概括
本研究提出了一个深度学习框架,用于安全的WDM-RoF接线,消除加密密钥. 它通过独特的神经网络配对和通道特征来确保物理层安全 (PLS).
科学领域:
- 电信工程 电信工程 电信工程
- 网络安全 网络安全
- 深度学习应用程序
背景情况:
- 未来的网络需要高吞吐量和安全的前线运输解决方案.
- 对于WDM-RoF系统的现有安全方法通常依赖于复杂的加密密钥.
- 物理层安全 (PLS) 为强大的网络保护提供了一个有希望的替代方案.
研究的目的:
- 在WDM-RoF系统中为PLS引入一个端到端 (E2E) 深度学习 (DL) 框架.
- 在没有明确的加密密钥的情况下实现安全,减少系统复杂性.
- 为了证明基于DL的PLS在WDM-RoF链接中的有效性.
主要方法:
- 开发了一个DL框架,使用联合训练的发射器 (TransNN) 和接收器 (ReceivNN) 神经网络对.
- 实现了TransNN和ReceivNN对之间的动态互锁.
- 确保每个TransNN-ReceivNN对对特定波长通道物理特征的独家结合.
主要成果:
- 在20公里的4波长WDM-RoF系统上进行的模拟显示,授权连接保持比特错误率 (BER) 低于7%的前向错误校正 (FEC) 值.
- 不匹配的模型配对导致BER约为0.3.
- 错误的模型通道分配导致BERs接近0.5,证实了安全性.
结论:
- 提出的E2E DL方法将安全性直接嵌入到WDM-RoF系统的物理层中.
- 这种方法消除了对密钥管理,同步和辅助加密硬件的需求.
- 它为未来的高吞吐量和安全的前线运输网络提供了一种轻量级但强大的PLS解决方案.