniş bir radyo dalgası yerine, çok daha fazla sayıda ve enerjinin konsantre edildiği radyo dalgaları ile sağlanmaktadır. Sayısal, analog veya hibrit şeklinde türleri olan hüzmeleme işlemi, kullanıcılara daha yüksek güçte sinyal iletilebilmesini, girişimin azaltılmasını ve bağlantı yoğunluğunun artırılabilmesini sağlamaktadır. Çok sayıda anten elemanının aynı frekans ve zaman kaynağında çalışması prensibine dayanan masif çoklu giriş çoklu çıkış (mMIMO) teknolojisi ile birlikte hüzmeleme, 5G'nin öne çıkan özelliklerinden biridir. Hüzme yönetiminin ana bileşenleri, hüzme tarama, hüzme ölçümü, belirlenmesi ve raporlanması, hüzme kurtarma ve hüzme değişimi şeklinde sıralanmaktadır. Bu süreç, kullanıcı ekipmanı (UE) ve servis veren baz istasyonu (gNodeB) arasındaki iletişim sürdükçe devam etmektedir ve alıcı-verici arasındaki en uygun hüzme çiftini belirleyerek genel olarak haberleşmenin sürekliliği ve verimliliği için ihtiyaç duyulan en önemli fiziksel katman unsurlarından biridir. Öte yandan, son zamanlarda makine öğrenimi (ML), özellikle derin öğrenme (DL), mobil ve kablosuz ağlara yönelik çok çeşitli araştırma alanlarında öne çıkan bir teknik haline gelmiştir. DL yöntemlerinin potansiyel alanları arasında mobilite analizi, kullanıcı konumlandırılması, kablosuz sensör ağları, ağ kontrolü, ağ güvenliği, sinyal işleme, ağ düzeyinde ve uygulama düzeyinde mobil veri analizi yer almaktadır. Tez çalışmasında da sunulduğu üzere, DL algoritmalarının hüzme yönetimi süreçlerinde kullanılması da literatürde yer bulmaktadır. Bu alandaki yapılan çalışmalarda, açısal ve zaman alanlarında doğrusal olmayan özelliklerin çıkarılmasındaki üstünlüğü ile yüksek doğrulukta hüzme çifti tahmini yapılabildiği gösterilmiştir. Ek olarak, hüzme takibindeki yükü en aza indirmek için öngörülü hüzme değişimi de gerçekleştirilebilmektedir. Bu yüzden, derin sinir ağları (DNN) giriş parametreleri ile optimum hüzme konfigürasyonları arasındaki doğrusal olmayan ilişkileri yakalama konusunda başarılı olduklarından, hüzme yönetiminin doğasından gelen karmaşıklıkla başa çıkmak için tercih edilen araçlar olarak öne çıkmaktadır. Ayrıca, DL algoritmaları koordineli çoklu nokta (CoMP) iletimi senaryolarında da kullanılmaktadır. Burada veri iletiminin dinamik olarak planlanması ve gerçek zamanlı olarak kullanıcı veya iletim noktalarının (TP) seçimi işlemleri otonom olarak yapılabilmektedir. Ek olarak, fiziksel katman güvenliğinde ML entegrasyonu, potansiyel tehditleri önceden tanımlayarak ve önleyerek ağ güvenliğini artırmaktır. Hüzme yönetimi süreci içerisinde spektral verimliliği maksimize etmek ve etkili bir hüzme çifti üzerinden haberleşme sağlayabilmek için senkronizasyon sinyal bloklarının (SSB) kullanımı, iletim/alım noktası (TRP) ve UE tarafında hüzme taraması işlemleri yer almaktadır. Böylece tüm olası hüzme çiftlerinin taranmaktadır. Ancak, mMIMO ile birlikte artan anten elemanlarıyla bu işlemlerin yapılması artan gecikme ve enerji tüketimine yol açmaktadır. Bu yüzden, hızla artan 5G kurulumları ve servislerin ihtiyaç duydukların gecikme ve güvenlik gereksinimleri doğrultusunda bu problemin çözümü acil bir ihtiyaç olarak vurgulanmaktadır. Tez çalışmasında, yukarıda bahsedilen tekrarlayan kapsamlı hüzme çifti taramalarına gerek duymamak ve sinyalleşme yükünü azaltmak için bir DNN tabanlı şema önerilmektedir. Hüzme seçimi problemi önerilen DNN algoritması içerisinde bir sınıflandırma problemi olarak görülmüştür ve UE koordinatları giriş bilgisi olarak, optimum verici (Tx)-alıcı (Rx) hüzme çifti indeksi ise çıkış bilgisi olarak kullanılmıştır. DNN modelinin eğitiminden sonra, K adet uygun hüzme çifti indeksini önermektedir. Tüm olası hüzme çiftleri arasında kapsamlı bir arama yapmak yerine, sadece önerilen K adet hüzme çifti içerisinde bir arama yapılarak, hüzme taraması esnasındaki sinyalleşme yükü azaltılmaktadır. 