DOI: https://doi.org/10.1109/tifs.2026.3654380
تاريخ النشر: 2026-01-01
المؤلف: Xi Cheng وآخرون
الموضوع الرئيسي: تصنيف تعديل الإشارة اللاسلكية
نظرة عامة
تقدم ورقة البحث إطار عمل المصادقة على الطبقة الفيزيائية التكيفية مع استقراء القناة والذكاء الاصطناعي التوليدي (APEG)، والذي يعالج تحديات مصادقة الهوية في البيئات الديناميكية المتوقعة مع ظهور تقنية 6G. غالبًا ما تفشل طرق المصادقة على الطبقة الفيزيائية التقليدية (PLA) في التكيف مع الظروف الراديوية المتقلبة، مما يستدعي الحاجة إلى حل أكثر قوة. يستخدم APEG الذكاء الاصطناعي التوليدي لإنشاء بصمات معلومات حالة القناة (CSI) التي تعزز دقة التحقق من الهوية. تشمل الابتكارات الرئيسية نموذج الانحلال الاحتمالي المنظف المقنع الذي تم تنظيفه بواسطة المتعاون (CCMDM) لتوليد بصمات CSI باستخدام بيانات مقدمة من المتعاون، ونموذج الانحلال الاحتمالي عبر الانتباه (CADM)، الذي يحسن محاذاة الميزات عبر مقاييس متعددة.
تشير النتائج إلى أن APEG يتفوق بشكل كبير على مخططات PLA القائمة على تسلسل الزمن الحالية في أداء المصادقة، حيث يظهر CCMDM تقاربًا أسرع ويحقق CADM دقة أعلى مقارنة بالطرق التقليدية الخالية من النموذج، وسلاسل الزمن، والأساليب القائمة على المحولات التلقائية المتغيرة (VAE). يظهر الإطار المقترح وعدًا للنشر في سيناريوهات إنترنت الأشياء الصناعية الديناميكية (IIoT)، مثل المصانع الذكية، حيث يجب أن تعمل المستشعرات الثابتة بشكل فعال وسط عناصر متحركة مثل الروبوتات والآلات المؤتمتة. تسلط الدراسة الضوء على إمكانية الاستشعار التعاوني لتعزيز المصادقة القوية في البيئات سريعة التغير.
مقدمة
تناقش مقدمة ورقة البحث هذه التحديات والحلول الناشئة في مصادقة الهوية لتقنية الاتصالات من الجيل السادس (6G). حيث تهدف 6G إلى ربط عدد كبير من الأجهزة في بيئات متنوعة وديناميكية، تواجه الطرق التشفيرية التقليدية، مثل تلك المستخدمة في 5G، قيودًا كبيرة بسبب تعقيدها ومتطلبات الحوسبة، خاصة للأجهزة منخفضة الطاقة. تسلط الورقة الضوء على إمكانية مصادقة الطبقة الفيزيائية (PLA)، التي تستخدم بصمات معلومات حالة القناة (CSI) لتحقيق التعرف الموثوق على الهوية دون عبء إدارة مفاتيح التشفير. توفر التغيرات الجوهرية في بصمات CSI، المتأثرة بموقع الجهاز والعوامل البيئية، مقاومة قوية للهجمات الاحتيالية وهجمات إعادة التشغيل، مما يجعلها مناسبة للمصادقة المعتمدة على الموقع.
لمعالجة تحديات الحفاظ على مصادقة قوية في البيئات اللاسلكية سريعة التغير، يقترح المؤلفون مخطط PLA التكيفي مع استقراء القناة والذكاء الاصطناعي التوليدي (APEG). يستفيد هذا الإطار من الارتباطات المكانية بين الأجهزة لتعزيز دقة توليد بصمات CSI من خلال استقراء القناة ونماذج توليد متقدمة. تفصل الورقة استخدام نموذج الانحلال الاحتمالي المنظف المقنع الذي تم تنظيفه بواسطة المتعاون (CCMDM) ونموذج الانحلال الاحتمالي عبر الانتباه (CADM) لتحسين توليد بصمات CSI، مما يظهر أداءً متفوقًا في المحاكاة مقارنة بالطرق الحالية. بشكل عام، تهدف الطريقة المقترحة إلى تعزيز مصادقة الهوية في بيئات 6G الديناميكية من خلال دمج تقنيات استقراء القناة بفعالية مع قدرات الذكاء الاصطناعي التوليدي.
النتائج
تستخدم نتائج المحاكاة المقدمة في هذا القسم معلمات القناة الديناميكية الخارجية من سيناريو ‘O1’ من مجموعة بيانات DeepMIMO لتوليد استجابات القناة المتغيرة مع الزمن لكيانين، أليس وجاك. تم استخراج ما مجموعه 12,000 عينة من معلومات حالة القناة (CSI) بناءً على مسارات حركتهم المستمرة، والتي تم تقسيمها بعد ذلك إلى مجموعات تدريب واختبار بنسبة 9:1. تتضمن إعدادات المحاكاة تحرك أليس وجاك بسرعات ثابتة مع الحفاظ على مسافة نسبية ثابتة، مع وجود خصم، إيف، موضوعة عشوائيًا ضمن دائرة محددة حول أليس. لتقييم قوة النظام ضد هجمات الاحتيال، تم تهيئة خمسة مرشحين من إيف، وتم تعيين نسبة تردد الهجوم إلى 0.5، مما يحاكي بيئة هجوم عالية الكثافة.
يستخدم نموذج الانحلال الاحتمالي المعتمد على القناة (CADM) المقترح، الموضح في الشكل 4، إطار عمل U-Net يتكون من مشفر، وذروة، ومفكك، معزز بعدة وحدات ResNet وآليات انتباه. يهدف هذا التصميم إلى تحسين قدرات استخراج الميزات وإعادة البناء، مع أخذ قنوات الإدخال المزعجة وقناة المتعاون كمدخلات للتنبؤ وإزالة مكونات الضوضاء لاحقًا. تشمل الابتكارات الرئيسية مشفرًا ذو فرعين لنمذجة قناة المتعاون كمدخل شرطي، وآلية انتباه عبر الانتباه لمحاذاة الميزات بشكل تكيفي، ودمج هذه الآليات عبر مستويات دقة متعددة لضمان دقة عالية في إعادة بناء تفاصيل المسارات المعقدة الضرورية للمصادقة. تم تفصيل المعلمات الفائقة للنموذج، بما في ذلك خطوات انتشار الضوضاء، وحقب التدريب، ومعدل التعلم، في الجدول III.
المناقشة
في هذا القسم، يقدم المؤلفون نموذج نظام شامل وصياغة مشكلة لتحديد أجهزة إنترنت الأشياء (IoT) في البيئات الديناميكية. يتضمن النموذج أربعة أنواع من العقد: أليس (الجهاز غير المعروف)، جاك (جهاز تعاوني معروف)، بوب (المستقبل)، وإيف (المتجسس). يفترض المؤلفون أن أليس وجاك ثابتان بينما تتغير البيئة بسرعة، مما يسمح بإقامة علاقات ثابتة لمعلومات حالة القناة (CSI). يتم تعريف نموذج القناة باستخدام انتشار المسارات المتعددة، حيث يستخدم المؤلفون تقدير القناة القائم على المربعات الصغرى لاشتقاق بصمات CSI الخاصة بأليس من بصمات جاك المعروفة، مستفيدين من الارتباط المكاني بينهما.
يتكون مخطط PLA التكيفي المقترح مع استقراء القناة واستنتاج الخصوم التوليدي (APEG) من مرحلة تدريب حيث يتعلم بوب ميزات بصمات CSI الخاصة بأليس وجاك، تليها مرحلة مصادقة حيث يتنبأ بوب ببصمات أليس باستخدام نموذج استنتاج الخصوم التوليدي المدرب. يوضح المؤلفون الخطوات الخوارزمية لكلا المرحلتين، مع التأكيد على أهمية الحفاظ على مسافة منخفضة بين بصمات أليس المتوقعة والقياسات الفعلية مع ضمان بقاء المسافة إلى بصمات إيف أعلى. تم تصميم الطريقة المقترحة للعمل بفعالية في البيئات الديناميكية، مثل سيناريوهات إنترنت الأشياء الصناعية، من خلال تحديث النموذج باستمرار بناءً على البيانات في الوقت الحقيقي والتغيرات البيئية.
DOI: https://doi.org/10.1109/tifs.2026.3654380
Publication Date: 2026-01-01
Author(s): Xi Cheng et al.
Primary Topic: Wireless Signal Modulation Classification
Overview
The research paper introduces the Adaptive Physical Layer Authentication with Channel Extrapolation and Generative AI (APEG) framework, which addresses the challenges of identity authentication in the dynamic environments anticipated with the advent of 6G technology. Traditional Physical Layer Authentication (PLA) methods often fail to adapt to fluctuating radio conditions, prompting the need for a more robust solution. APEG utilizes Generative AI to create Channel State Information (CSI) fingerprints that enhance identity verification accuracy. Key innovations include the Collaborator-Cleaned Masked Denoising Diffusion Probabilistic Model (CCMDM) for generating CSI fingerprints using collaborator-provided data, and the Cross-Attention Denoising Diffusion Probabilistic Model (CADM), which improves feature alignment across multiple scales.
