Προπτυχιακές Σπουδές

Βελτιστοποίηση τεχνικών Ασφάλειας Φυσικού Στρώματος (Physical Layer Security) με Μηχανική Μάθηση (Machine Learning - ML) σε Ετερογενή Δίκτυα επόμενης γενιάς (Beyond 5G)
Διπλωματική Εργασία

---

Περιγραφή

Η γεωμετρική αύξηση της ταυτόχρονης παρουσίας ενεργών χρηστών σε ασύρματα δίκτυα νέας γενιάς (Beyond 5G - B5G), καθώς και οι ολοένα αυξανόμενες απαιτήσεις τους για υψηλούς ρυθμούς μετάδοσης και ελάχιστη καθυστέρηση, καθιστούν αναγκαία την ανάπτυξη προηγμένων μεθόδων πρόσβασης στο φυσικό μέσο και αποδοτικών τεχνικών μετάδοσης δεδομένων για τη διασφάλιση της ποιότητας υπηρεσίας και εμπειρίας (Quality of Service - QoS και Quality of Experience - QoE), αλλά και στην αύξηση της φασματικής απόδοσης των Β5G συστημάτων.

Ωστόσο, εξαιτίας της μετάδοσης μέσω της διεπαφής του αέρα, το ασύρματο μέσο μεταφοράς -ειδικά σε περιβάλλονται μαζικής πρόσβασης όπως τα B5G- είναι προσβάσιμο τόσο σε εξουσιοδοτημένους όσο και σε μη-νόμιμους χρήστες. Ως εκ τούτου, το ανοικτό περιβάλλον επικοινωνίας καθιστά τις ασύρματες μεταδόσεις περισσότερο ευάλωτες από τις ενσύρματες σε επιθέσεις ασφαλείας. Δεδομένου ότι οι χρήστες (είτε οικιακοί είτε εταιρικοί είτε κρατικοί) βασίζονται στα δίκτυα ασυρμάτων επικοινωνιών για τη μετάδοση σημαντικών και ιδιωτικών πληροφοριών (όπως πχ. οι τραπεζικές συναλλαγές, οι πληρωμές λογαριασμών, η είσοδος σε διαδικτυακές πλατφόρμες, κ.α.), η ασφάλεια των ασύρματων επικοινωνιών (Physical Layer Security - PLS) είναι ένας τομέας κριτικής σημασίας με πολλές προκλήσεις σε B5G τοπολογίες. Αντικείμενό της είναι η αντιμετώπιση δυσμενών καταστάσεων, οι οποίες σχετίζονται με την απώλεια ακεραιότητας δεδομένων, τις υποκλοπές και παρεμβολές μεταδιδόμενης πληροφορίας, την είσοδο και μετάδοση στο δίκτυο ψευδών ή τροποποιημένων μηνυμάτων πληροφορίας και την κατασπατάληση πόρων.

H μηχανική μάθηση (Machine Learning - ML) έχει αποδειχθεί μια αποτελεσματική λύση για τη βελτιστοποίηση απόκρισης σε πολυπαραμετρικά προβλήματα, μειώνοντας συγχρόνως σημαντικά την υπολογιστική πολυπλοκότητα. Ωστόσο, στο πεδίο των ασυρμάτων επικοινωνιών με έμφαση στο δίκτυο πρόσβασης, η ύπαρξη πολλαπλών διασυνδεδεμένων συσκευών και η πολυπλοκότητα του καναλιού μετάδοσης δυσχεραίνουν ακόμα περισσότερο το πρόβλημα της διασφάλισης του απορρήτου των επικοινωνιών σε περιβάλλοντα πολλαπλής πρόσβασης. Συνεπώς, η Βαθιά (Deep Learning - DL) προτείνεται ως η αποτελεσματικότερη κατηγορία ML αλγορίθμων για προβλήματα PLS.

Στόχος της παρούσης διπλωματικής εργασίας είναι η μελέτη και αξιοποίηση DL αλγορίθμων σε υποδομές Β5G για την ανάπτυξη προηγμένων σχημάτων PLS. Η εκπόνηση της διπλωματικής εργασίας περιλαμβάνει, αρχικά, μελέτη τόσο του θεωρητικού υπόβαθρου του φυσικού επιπέδου των συστημάτων Β5G, των αρχών και αλγορίθμων DL όσο και των χρησιμοποιούμενων σχημάτων PLS. Στη συνέχεια, ο σπουδαστής θα εφαρμόσει μεθόδους και αλγορίθμους DL, παραμετροποιώντας B5G προσομοιωτές επιπέδου ζεύξης, οι οποίοι έχουν ήδη υλοποιηθεί στο εργαστήριο και χρησιμοποιώντας τα αντίστοιχα σύνολα δεδομένων (datasets). Η διπλωματική εργασία θα ολοκληρωθεί με τη συγκριτική αποτίμηση των χρησιμοποιούμενων παραλλαγών των DL μοντέλων για PLS. Θα χρησιμοποιηθούν τόσο ML μετρικές (accuracy, RMSE, f1-score, κ.λπ.) όσο και δικτυακές μετρικές ασφάλειας (secrecy throughput, secrecy capacity, Quality of Security (QoSec), κ.λπ.).

Απαραίτητες γνώσεις: Βασικές γνώσεις κινητών επικοινωνιών, Βασικές γνώσεις Python

Επιθυμητές γνώσεις: Αρχές και αρχιτεκτονικές Μηχανικής Μάθησης, MATLAB, Python βιβλιοθήκες (Keras/TensorFlow)