5G ve ötesi ağlarda anten dizin sayıları (dolayısıyla hüzme sayıları) artacağından hüzme taraması süresi de yükselmektedir. Bu nedenle, derin öğrenme algoritmalarının hüzme yönetimi süreçlerine entegre edilmesindeki ana motivasyon, gecikme, enerji tüketimi ve iletişim güvenliği açısından hüzme arama sürecini iyileştirmektir. Tez çalışmasında, hüzme seçimine dair iki senaryo önerilmektedir. İlk senaryoda servis veren tek hücrenin yer aldığı bir haberleşme sisteminde DNN tabanlı ilk erişim ve hüzme hizalaması prosedürü ele alınmaktadır. SSB hüzme taraması süreci, DNN yapısı kullanılarak otonom bir şekilde gerçekleştirilmektedir ve önerilen DNN yapısının mevcuttaki standartlar ile uyumluluğunu gösterilmektedir. Özellikle, önerilen yaklaşım UE için RSRP'yi maksimize etmekle kalmamakta, aynı zamanda potansiyel gizli dinleyiciler tarafından gözlemlenen RSRP'nin de belirli bir eşiği aşmamasını sağlamayı amaçlayan güvenli bir hüzme çiftinin seçiminin sağlamaktadır. mMIMO ve hüzmeleme tekniklerinin kendiliğinden gelen özellikler kullanılarak, yapay gürültü enjeksiyonu, güvenli anahtar üretimi, yönlü modülasyon vb. gibi ek güvenlik mekanizmalarına ihtiyaç duymadan gizli dinleme saldırılarına karşı belirli bir güvenlik düzeyine ulaşılmasına katkıda bulunulmaktadır. İkinci senaryo ise mMIMO ve CoMP birlikte kullanarak güvenli radyo kapsamı için ağlarda optimum hüzme ve TP seçimi sorununa odaklanılmaktadır. Bu senaryoda, birden fazla koordineli TP ve UE arasında en güvenli hüzme çifti indislerini tahmin etmeyi amaçlayan DNN tabanlı bir CoMP hüzmeleme şeması önerilmektedir. Bu çoklu-noktadan iletim senaryosu da tek hücreli senaryo ile aynı motivasyona sahip olup, iletişim güvenliğinin artırılması ve hüzme seçimi esnasında yaşanan gecikmenin ve enerji tüketiminin azaltılması amaçlanmaktadır. Her iki senaryodada önerilen güvenli hüzme seçimi yönetimi yalnızca kullanıcıların konum bilgilerine dayanmaktadır ve diğer başka herhangi bir kanal parametresine ve kanal kestirim prosedürene bağlı değildir. Güvenlik açısından bakıldığında literatürdeki ana kullanım amaçlarına ek olarak mMIMO ve CoMP teknolojilerinden güvenli haberleşme için de yararlanılabileceği gösterilmiştir. Böylelikle herhangi bir ek fiziksel katman güvenliği yöntemi kullanılmadığından mevcut haberleşme standartlarında herhangi bir değişiklik yapma ihtiyacı da oluşmamaktadır. Tezde sunulan yöntem pratikte uygulanabilir olup, 5G NR sinyalizasyonu ile uyumlu olarak çalışabilmektedir. Fakat, sistem parametrelerinde (frekans, kullanılan hüzme sayısı, anten dizin sayıları, anten açıları, güvenlik eşik değeri vb.) yapılacak herhangi bir değişiklik kendi senaryosunu yaratacağından DNN'in bu yeni değişikliklere uyum sağlayabilmesi için yeniden eğitilmesi gerekmektedir. Önerilen DL tabanli yöntemi açıklayıp değerlendirebilmek için iki kanal modeli kullanılmıştır. İlk model karasal model olarak adlandırılmakta ve kullanıcı verileri bir ağ planlama yazılımından alınmaktadır. Bu yazılım, İstanbul/Büyükçekmece bölgesinde yer alan gerçek hücresel ağa ait üç boyutlu arazi verilerini kullanarak önceden belirlenen olası kullanıcı konumlarıdaki RSRP değerlerini hesaplamaktadır. Önerilen yöntemin etkinliğini ispatlamak amacıyla spesifik bir saha