DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs

同步信号块（SSB）是5G新无线电（NR）空中接口的基本组成部分，对于联网和自动化车辆（CAV）的初始接入过程至关重要，并在网络运行中发挥了几个关键作用。然而，由于SSB传输的可预测性，包括主同步信号（PSS）和辅同步信号（SSS），干扰攻击是重要的威胁。这些攻击可以在不需要高功率或复杂设备的情况下执行，尤其是由于控制信号的未加密传输，对5G网络造成重大风险。本研究利用射频领域知识，提出了一种基于深度学习的新型CAV网络干扰检测技术。与现有的主要依赖于网络参数的干扰检测算法不同，我们通过专注于SSB引入了双阈值深度学习干扰检测器。检测方法专注于射频域特征，提高了网络的鲁棒性，无需与预先存在的网络基础设施集成。通过集成预处理块来提取PSS相关性和每个空资源元素的能量（EPNRE）特征，我们的方法可以高精度区分正常和被干扰的接收信号。此外，通过结合离散小波变换（DWT），优化了训练和检测的有效性。还引入了双阈值双深度神经网络（DT-DDNN）到架构中，辅以深度级联学习模型，以增加模型对信噪比变化的敏感性。结果表明，所提出的方法在极低的干扰功率下（即SJNR在15到30 dB之间）实现了96.4％的检测率。此外，通过分析从实际测试平台获得的真实5G信号，验证了DT-DDNN的性能。

本论文旨在解决5G网络中SSB信号被干扰的问题，提出了一种基于深度学习的干扰检测方法。

本论文提出了一种基于双阈值深度神经网络的干扰检测方法，通过提取PSS相关性和EPNRE特征来区分正常和被干扰的接收信号，同时还使用了离散小波变换来优化训练和检测的效果。

本论文的方法不需要与现有网络基础设施集成，通过RF域特征提高了网络的鲁棒性。实验结果表明，在15到30 dB的信噪比范围内，该方法的检测率达到了96.4%。论文还使用了实际测试平台上的真实5G信号进行了验证。

与本论文相关的研究包括《5G V2X网络中的干扰检测与定位技术综述》、《5G新无线电网络中的干扰检测和抑制技术研究》等。