Loading...

Improving Physical Layer Security for Cellular Users in Threat of Eavesdroppers

Rahimi, Mahdi | 2020

396 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 53267 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Aref, Mohammad Reza
  7. Abstract:
  8. Security for wireless communication networks has become a crucial issue because of the broadcast nature of wireless channels. On every cellular network Since it is possible for passive nodes to easily overhear the confidential information transmitted between transmitter and receiver, it is necessary to provide secure communication.When a cellular user wants to communicate with a node or base station on the cellular network, it expects that information will be transmitted and received without interference, with enough quality and without eavesdropping. On the other hand In practical scenarios, we know that cellular network nodes are not equipped with ideal equipment and some percent of transmitted power can’t be used to detect information by the receiver and is wasted or sometimes it’s considered as disturbance signal in detection. Another issue is unwanted interference on the cellular network which can interrupt communication between the receivers and transmitters. The main goal is to establish a secure and reliable communication with consideration of cellular network challenges. In this thesis we will consider D2D pairs as protection of communication on cellular network, first D2D pairs will be introduced and their advantages and disadvantages will be clarified, then secure and perfect communication can be achieved with aid of stochastic geometry and consideration of D2D’s advantages and non-ideality of receivers. We expand this result in multi users which can move around the communication network randomly and finally we introduce machine learning and artificial neural networks. Then we apply them to achieve physical layer secrecy for cellular user by selection of the best groups of jammers on the cellular network
  9. Keywords:
  10. Stochastic Geometry ; Artificial Neural Network ; Machine Learning ; Physical Layer Security ; Device to Device Communications ; Cellular Network ; Improving Security

 Digital Object List

 Bookmark

  • مقدمه
  • مروری بر مفاهیم پیش‌نیاز
    • مقدمه
    • هندسه تصادفی و کاربرد آن در شبکه‌های مخابراتی
      • هندسه تصادفی
      • فرآیند نقطه‌ای
      • فرآیند‌های نقطه‌ای ایستان
      • فرآیند نقطه‌ای ایستان پوآسون
      • ویژگی‌های مهم فرآیند نقطه‌ای ایستان پوآسون
      • کاربرد هندسه تصادفی در شبکه‌های مخابراتی
    • مروری بر مسئله طبقه‌بندی در یادگیری ماشین و شبکه‌های عصبی مصنوعی
      • طبقه بندی با روش های یادگیری ماشین
      • شبکه‌های عصبی مصنوعی
    • مدل توان ارسالی و دریافتی در شبکه مخابراتی
    • نرخ گذردهی امن
      • احتمال موفقیت آمیز بودن و خاموشی یک ارتباط
    • نتیجه‌گیری
  • بهبود امنیت برای یک کاربر سلولی با موقعیت ثابت
    • مقدمه
    • ارسال امن پیام برای گیرنده‌ی غیرایده‌آل در حضور ارتباط ابزار به ابزار
      • ارتباط‌های ابزار به ابزار
      • عوامل مهم غیر ‌ایده‌آل بودن گیرنده‌ها
      • مدل‌مسئله
    • محاسبه نرخ‌گذردهی‌امن
      • محاسبه تحلیلی احتمال برقراری ارتباط کامل
      • محاسبه تحلیلی احتمال خاموشی امنیت
    • نتایج شبیه‌سازی
    • تخمین تابع چگالی احتمال*
      • روش نرم‌کننده‌ی هسته
      • تغییرات * با تغییرات جزئی در فاصله‌ی dAB
    • نتیجه‌گیری
  • تامین‌ امنیت برای چندین کاربر سلولی با موقعیت متغیر در یک شبکه مخابراتی وسیع
    • مقدمه
    • مدل‌مسئله
      • طرح مسئله
      • روش دسترسی تصادفی
    • محاسبه نرخ گذردهی امن
    • ایجاد امنیت برای‌چندین کاربر سلولی متحرک
    • بررسی نکات تکمیلی نرخ گذردهی امن
      • تاثیر افزایش E بر بیشینه نرخ گذردهی امن
      • تاثیر افزایش E بر بیشینه نرخ گذردهی امن
      • تاثیر افزایش B بر بیشینه نرخ گذردهی امن
      • مقایسه روش دسترسی تصادفی با روش انتخاب دسترسی برمبنای فاصله
    • نتیجه‌گیری
  • استفاده از یادگیری ماشین در شبکه‌های مخابراتی به جهت بهبود امنیت لایه‌ی فیزیکی
    • مقدمه
    • دسته‌بندی مسائل یادگیری ماشین و نحوه‌ی آزمودن مدل یادگیری
    • مدل مسئله
    • طبقه‌بندی مسئله با یادگیری ماشین
      • روش رگرسیون لاجستیک
      • یادگیری با روش ماشین بردار پشتیبان
      • آموزش با شبکه‌های عصبی مصنوعی
      • معرفی شبکه‌های عصبی
      • بهبود امنیت لایه‌ی فیزیکی شبکه‌ی مخابراتی با استفاده‌ از شبکه‌های عصبی مصنوعی
    • تعمیم استفاده از یادگیری ماشین به شبکه‌های وسیع
    • خلاصه
  • نتیجه‌گیری و پیشنهاد‌ها
    • نتیجه‌گیری
    • پیشنهاد‌ها
  • Bibliography
...see more