konfigürasyona ait birinci modele ek olarak genelleştirilmiş bir model daha sunulmaktadır. Bu ikinci model istatistiksel kanal modeli olarak adlandırılmakta olup, standartlarda belirlenen 5G NR sistem değişkenlerine göre kurgulanmış bir kanal modelinde üretilen sentetik verileri içermektedir. Böylece önerilen yöntemin, sadece belli özellikte bir kanala değil, sistem değişkenlerinin konfigüre edilebildiği ve rastlantısallık içeren kapsamlı bir ağ ortamı üzerinde denemesini de sunulmaktadır. Tanımlanan senaryo ve kanal modellerine göre, benzetimler MATLAB ortamında gerçekleştirilmiştir. Her iki senaryo ve model için de herbirinde 96 nöron barındıran ve dört gizli katmandan oluşan bir DNN mimarisi kullanılmıştır. Giriş katmanında üç boyutlu kullanıcı konum bilgisi, çıkış katmanında ise hüzme çifti indeksleri kullanılmıştır. DL modeli olarak ise bu tarz sınıflandırma görevlerindeki ispat edilen başarısından dolayı çok katmanlı algılayıcı (MLP) modeli seçilmiştir. Sonuçlara geçilmeden önce tasarlanan DNN mimarisi üzerinde çeşitli kontroller yapılarak aşırı öğrenme problemine sahip olmadığı doğrulanmıştır. Performans analizi bölümünde çeşitli metrikler ele alınarak sistemin başarısı gösterilmiştir. İlk olarak, DNN modelinin tahmin performansı referans olarak alınan ML modelleri ile karşılaştırılarak değerlendirilmiştir. DNN'in ele alınan diğer iki ML algoritmasından daha üstün performans sergilediği gösterilmiştir. Ardından, en yüksek RSRP ve güvenli hüzme seçim algoritmaları için elde edilebilir maksimum RSRP seviyeleri çıkartılmıştır. Buradaki amaç, en yüksek RSRP'yi veren hüzme çifti ile bunu bir güvenlik kısıtı altında veren hüzme çifti arasındaki erişilebilir maksimum RSRP cinsinden karşılaştırmasını yapmaktadır. Böylelikle güvenli haberleşme için haberleşmenin başarısına zarar vermeden RSRP değerinden ne kadar bir ödünleşim yapıldığı gösterilmiştir. Sonraki adımda ise, güvenli ve başarılı kestirim olasılıkları üzerinden bir değerlendirme sunulmuştur. Burada da önerilen güvenli hüzme seçimi yönteminin mevcut ağlarda istatistiki olarak ne kadar bir güvenlik sağladığına dair benzetimlere yer verilmiştir. Son olarak, tek hücre ve çoklu-nokta iletim modelleri arasında güvenlik ve iletişimin erişilebilirliği açısından karşılaştırmalar gösterilmiştir. Sayısal sonuçlar, önerilen DNN tabanlı hüzme seçim algoritmasının hem tek hücreli hem de çoklu-nokta iletim senaryoları için güvenli kapsama olasılığını önemli ölçüde iyileştirdiğini göstermektedir. Ayrıca, gerek en yüksek sinyal seviyesini veren gerekse en yüksek güvenliği sağlayan hüzme çiftinin seçimi görevlerinde, önerilen DNN modelinin, hüzme seçim süreci sırasında tüketilen zaman ve enerjide önemli bir azalma sağladığı gözlemlenmiştir. Bu azalma, özellikle 5G ve ötesi ağlardaki gecikmeye duyarlı servisler için hayati önem taşımaktadır. İlerleyen çalışmalarda, hüzme seçimi sonrasında, hem Tx hem de Rx tarafında hüzme iyileştirmesi ve hüzme değişimi prosedürlerinin optimize edilebileceği bir DNN şeması tasarımı ele alınabilir. Böylelikle kablosuz haberleşme sistemlerindeki geriye kalan hüzme yönetimi süreçlerinde de bir iyileştirme yapılabilir ve çeşitli açılardan (güvenlik, spektral ve enerji verimliliği) katkılar sağlanabilir. Ayrıca, çoklu-nokta iletimi senaryoları için de geliştirmeler yapılabilir. Benzer şekilde CoMP ağlarında oluşabilecek herhangi bir bağlantı ya da servis kalitesi kaybı esnasında hüzme değişimi ya da hüzme kurtarma süreçlerinin DNN yapıları kullanılarak iyileştirilmesi de araştırmaya açık bir diğer konudur.

