Deep Learning-Enabled Physical Layer Security with Artificial Noise and Satellite Scheduling in LEO Satellite Networks = 딥러닝 기반 인공잡음 및 위성 스케줄링을 활용한 저궤도 위성 네트워크에서의 물리계층보안 기법 연구

다국어 초록 (Multilingual Abstract)

Satellite communication is a cornerstone for achieving global connectivity in future 6G networks. However, wireless transmissions are inherently vulnerable to eavesdropping due to their broadcasting nature, and satellite networks are no exception. Physical layer security (PLS) offers a complementary approach to cryptography by exploiting channel characteristics. Yet, fast time variation, Doppler shifts, intermittent links, and tight power budgets in low Earth orbit (LEO) satellite constellations make PLS design complicated. Prior studies in PLS have mainly focused on single-satellite links or fixed access patterns, while the multi-satellite scheduling problem has received relatively less attention. Particularly, satellite scheduling to enhance data transmission with protective interference (i.e., artificial noise) for security purposes in the LEO satellite network has not yet been investigated.

In this thesis, we propose an integrated PLS framework that jointly leverages artificial noise (AN), satellite scheduling, and deep learning. We formulate an optimization problem that selects satellites for data transmission as well as artificial noise generation to prevent potential eavesdropping while preserving the quality of legitimate links. Further, we develop a learning-based satellite scheduling algorithm to guarantee low-latency scheduling decisions without heavy online optimization, applicable to a dynamic channel environment and limited CSI availability. We evaluate our proposed methods in terms of secrecy rate and secrecy outage probability under realistic power and bandwidth constraints. We further validate that the proposed methods can achieve robust physical-layer security by coupling coordinated AN with learning-driven multi-satellite scheduling. Our results suggest a promising direction of future PLS design for 6G non-terrestrial networks, which can reduce dependence on heavy key management and enable globally secure satellite connectivity.

국문 초록 (Abstract)

위성 통신은 미래 6G 네트워크에서 전 지구적 연결성을 실현하기 위한 핵심 기술이다. 그러나 무선 전파는 본질적으로 도청에 취약하며 위성 네트워크도 예외일 수 없다. 물리계층 보안은 무선 채널 특성을 활용하여 무선 통신 프로토콜에 사용되고 있는 암호 기반의 보안 기술을 강화 또는 대체할 수 있는 기술을 연구하는 분야이다. 물리계층 보안 기술은 다양한 무선 네트워크에서 그 활용성이 기대되고 있으나 저궤도(LEO) 위성 네트워크에 적용될 경우 위성 통신의 빠른 시변 채널, 도플러 효과, 불안정한 링크, 그리고 제한된 전력 등의 다양한 특성으로 인해 그 설계가 복잡해 질 것으로 예상된다. 기존 위성통신 네트워크에서의 물리계층 보안 연구들은 주로 단일 위성 링크나 고정 접속 패턴에 초점을 맞추었으며, 다중 위성 스케줄링 문제는 상대적으로 덜 주목을 받았다. 특히, 저궤도 위성 네트워크에서 무선 보안을 위해 데이터 전송과 인공잡음을 동시에 고려한 협력 위성 스케줄링에 대한 연구는 아직 이루어지지 않았다.

본 학위 논문에서는 인공잡음, 위성 스케줄링, 심층학습을 결합한 통합 새로운 물리계층 보안프레임워크(framework)를 제안한다. 구체적으로 본 논문에서는 합법적인 링크의 데이터 전송 품질을 보장하면서 동시에 잠재적 도청을 방지하기 위해 데이터 전송과 인공잡음 생성을 위한 위성을 선택하는 최적화 문제를 다룬다. 제안 기법은 동적 채널 환경과 제한된 채널 상태 정보(CSI)에서도 적용 가능한 학습 기반 위성 스케줄링 알고리즘을 기반으로 복잡한 온라인 최적화 없이 저지연 의사결정을 가능하게 한다. 제안 기법의 성능을 평가하기 위해 실제 전력 및 대역폭 제약 조건 하에서 보안 전송률(secrecy rate)과 보안 전송 실패 확률(secrecy outage probability) 측면에서 모의실험을 진행하였으며 이를 토대로 제안 기법이 향상된 물리계층 보안 성능을 달성할 수 있음을 검증하였다. 본 연구 결과는 향후 6G 비지상 네트워크(NTN)를 위한 물리계층 보안 기술 설계에 새로운 가능성을 제시하며, 이는 향후 위성 통신에서 복잡한 키 관리 의존도를 낮추면서 동시에 안전한 전지구적 연결성을 구현할 수 있는 핵심기술이 될 수 있을 것이다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Background 1
• 1.2 Problem Statement 2
• 1.3 Organization 5
• 2. Related Work 8
• 2.1 Fundamentals of Physical Layer Security 8
• 2.2 Artificial Noise in Physical Layer Security 10
• 2.3 Multiuser Diversity in Physical Layer Security 12
• 2.3.1 Secrecy Rate and Opportunistic Scheduling 13
• 2.3.2 Throughput Scaling and Diversity Gain 13
• 2.4 Deep Learning in Physical Layer Security 16
• 3 Secrecy Outage Probability Analysis for LEO Satellite Systems 20
• 3.1 System Model 20
• 3.2 Proposed ANSS Scheduling Scheme 28
• 3.3 Closed-Form Analysis of Secrecy Outage Probability 34
• 3.4 Numerical Results 45
• 3.4.1 Simulation Setup 45
• 3.4.2 Multi-Antenna Scenario 47
• 3.4.3 Single-Antenna Scenario 47
• 3.5 Summary 52
• 4 Deep Learning-Based Secure Multi-Satellite Scheduling 55
• 4.1 System Model 55
• 4.2 Problem Formulation 62
• 4.3 Deep Learning-Based Scheduling Framework 65
• 4.3.1 Input feature representation 65
• 4.3.2 Oracle label generation 68
• 4.3.3 Network architecture and training 70
• 4.4 Simulation Setup 74
• 4.5 Performance Evaluation 79
• 4.6 Summary 87
• 5 Conclusion and Further Work 89
• 5.1 Conclusion 89
• 5.2 Further Work 91
• Bibliography 92
• Korean Abstract 97
• Acknowledgements 99