Ανάπτυξη προηγμένων τεχνικών Ασφάλειας Φυσικού Στρώματος (Physical Layer Security) με Μηχανική και Βαθιά Μάθηση (Machine/Deep Learning – ML/DL) σε ad-hoc Δίκτυα Επόμενης Γενιάς (Beyond 5G)

Abstract

Η παρούσα διπλωματική εργασία ασχολείται με τη μελέτη και ανάπτυξη τεχνικών ασφάλειας φυσικού στρώματος (Physical Layer Security - PLS) σε δίκτυα Beyond 5G, αξιοποιώντας μεθόδους μηχανικής και βαθιάς μάθησης. Ο πρωταρχικός στόχος της εργασίας είναι η ανάλυση των προκλήσεων που αντιμετωπίζουν τα ασύρματα δίκτυα επόμενης γενιάς όσον αφορά την ασφάλεια, ιδιαίτερα σε περιβάλλοντα ad-hoc, και η προσομοίωση προηγμένων τεχνικών PLS με τη χρήση αλγορίθμων μηχανικής και βαθιάς μάθησης. Το θεωρητικό υπόβαθρο περιλαμβάνει την εξέλιξη των κινητών επικοινωνιών, την ανάλυση των ασύρματων καναλιών και των τεχνικών διαμόρφωσης και πολλαπλής πρόσβασης που χρησιμοποιούνται, καθώς επίσης και τις τεχνολογίες πολλαπλών κεραιών. Στη συνέχεια, γίνεται μια εκτενής αναφορά στις αρχές λειτουργίας των κυψελωτών συστημάτων εν γένει, αλλά και στις υφιστάμενες τεχνικές ασφάλειας φυσικού στρώματος που εφαρμόζονται πιλοτικά ή κανονικά στις ασύρματες ζεύξεις. Η κεντρική ιδέα της μελέτης είναι η χρήση τεχνητής νοημοσύνης, και συγκεκριμένα μηχανικής και βαθιάς μάθησης, για την ενίσχυση της ασφάλειας στα ασύρματα δίκτυα. Αντί να χρησιμοποιούνται παραδοσιακές τεχνικές κρυπτογράφησης, οι οποίες αφορούν κυρίως το επίπεδο του λογισμικού, η παρούσα εργασία επικεντρώνεται στην ενσωμάτωση των τεχνικών ασφάλειας στο φυσικό επίπεδο της επικοινωνίας. Υπό αυτό το πρίσμα, το πειραματικό σκέλος αφορά την προσομοίωση ενός σεναρίου B5G δικτύου, στο οποίο δοκιμάζονται διάφοροι αλγόριθμοι μηχανικής και βαθιάς μάθησης. Αναπτύσσονται μοντέλα, όπως Random Forests (RF), Support Vector Machines (SVM), Deep Convolutional Neural Networks (DCNN) και Long Short-Term Memory (LSTM), με στόχο την πρόβλεψη πιθανών ωτακουστών. Τα αποτελέσματα της μελέτης καταδεικνύουν ότι οι αλγόριθμοι μηχανικής και βαθιάς μάθησης μπορούν να προσφέρουν σημαντικά πλεονεκτήματα σε σχέση με τις παραδοσιακές μεθόδους. Η συγκριτική ανάλυση των αλγορίθμων αποδεικνύει ότι τα μοντέλα βαθιάς μάθησης επιτυγχάνουν μεγαλύτερη ακρίβεια και ταχύτητα απόκρισης, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση των σύγχρονων προκλήσεων ασφάλειας. Εν κατακλείδι, η διπλωματική εργασία αναδεικνύει και συνεισφέρει στη σημασία της ενσωμάτωσης τεχνολογιών τεχνητής νοημοσύνης στα δίκτυα επόμενης γενιάς, για τη διασφάλιση της ασφάλειας του φυσικού στρώματος και την αντιμετώπιση των απειλών σε ad-hoc δίκτυα.