Özet (Çeviri)

Beam management stands as a crucial element within the fifth generation (5G) new radio (NR), pivotal for shaping an efficient initial access and tracking process. It functions to consistently identify the optimal beam pair between the user equipment (UE) and the gNodeB (gNB), significantly contributing to overall system efficiency. In machine learning-assisted beam management research, deep neural networks (DNNs) emerge as a preferred solution, showcasing their autonomy in recognizing critical features in the dynamic 5G context. DNNs excel in capturing nonlinear relationships between input parameters and optimal beam configurations, making them robust tools for addressing beam management complexities. Deep learning algorithms extend their utility to coordinated multi-point (CoMP) scenarios, dynamically scheduling data transmissions and selecting users based on real-time considerations. Additionally, ML integration in physical layer security enhances network security by identifying and mitigating potential threats. The beam management process involves utilizing synchronization signal blocks (SSB), transmit/receive point (TRP) beam sweeping, and UE beam sweeping to establish an effective beam pair link, maximizing spectral efficiency. However, the exhaustive search across potential beam pairs becomes challenging with the increasing number of antenna elements in massive multiple-input-multiple-output (MIMO), leading to heightened latency and energy consumption. This emphasizes the urgent need for a streamlined and secure access approach in rapidly deploying 5G networks. To eliminate the need for this repetitive exhaustive searches and reduce communication overhead, a DNN-based scheme is proposed. The beam selection problem is treated as a classification task, with the optimal Tx-Rx beam pair index as the target output and user positions as input to the DNN model. Leveraging this information that unrelated to specific frequency bands or channels, the trained DNN model suggests a collection of K favorable beam pair indices. Rather than conducting a thorough search across all possible beam pairs, the signalling overhead due to beam sweeping is minimized by exploring only within the a chosen set of K beam pairs. It's worth noting that, the additional time required or the time overhead during beam sweeping also increases with a higher number of beams. Hence, the key motivation behind incorporating deep learning into beam selection process is enhance the beam search/sweeping process, focusing on minimizing latency, reducing energy consumption, and strengthening communication security. In this thesis, we introduce two transmission models. The first model outlines a DNN-based secure initial access and beam selection procedure within a single serving cell framework. The SSB beam sweeping process is automated using a DNN, demonstrating the alignment of the proposed DNN with existing standards. Notably, our approach prioritizes the selection of a beam pair, aiming to maximize the RSRP for the UE while also guaranteeing that the RSRP observed by potential eavesdroppers stays below a specified threshold. The inherent properties of mMIMO and beamforming contribute to achieving a precise level of protection against eavesdropping attacks, eliminating the need for additional security mechanisms such as injecting artificial noise, generating secure keys, employing directional modulation, and others. The second model addresses the beam selection challenge in networks employing mMIMO and CoMP for secure radio coverage. In this scenario, we introduce a DNN-driven CoMP beamforming approach aimed at predicting the indices of the most secure beam pairs among multiple coordinated TPs and the UE. This model aligns with the same motivation as the single-cell scenario, emphasizing the importance of communication security. The proposed method relies solely on utilizing location information without dependence on channel parameters or estimation procedures. Additionally, no supplementary security mechanisms at the physical layer are employed, and there is no requirement for alterations to current standards. Our approach is practical and aligns seamlessly with 5G NR signaling, requiring no adjustments to the standard. However, variations in system parameters introduce unique scenarios, necessitating retraining of the DNN for adaptation. To delineate and evaluate our proposed DL-based method, we utilize two scenarios. In the initial scenario, referred to as the terrain model, data is acquired from a network planning software. This software calculates RSRP values based on specified parameters from various operational cells and authentic 3D terrain data. For a comprehensive understanding of our proposed method's effectiveness, we introduce a second scenario, the statistical model. This scenario involves the use of synthetically generated data employing a statistical channel model, incorporating system variables in 5G NR outlined in standards. This framework provides a robust and solid evaluation of our proposed method. Based on the defined scenarios and channel models, simulations are conducted in the MATLAB environment. Firstly, the prediction performance of the DNN is evaluated by comparing it with some benchmark ML models, and the training and validation performance of the DNN are examined. Then, achievable RSRP levels are simulated for baseline and secure beam selection algorithms to observe variations at the maximum achievable RSRP level, considering it as the trade-off for fortifying communication security whenever deemed feasible. Next, the secure and successful detection probabilities are examined to measure the security improvement made to the existing networks. Finally, single-cell and multi-point transmission models are compared in terms of security and communication availability. The numerical results illustrate that the proposed DNN-based beam selection algorithm significantly improves the secure coverage probability for both single-cell and multi-point transmission models. Moreover, employing a DNN to reduce the search space, whether aiming to provide the best or most secure beam pair, results in a substantial reduction in both the time and energy consumed during the beam selection process. This reduction is crucial, especially for delay-sensitive services in 5G and beyond networks.

