Q-learning-based Joint Design of Adaptive Modulation and Precoding for Physical Layer Security in Visible Light Communications

📄 arXiv: 2402.13549v1 📥 PDF

作者: Duc M. T. Hoang, Thanh V. Pham, Anh T. Pham, Chuyen T Nguyen

分类: cs.IT, eess.SY

发布日期: 2024-02-21

💡 一句话要点

基于Q学习的自适应调制与预编码联合设计提升可见光通信的物理层安全性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 物理层安全 可见光通信 自适应调制 预编码设计 Q学习 深度学习 信道优化

📋 核心要点

  1. 现有的物理层安全性方法在优化信道保密容量和比特错误率方面存在挑战，传统优化技术难以有效解决。
  2. 本文提出了一种基于Q学习的自适应调制和预编码联合设计，旨在通过优化奖励函数来提升信道的保密性能。
  3. 仿真结果显示，所提方法在保密容量和BER性能上优于基线设计，成功保持了合法用户的信号质量。

📝 摘要（中文）

随着对物理层安全性（PLS）的关注增加，本文研究了一种自适应$M$-ary脉冲幅度调制（PAM）和预编码的联合设计，旨在优化可见光信道的保密容量和比特错误率（BER）性能。该设计利用高阶调制提高保密容量，但可能导致较高的BER。通过适当的预编码设计，可以改善合法用户和窃听者的信号质量，从而增强保密性能并影响BER。本文引入了一个考虑保密容量和合法用户（Bob）与窃听者（Eve）信道BER的奖励函数，并通过Q学习和深度Q学习进行优化。仿真结果表明，与基线设计相比，所提出的联合设计在保持Bob信道BER低于Eve信道BER的前纠错阈值的同时，获得了更好的奖励值。

🔬 方法详解

问题定义：本文旨在解决可见光通信中物理层安全性的问题，现有方法在优化保密容量和比特错误率（BER）时面临非线性和复杂性挑战，传统优化技术难以有效应用。

核心思路：通过联合设计自适应$M$-ary PAM和预编码，利用Q学习和深度Q学习来最大化考虑保密容量和BER的奖励函数，从而提升信道的保密性能。

技术框架：整体架构包括信道建模、奖励函数设计、Q学习算法实现和仿真验证四个主要模块。信道建模用于描述合法用户和窃听者的信号接收情况，奖励函数则综合考虑了两者的保密容量和BER。

关键创新：该研究的创新之处在于将Q学习应用于物理层安全性设计中，通过动态调整调制和预编码策略，显著提升了信道的保密性能，与传统方法相比具有更高的灵活性和适应性。

关键设计：在设计中，奖励函数被精心构造，以平衡保密容量和BER，Q学习算法的参数设置经过调优，以确保收敛性和性能提升，网络结构采用深度Q学习框架以处理复杂的非线性关系。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的联合设计在奖励值上优于基线设计，同时保持合法用户的BER远低于窃听者的BER，具体表现为合法用户的BER低于前纠错阈值，而窃听者的BER则高于该阈值，显示出显著的安全性提升。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在智能交通、无线安全通信和物联网等领域。通过提升可见光通信的物理层安全性，可以有效保护数据传输的机密性，满足日益增长的安全需求，未来可能推动相关技术的商业化应用。

📄 摘要（原文）

There has been an increasing interest in physical layer security (PLS), which, compared with conventional cryptography, offers a unique approach to guaranteeing information confidentiality against eavesdroppers. In this paper, we study a joint design of adaptive $M$-ary pulse amplitude modulation (PAM) and precoding, which aims to optimize wiretap visible-light channels' secrecy capacity and bit error rate (BER) performances. The proposed design is motivated by higher-order modulation, which results in better secrecy capacity at the expense of a higher BER. On the other hand, a proper precoding design, which can manipulate the received signal quality at the legitimate user and the eavesdropper, can also enhance secrecy performance and influence the BER. A reward function that considers the secrecy capacity and the BERs of the legitimate user's (Bob) and the eavesdropper's (Eve) channels is introduced and maximized. Due to the non-linearity and complexity of the reward function, it is challenging to solve the optical design using classical optimization techniques. Therefore, reinforcement learning-based designs using Q-learning and Deep Q-learning are proposed to maximize the reward function. Simulation results verify that compared with the baseline designs, the proposed joint designs achieve better reward values while maintaining the BER of Bob's channel (Eve's channel) well below (above) the pre-FEC (forward error correction) BER threshold.