Adaptive physical layer security with machine learning: From detection to defense
Makine öğrenmesi ile adaptif fiziksel katman güvenliği: Tespitten savunmaya
- Tez No: 999816
- Danışmanlar: PROF. DR. ERTUĞRUL BAŞAR
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Elektronik karıştırma, Fiziksel katmanlar, Güvenlik, Haberleşme, OFDM, Jamming, Physical layers, Security, Orthogonal frequency division multiplexing
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kablosuz iletişim sistemleri, mobil ağlardan Nesnelerin İnterneti'ne (IoT) kadar uzanan geniş bir yelpazede modern altyapının vazgeçilmez bir parçası hâline gelmiştir. Ancak, kablosuz ortamın açık yapısı, bu sistemleri yanıltma (spoofing), karıştırma (jamming) ve gizli dinleme (eavesdropping) gibi çeşitli fiziksel katman saldırılarına karşı savunmasız bırakmaktadır. Geleneksel güvenlik yaklaşımları genellikle önceden paylaşılmış anahtarlar olduğu, güvenilir altyapıların olduğu veya saldırgan modelinin bilindiği gibi varsayımlara dayanır. Bu tür varsayımlar, dinamik ve saldırganlara açık ortamlarda çoğunlukla geçerli değildir. Bu tez, makine öğrenmesi yöntemlerini fiziksel katman güvenliğine entegre ederek, tehditlere karşı dayanıklı, akıllı ve adaptif önlemler geliştirmeyi amaçlamaktadır. Tezin ilk katkısı, saldırgan hakkında herhangi bir ön bilgiye ihtiyaç duymadan çalışabilen bir makine öğrenmesi tabanlı fiziksel katman kimlik doğrulama sistemidir. Bu amaçla, yalnızca resmi vericiye ait verilerle eğitilmiş çok modelli bir yapı önerilmiş; bu sayede eğitim aşamasında yanıltıcı verisi kullanılmamasına rağmen yanıltıcıların tespit edilebilmesi sağlanmıştır. İkinci katkı, reaktif karıştırıcılara (reactive jammer) karşı dayanıklı bir iletim stratejisi geliştirilmesidir. Bu kapsamda, taşıyıcı indis modülasyonlu dik frekans bölmeli çoklama (OFDM-IM) sistemine Q-learning destekli bir öğrenme algoritması entegre edilmiştir. Böylece sistem, karıştırıcının dinamik tepkilerine karşı alt taşıyıcı yapısını, modülasyon seviyesini ve dalga formlarını uyarlayarak eylemlerini optimize edebilmekte, karıştırma saldırısı altında iletişim sağlayabilmektedir. Tezin üçüncü katkısı, gizli dinleyicilere karşı önceden paylaşılmış bir anahtara ihtiyaç duymadan güvenli veri iletimi yapılabilen bağlamsal çok kollu haydut (contextual multi-armed bandit) modelidir. Verici, kanal kestirimi yaparak modülasyon seviyesi, alt taşıyıcı konfigürasyonu ve anahtar üretiminde kullanılmak üzere kuantizasyon seviyesi gibi parametrelerini dinamik bir şekilde seçerek güvenli veri iletimini optimize etmektedir. Son olarak, klasik NoiseMod dalga formunun veri hızı ve dayanıklılığını artırmak amacıyla iki yeni modülasyon tasarımı sunulmuştur: Q-NoiseMod ve MV-NoiseMod. Klasik NoiseMod, yoğun karıştırma saldırısı altında iletişim sağlayabilen ve bizim karıştırma karşıtı modelimizde kullandığımız bir model yapısıdır. Önerilen iki yeni NoiseMod modeli ile, klasik NoiseMod'a göre performans artışı sağlanabilmektedir. Bu tezde sunulan çalışmalar, saldırgana bağımlı olmayan, verimli ve gerçek dünyaya uygun bir fiziksel katman güvenliği yaklaşımı sunmakta ve dayanıklı, otonom iletişim sistemlerine yönelik önemli katkılar sağlamaktadır.
Özet (Çeviri)
The increasing use of wireless communication systems has made them a very important part of modern technologies, including mobile networks, smart devices, and the internet of things (IoT). However, multiple-access property of the wireless channel makes these systems inherently vulnerable to a variety of physical-layer attacks such as spoofing, jamming, and eavesdropping. Traditional security methods usually need trusted infrastructure, shared keys, or assumptions about the attacker. These requirements are often difficult to meet in dynamic and hostile environments. To overcome these limitations, this thesis investigates the integration of machine learning and adaptive techniques into physical-layer security (PLS) to develop robust, intelligent, and real-time countermeasures against practical wireless threats. The first contribution of this thesis is a machine learning-based physical layer authentication scheme that operates without any prior knowledge of the attacker. By leveraging an ensemble of binary classifiers trained solely on legitimate transmissions, the system can detect spoofers based on signal characteristics and reject uncertain classifications. The second contribution addresses reactive jamming attacks using a reinforcement learning-assisted transmission strategy. Specifically, an orthogonal frequency division multiplexing with index modulation (OFDM-IM) system is enhanced with Q-learning to adaptively choose subcarrier configurations and noise-based signaling techniques, maintaining reliable communication even when a cognitive jammer is present and dynamically reacting to legitimate signals. The third contribution focuses on a contextual multi-armed bandit framework for secure parameter selection in the presence of passive eavesdroppers. The transmitter adaptively selects modulation schemes, subcarrier configurations, and quantization levels based on channel feedback, optimizing secure throughput without requiring a pre-shared key or eavesdropper knowledge. Finally, the thesis introduces two novel NoiseMod schemes to improve the performance and flexibility of classical binary NoiseMod scheme. Binary NoiseMod is a noise-based waveform which is resilient to jamming attacks and a key feature in our anti-jamming communication model. Two new designs (quadrature NoiseMod (Q-NoiseMod) and mean-variance NoiseMod (MV-NoiseMod)) are proposed to increase the bit rate and robustness of classical binary NoiseMod. Collectively, these contributions offer a unified learning-based approach to physical-layer security that is attacker-independent, data-efficient, and applicable to real-world wireless scenarios. The techniques presented in this thesis provide both theoretical and practical advancements toward the development of resilient and autonomous communication systems.
Benzer Tezler
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Advanced cross-layer secure communication designs for future wireless systems
Geleceğin kablosuz sistemlerinde katmanlar arası ileri güvenli haberleşme tasarımları
JEHAD MAHMOUD AMIN HAMAMREH
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN ARSLAN
- Algorithms for interference immunity and efficient radio resource utilization in wireless communications systems
Kablosuz iletişim sistemlerinde girişim direnci ve verimli radyo kaynağı kullanımı için algoritmalar
ARMED TUSHA
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN ARSLAN
- Visible light communication techniques for future generation underwater networks
Başlık çevirisi yok
MOHAMMED ELAMASSIE
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiÖzyeğin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Prof. Dr. MURAT UYSAL
- Quality of service aware communication framework for wireless sensor network based smart grid applications
Kablosuz sensör ağ bazlı akıllı şebeke uygulamaları için hizmet kalitesi duyarlı sistem
MELİKE YİĞİT KAPDAN
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. PINAR SARISARAY BÖLÜK
DOÇ. DR. VEHBİ ÇAĞRI GÜNGÖR