Benzer Tezler

  1. Tez No

    22061

    Bilgisayar destekli enerji yönetim sistemleri ve kontrol merkezleri

    Computer based energy management system and control centres

    METİN İZGİ

    Yüksek Lisans

    Türkçe

    Türkçe

    1992

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF. DR. NESRİN TARKAN

  2. Tez No

    607377

    Elektronik değerlendirme sistemi diğer adıyla e-sınav sistemi ve bu sistemin motorlu taşıt sürücü adayları sınavında uygulaması

    Electronic assessment system also e-examination system and it's application of this system in the test of motor vehicle driver candidates

    HASAN BAŞARAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. COŞKUN ÖZKAN

  3. Tez No

    21706

    Firma çapında kalite ve kalite yönetimi

    Company wide quality management

    REYHAN ARAL

    Yüksek Lisans

    Türkçe

    Türkçe

    1992

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    PROF. DR. GÖNÜL YENERSOY

  4. Tez No

    75564

    İnşaat firmalarında bilgi yönetimi

    Başlık çevirisi yok

    AHMET ALTUNBAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Mimarlıkİstanbul Teknik Üniversitesi

    Bina Yapım Yönetimi Bilim Dalı

    PROF. DR. YILDIZ SEY

  5. Tez No

    893101

    Physical layer techniques for 5G and beyond wireless systems

    5G ve ötesi kablosuz sistemler için fiziksel katman teknikleri

    ABUU BAKARI KIHERO

    Doktora

    İngilizce

    İngilizce

    2024

    İletişim Bilimleriİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    PROF. DR. HÜSEYİN ARSLAN

Geri Dön