Low-Complexity Neural Networks for Denoising Imperfect CSI in Physical Layer Security
Réseaux neuronaux à faible complexité pour le débruitage des données imparfaites dans la sécurité de la couche physique
Résumé
Channel adaptation physical layer security (PLS) schemes are degraded when the channel state information (CSI) is imperfect. Imperfect CSI is due to factors such as noisy feedback, outdated CSI, etc. In this paper, we propose a lowcomplexity noisy CSI denoising scheme based on the autoencoder architecture of deep neural networks referred to as DenoiseSec-Net. To further reduce complexity, we then propose a hybrid version (HybDenoiseSecNet) that combines a legacy denoising scheme and a shallow neural network to achieve a similar performance as DenoiseSecNet. Simulation results, in terms of bit error rate (BER), secrecy capacity, and normalized mean squared error (NMSE), show the performance improvement of our proposed scheme compared to conventional denoising schemes. Finally, we study the significant reduction in computational complexity of the proposed scheme compared to another neural network scheme.
Les schémas de sécurité de la couche physique (PLS) d'adaptation au canal sont dégradés lorsque les informations sur l'état du canal (CSI) sont imparfaites. Les CSI imparfaites sont dues à des facteurs tels qu'une rétroaction bruyante, des CSI obsolètes, etc. Dans cet article, nous proposons un schéma de débruitage des CSI bruyantes peu complexe basé sur l'architecture autoencodeur des réseaux neuronaux profonds, appelé DenoiseSecNet. Pour réduire encore la complexité, nous proposons ensuite une version hybride (HybDenoiseSecNet) qui combine un schéma de débruitage hérité et un réseau neuronal peu profond pour obtenir des performances similaires à celles de DenoiseSecNet. Les résultats de la simulation, en termes de taux d'erreur binaire ( BER), de capacité de secret et d'erreur quadratique moyenne normalisée (NMSE), montrent l'amélioration des performances du schéma proposé par rapport aux schémas de débruitage conventionnels. Enfin, nous étudions la réduction significative de la complexité de calcul du schéma proposé par rapport à un autre schéma de réseau neuronal.
Mots clés
- deep learning
- matched filter (MF) precoding
- neural networks
- orthogonal frequency division multiplexing (OFDM)
- physical layer security (PLS)
- Autoencoder
- Autoencoder deep learning matched filter (MF) precoding neural networks orthogonal frequency division multiplexing (OFDM) and physical layer security (PLS)
Domaines
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |