طراحی آنتن جهت ارتقاء سطح امنیت در مخابرات بی‌سیم

1- چکیده
روش ارائه خدمات به کاربران، یکی از مفاهیم جدید در 5G می‌باشد. در پروتکل‌های جدید 5G، از طریق پرتوهایی که به صورت هدفمند و ویژه برای هر کاربر وجود دارد، کاربران شناسایی و پیگیری می‌شوند. یکی از چالش‌های قابل توجه در سرویس‌دهی به ترمینال‌های تلفن همراه و وسایل پرنده بدون سرنشین (UAVs-Unmanned   Aerial Vehicle)، مربوط به ارتباطات موج‌ میلی‌متری (mmWave) به دلیل جهت‌گیری است. استفاده از شکل‌دهی پرتوی آنالوگ می‌تواند این چالش را در سیستم‌های mmWave کاهش دهد و منجر به افزایش امنیت لایه فیزیکی گردد. با توجه به شناسایی الگوها در مقادیر مرجع قدرت سیگنال دریافتی  (RSRP- Reference Signal Received Power)، دسته‌بندی‌ها انجام می‌شود. بنابراین، کاربرانی که مسیر یکسانی را دنبال می‌کنند، زاویه ورود یکسانی (AoA- Angle of Arrival) دارند.  فرض می‌شود که برای انتقال سیگنال از آنتن آرایه فازی به کاربران از سطوح منعکس کننده هوشمند(IRS- Intelligent Reflecting Surfaces) استفاده می‌گردد. کاربران بر اساس مقادیر RSRP  با روش  shapelets  گروه‌بندی می‌شوند. روش مذکور برای گروه‌بندی سری زمانی، نسبت به الگوریتم‌های دیگر، دقت بیشتری دارد. به این منظور، الگوریتم‌های ما برای یافتن ضریب بیم‌فرمینگ فقط برای یک کاربر در هر گروه انجام می‌شوند و پیچیدگی 
الگوریتم‌ها کاهش می‌یابد. الگوریتم‌های پیشنهادی شامل ردیابی پرتو براساس فرکانس فضایی (FBBT- Spatial Frequency Based Beam Tracking)  و الگوریتم ردیابی پرتو بر اساس زاویه‌ (ABBT- Angular Domain Beam Tracking)  می‌باشند. نتایج شبیه‌سازی نشان می‌دهد که ردیابی تابع سینوسی زاویه ورود، عملکرد بهتری نسبت به ردیابی خود زاویه ورود دارد. علاوه بر این، تعداد بهینه گروه‌ها با استفاده از روش Elbow به دست می‌آید.

2- هدف مساله، فرضیات و سوالات تحقیق
توان دریافتی کاربران در لحظات مختلف می‌تواند به عنوان یک سری زمانی در نظر گرفته شود. رویکردهای مختلفی جهت استخراج ویژگی و کاهش بعد مورد بحث قرار گرفته است. به عنوان مثال، ویژگی‌های عمومی مانند انحراف از میانگین از سری‌های زمانی مستقل استخراج می‌شود و سپس بر اساس این ویژگی‌های عمومی خوشه‌بندی انجام می‌شود[1].
تبدیل‌های پیشنهادی دیگری شامل تبدیل فوریه گسسته (DFT- Discrete Fourier Transform)، تجزیه مقدار ویژه (SVD- Singular Value Decomposition) [2]  و تقریب قطعه‌ای ثابت تطبیقی (APCA- Adaptive Piecewise Constant Approximation) نیز در مراجع مورد بحث قرار گرفته است. این تبدیل‌ها می‌توانند ویژگی‌های عمومی سری‌های زمانی را فراهم کنند. با این حال،  این تبدیل‌ها ممکن است سری‌های زمانی را زمانی که شباهت شکل محلی ضروری است، به طور کامل از یکدیگر تمایز ندهند مانند دنباله‌های اندازه‌گیری قدرت سیگنال[3].
برای حل این محدودیت، استفاده از موجک به عنوان یک تکنیک کاهش بعد پیشنهاد می‌شود. تجزیه موجک، استخراج ویژگی‌های شکل در دامنه زمان را فراهم می‌کند[4]. این تکنیک نمایش‌های مختلفی از یک سری زمانی را فراهم می‌کند. هریک با سطح دقت مختلف می باشند که می‌تواند مکان وقوع مؤلفه‌ها را مشخص کند که به طور کامل توسط تبدیل‌هایی مانند DFT حل نمی‌شود. در کل، این تکنیک‌ها رویکردهای ارزشمندی برای کاهش پیچیدگی خوشه‌بندی زمانی با استخراج ویژگی‌های خاص و حل چالش‌های مرتبط با تمایز سری‌های زمانی بر اساس شباهت شکل محلی ارائه می‌دهند[5].
 این طرح مسیرهای کاربران در محیط‌های سرپوشیده را بررسی می‌کند و  از آنتن آرایه فازی نصب شده در سقف جهت ردیابی پرتو استفاده می‌کند. همچنین توصیف می‌شود که چگونه خوشه‌بندی کاربران با استفاده از الگوریتم‌های خوشه‌بندی موجک چندرزولوشنی و شیپلت انجام می‌شود و سپس از الگوریتم‌های خاص برای تخمین جهت پرتو استفاده می‌شود و بر اساس آن، ضرایب شکل‌دهی پرتو در آنتن آرایه فازی صورت می‌پذیرد که منجر به افزایش امنیت لایه فیزیکی می‌گردد. همچنین پیشنهاد شده است که از روش‌های خوشه‌بندی برای کاهش پیچیدگی ردیابی پرتو در محیط‌های داخلی با تعداد زیادی کاربر استفاده شود.

3- مدل سیستم
جهت ارتقاء سطح امنیت لایه فیزیکی در یک محیط سرپوشیده می‌توان از آنتن‌های آرایه فازی استفاده کرد که ساختار آن در شکل زیر نشان داده شده است.

 

 آنتن آرایه فازی نوعی آنتن می‌باشد که از تعداد زیادی المان آنتنی تشکیل شده است که هر یک از آن‌ها دارای فازی متفاوت است. این المان‌های آنتنی به گونه‌ای کنترل می‌شوند که امواج رادیویی را در جهت خاصی به هدف ارسال کنند یا از هدف دریافت کنند. این امر به آنتن اجازه می‌دهد تا بتواند الگوهای تابش مختلفی را ایجاد کند و از این طریق امکان ارسال و دریافت اطلاعات در جهت‌ها و زوایای مختلف را فراهم کند. در محیط فضای بسته، ممکن است تعداد زیادی کاربر وجود داشته باشند و به شکل راهرو، اتاق جلسه یا پارکینگ ماشین باشد. به عنوان مثال، مسیر حرکت هر کاربر می تواند به شکل زیر در راهروی دانشگاه باشد.
 

 
همچنین برای کاربر بسته به اینکه handset در دست یا در جیبش باشد و یا اینکه در حال مکالمه باشد، 3 حالت (use case) به شکل hand، pocket یا head رخ می‌دهد. یک سیستم پیکوسل در نظر گرفته می‌شود تا خدماتی را در یک دفتر ارائه دهد که حرکت کاربران در داخل ساختمان قبلاً تعیین شده است. به عبارت دیگر، اندازه‌گیری‌های RSRP برای کاربرانی که مسیرهای مشابه را دنبال می‌کنند، سطح بالایی از همبستگی را نشان خواهد داد. تأثیر تمام موانع در این محیط داخلی در نظر گرفته می‌شود.  محو شدگی مقیاس کوچک برای شرایط کانال Line-of-Sight (LOS) و Non-Line-of-Sight (NLOS) به ترتیب مدل‌های محو شدگی Rice و Nakagami-m را دنبال می‌کند.

4- دسته بندی سری های زمانی
این فرآیند شامل خوشه‌بندی تکراری است که با یک تقریب با وضوح کم شروع می‌شود و با هر تکرار خوشه‌ها را بهبود می‌بخشد. این رویکرد در تجزیه موجک چند وضوحی برای تولید سطوح مختلف وضوح برای سری‌های زمانی استفاده می‌شود.  در ابتدا، تجزیه موجک‌ها برای کلیه سری‌های زمانی محاسبه می‌شود. تقریب با کمترین وضوح از اولین تکرار به عنوان ورودی برای الگوریتم تولید شیپلت (Shapelet) بدون نظارت استفاده می‌شود که جزئیات آن در بخش‌های بعدی توضیح داده خواهد شد. شیپلت‌های حاصل برای دسته‌بندی تقریب با کمترین وضوح با استفاده از الگوریتم K-means استفاده می‌شوند. باید توجه داشت که موقعیت مرکزهای خوشه‌ها در اولین تکرار به صورت تصادفی انتخاب می‌شود.
یک شیپلت، به طوری که در [6] تعریف شده است، یک زیردنباله از یک سری زمانی است که از l مقدار متوالی تشکیل شده است. این زیرمجموعه برای ضبط یک ویژگی شکل مشترک در یک کلاس از سری‌های زمانی انتخاب می‌شود. فرآیند یافتن شیپلت‌ها معمولاً شامل یک جستجوی جامع است که هر زیردنباله از سری زمانی به عنوان یک شیپلت بالقوه مورد نظر قرار می‌گیرد  .[7]با این حال، این رویکرد ممکن است پیچیدگی قابل توجهی را به همراه داشته باشد که منجر به توسعه الگوریتم‌های کارآمدتر، همانطور که در [6] پیشنهاد شده است، می‌شود. شیپلت‌ها می‌توانند به صورت تکراری تولید شوند. در تکرار اول، الگوریتم یک زیردنباله کاندید قادر به differentiating همه‌ی سری‌های زمانی به دو بخش را تشخیص می‌دهد. بخش اول شامل سری‌های زمانی با الگوی مشابه با زیردنباله کاندید شناسایی شده است، در حالی که بخش دیگر شامل سری‌های زمانی است که این الگو را نشان نمی‌دهند. این فرآیند سپس بر روی بخش دوم تکرار می‌شود تا زمانی که تعداد سری‌های زمانی بدون این الگو به صفر برسد. پس از تولید شیپلت‌ها، از آن‌ها برای خوشه‌بندی تمامی سری‌های زمانی استفاده می‌شوند. این فرآیند شامل تعریف یک فضای ویژگی جدید به نام "تبدیل شیپلت" است که در [6] شرح داده شده است. تبدیل شیپلت، هر سری زمانی را به یک بردار n-بعدی نگاشت می‌دهد که به عنوان بردار ویژگی شناخته می‌شود که n تعداد شیپلت‌های تولید شده را نشان می‌دهد. 

5- الگوریتم های بازگشتی ردیابی پرتو به منظور افزایش امنیت لایه فیزیکی
تداخل بین مسیرهای مختلف به دلیل استفاده از آرایه آنتن مقیاس بزرگ و طبیعت پراکنده کانال mmWave حداقل است[6]. دو الگوریتم بازگشتی براساس معیار حداقل میانگین مربعات خطا (MMSE) استفاده می‌شود.
الگوریتم اول بر اساس فرکانس فضایی زاویه ورود AoA می باشد و الگوریتم دوم بر اساس خود زاویه ورود AoA در نظر گرفته می شود که بر اساس آن‌ها، می‌توان تخمین جهت پرتو را انجام داد و ضرایب شکل‌دهی پرتو را در آنتن آرایه فازی به دست آورد.

6-  نتیجه‌گیری و پیشنهادات
در این بخش، ارزیابی عملکرد طرح پیشنهادی را ارائه می‌دهیم. رویکرد ما شامل ترکیب موجک چند رزولوشنی و خوشه‌بندی shapelet با الگوریتم‌های ردیابی پرتو است. هر کاربر قادر است در یک منطقه دایره‌ای اطراف یک نقطه تعریف شده حرکت کند. محیط دفتر شامل ۳۰ کاربر است و یک آنتن آرایه فازی در سقف با ارتفاع ۲ متر نصب شده است. شکل زیر نتایج الگوریتم خوشه‌بندی shapelet برای سه حالت مختلف را نشان می‌دهد. هر خط نشان‌دهنده اندازه‌گیری‌های RSRP دریافتی برای یک کاربر است. واضح است کاربرانی که مسیر مشابهی دنبال می‌کنند الگوهای اندازه‌گیری RSRP مشابهی دارند. با ارزیابی مجموع مربعات خطا، می‌توانیم تعداد بهینه خوشه‌ها را برای دسته‌بندی تمام کاربران دفتر تعیین کنیم.
 

 
شکل زیر نشان می‌دهد که اعوجاج متوسط برای سرعت تصادفی بیشتر از سرعت ثابت با استفاده از روش خوشه‌بندی پیشنهادی ما است. به علاوه، این شکل نشان می‌دهد که افزایش تعداد عناصر بازتاب‌کننده (N) منجر به کاهش اعوجاج میانگین می‌شود که نشان‌دهنده مزیت استفاده از سطوح IRS در محیط است. روشن است که با افزایش تعداد عناصر بازتاب‌کننده از ۲ به ۱۰، سرعت ثابت با N =10   اعوجاج میانگین بالاتری نسبت به سرعت تصادفی با N =2  دارد.
 

 
در شکل زیر  عملکرد و نتایج الگوریتم‌های مختلف و تأثیر آن‌ها بر نرخ داده قابل دستیابی، در سناریو‌های مختلف آورده شده اند. تحلیل الگوریتم‌های FBBT و ABBT در سناریوهای "دست"  و همچنین سناریوهای LOS و NLOS، نشان می‌دهد که در بازه‌های زمانی مختلف نقاط بیشینه نسبی وجود دارد و نرخ‌های داده قابل دستیابی در هر سناریو استقلال دارند. علاوه بر این، مشاهده می‌شود که نرخ داده‌های قابل دستیابی NLOS برای همان M و همان سناریوی استفاده، بالاتر از LOS می‌باشد که مشاهده جالبی است. مقایسه نرخ داده‌ها بین الگوریتم‌های ABBT و SBBT نشان می‌دهد که ردیابی تابع سینوسی AoA  نتیجه بهتری از ردیابی AoA می‌دهد. علاوه بر این، ارتباط بین سایز منظومه M و نرخ داده‌های قابل دستیابی افزایش می‌یابد که یک یافته مهم است.
 

می‌توانیم دقت روش خود را در تعیین تعداد خوشه‌ها بدون دانستن اطلاعات اولیه ارزیابی کنیم. نتایج هر روش در جدول زیر شرح داده شده است. انتظار می‌رود دقت، زمانی بیشتر باشد که کاربران با سرعت ثابت حرکت کنند و زمانی که با سرعت‌های متفاوت حرکت کنند، مقدار آن کمتر باشد. به طور میانگین، در میان تمام کاربران در محیط، انتظار می‌رود دقت هر دو روش به تقریبا 92 درصد مقدار واقعی برسد.
 
این تحقیق بررسی ارتباطات موج میلی‌متری در یک محیط داخلی چند کاربره با استفاده از سطوح IRS را مورد بررسی قرار می‌دهد و به سه سناریوی کاربر مانند جیبی، سری و دستی می‌پردازد. برای ساده‌سازی تخمین زاویه ورود پرتو، این مطالعه از خوشه‌بندی shapelets استفاده می‌کند تا کاربران را به خوشه‌ها تقسیم کرده و تعداد بهینه خوشه‌ها را تعیین کند. با اعمال الگوریتم‌های ردیابی پرتو به یک کاربر تنها در هر خوشه، پیچیدگی تخمین جهت پرتو کاهش می‌یابد. این تحقیق معیارهای عملکرد مانند سرعت زاویه‌ای ردیابی پرتو، خطا در ردیابی پرتو و نرخ داده قابل دستیابی را در سناریوهای مختلف کاربر مقایسه می‌کند. این یافته‌ها اهمیت زیادی برای فناوری‌های ارتباطات موج میلی‌متری آینده دارد و اطلاعات ارزشمندی را در مورد ردیابی اثربخش پرتو و استراتژی‌های ارتباطی مخصوص کاربر در محیط‌های داخلی چند کاربره ارائه می‌دهد. همچنین این تحقیق می‌تواند برای محیط‌های Indoor مختلف دیگر و ساختارهایی مانند NOMA و VLC نیز بررسی گردد.

7- منابع گزارش

[1] X. Wang, K. Smith, and R. Hyndman, ”Characteristic-based clustering for time series data,” Data Mining Knowl. Discovery, vol. 13, no. 3, pp. 335-364, 2006.
[2] J. Lin, R. Khade, and Y. Li, ”Rotation-invariant similarity in time series using bag-of-patterns representation,” J. Intell. Inf. Syst., vol. 39, no. 2, pp. 287-315, 2012.
[3] g. Algorithms, 1993, pp. 69-84. [46] F. Korn, H. V. Jagadish, and C. Faloutsos, ”Efficiently supporting ad hoc queries in large datasets of time sequences,” ACM Special Interest Group Manage. Data Rec., vol. 26, no. 2, pp. 289-300, 1997.
[4] K.-P. Chan and A. W.-C. Fu, ”“Efficient time series matching by wavelets,” Proc. 15th Int. Conf. Data Eng., 1999, pp. 126-133. 
[5] Yoo, S. K., Cotton, S. L., Heath, R. W., and Chun, Y. J, ”Measurements of the 60 GHz UE to eNB Channel for Small Cell Deployments,” IEEE Wireless Communications Letters, vol. 6, no. 2, pp. 178-181, Apr. 2017.
[6] T. S. Rappaport, G. R. MacCartney, M. K. Samimi, and S. Sun, ”Wideband millimeter-wave propagation measurements and channel models for future wireless communication system design,”IEEE transactions on Communications, vol. 63, no. 9, Sep. 2015.
[7] J. Li, Y. Sun, L. Xiao, S. Zhou, and C. E Koksal, ”Fast Analog Beam Tracking in Phased Antenna Arrays: Theory and Performance,” Apr. 2019. https://doi.org/10.48550/arXiv.1710.07873.