The findings indicate that APEG significantly outperforms existing time-sequence-based PLA schemes in authentication performance, with CCMDM demonstrating faster convergence and CADM achieving higher accuracy compared to traditional model-free, time-series, and Variational Autoencoder (VAE)-based methods. The proposed framework shows promise for deployment in dynamic Industrial Internet of Things (IIoT) scenarios, such as smart factories, where fixed sensors must effectively operate amidst mobile elements like robots and automated machinery. The study highlights the potential of collaborative sensing to enhance robust authentication in rapidly changing environments.
Introduction
The introduction of this research paper discusses the emerging challenges and solutions in identity authentication for 6th generation (6G) communication technology. As 6G aims to connect a multitude of devices in diverse and dynamic environments, traditional cryptographic methods, such as those used in 5G, face significant limitations due to their complexity and computational demands, particularly for low-power devices. The paper highlights the potential of Physical Layer Authentication (PLA), which utilizes Channel State Information (CSI) fingerprints to achieve reliable identity recognition without the overhead of cryptographic key management. The inherent variability of CSI fingerprints, influenced by device location and environmental factors, offers strong resistance to spoofing and replay attacks, making them suitable for location-aware authentication.
To address the challenges of maintaining robust authentication in rapidly changing wireless environments, the authors propose an Adaptive PLA Scheme with Channel Extrapolation and Generative AI (APEG). This framework leverages spatial correlations among devices to enhance the accuracy of CSI fingerprint generation through channel extrapolation and advanced generative models. The paper details the use of a Collaborator-Cleaned Masked Denoising Diffusion Probabilistic Model (CCMDM) and a Cross-Attention Denoising Diffusion Probabilistic Model (CADM) to improve the generation of CSI fingerprints, demonstrating superior performance in simulations compared to existing methods. Overall, the proposed approach aims to enhance identity authentication in dynamic 6G environments by effectively combining channel extrapolation techniques with generative AI capabilities.
Results
The simulation results presented in this section utilize dynamic outdoor channel parameters from the ‘O1’ scenario of the DeepMIMO dataset to generate time-varying channel responses for two entities, Alice and Jack. A total of 12,000 Channel State Information (CSI) samples were extracted based on their continuous movement trajectories, which were then divided into training and testing sets with a 9:1 ratio. The simulation setup involves Alice and Jack moving at constant velocities while maintaining a fixed relative distance, with an adversary, Eve, randomly positioned within a defined radius around Alice. To assess the system’s robustness against spoofing attacks, five candidate Eves were initialized, and the attack frequency ratio was set to 0.5, simulating a high-intensity attack environment.
The proposed Channel-Aware Denoising Model (CADM) architecture, illustrated in Figure 4, employs a U-Net framework comprising an encoder, bottleneck, and decoder, enhanced with multiple ResNet modules and attention mechanisms. This design aims to improve feature extraction and reconstruction capabilities, taking noisy input channels and the collaborator’s channel as inputs to predict and subsequently remove noise components. Key innovations include a dual-branch encoder to model the collaborator’s channel as a conditional input, a Cross-Attention mechanism to align features adaptively, and the integration of these mechanisms across multiple resolution levels to ensure high fidelity in reconstructing complex multipath details essential for authentication. The hyperparameters for the model, including diffusion timesteps, training epochs, and learning rate, are detailed in Table III.
Discussion
In this section, the authors present a comprehensive system model and problem formulation for the identification of Internet of Things (IoT) devices in dynamic environments. The model includes four types of nodes: Alice (the unknown device), Jack (a known collaborative device), Bob (the receiver), and Eve (an eavesdropper). The authors assume that Alice and Jack are stationary while the environment changes rapidly, allowing for stable channel state information (CSI) relationships to be established. The channel model is defined using multipath propagation, with the authors employing a Least Squares-based channel estimation to derive Alice’s CSI fingerprints from Jack’s known fingerprints, leveraging the spatial correlation between them.
The proposed Adaptive PLA Scheme with Channel Extrapolation and Generative Adversarial Inference (APEG) consists of a training phase where Bob learns the features of Alice’s and Jack’s CSI fingerprints, followed by an authentication phase where Bob predicts Alice’s fingerprints using a trained Generative Adversarial Inference model. The authors detail the algorithmic steps for both phases, emphasizing the importance of maintaining a low distance between Alice’s predicted fingerprints and the actual measurements while ensuring that the distance to Eve’s fingerprints remains higher. The proposed method is designed to operate effectively in dynamic environments, such as Industrial IoT scenarios, by continuously updating the model based on real-time data and environmental changes.