综述：6G网络下的智能与安全移动性管理：基于人工智能驱动的解决方案及物理层技术的系统综述

《Alexandria Engineering Journal》：Intelligent and secure mobility management for 6g networks: A systematic review of AI-driven and physical-layer solutions

　　塔雷克·阿里（Tarek Ali）| 穆罕默德·阿尔-哈利迪（Mohammed Al-Khalidi）| 艾利·卡希夫·巴希尔（Ali Kashif Bashir）
英国曼彻斯特都市大学计算与数学系，曼彻斯特，M15 6BH

**摘要**
第六代（6G）无线网络的发展带来了新的安全和移动性管理挑战，这主要是由于密集部署、异构多接入系统、对人工智能（AI）的广泛依赖以及非地面网络的整合。本研究通过系统的文献回顾，探讨了6G及未来版本的智能和安全移动性管理方法。根据PRISMA指南，在2010年至2024年间，从IEEE Xplore、ACM数字图书馆、ScienceDirect、SpringerLink和Scopus中筛选出了301篇相关研究。该回顾评估了当前的人工智能方法，包括深度学习（DL）、强化学习（RL）和联邦学习，在移动性预测、切换优化、资源分配和能效网络操作方面的应用。同时，还研究了物理层安全（PLS）机制，这些机制补充了传统的上层加密技术，以减轻干扰、窃听和敌对攻击，同时控制计算开销。分析的研究通过将服务质量（QoS）、体验质量（QoE）、延迟、可靠性和可扩展性等性能目标与五种关键的6G使能技术和功能联系起来进行系统组织：可重构智能表面、毫米波（mmWave）通信、大规模多输入多输出（MIMO）系统、移动边缘计算和AI辅助的信道估计，后者为安全波束成形、智能反射表面（IRS）控制和感知移动性的PLS提供所需的信道状态信息（CSI）。研究结果表明，现有系统在高速度和极端移动条件下保证安全可靠的连接能力仍存在局限。回顾指出了三个关键的开放性挑战：保护AI模型训练免受物理和数字攻击、确保PLS方案在不干扰网络控制的情况下运行，以及在严格性能约束下维持强大的移动性管理能力。基于这些见解，本文提出了设计原则，以指导未来基于AI、注重安全的移动性管理框架的研究，以满足6G的性能要求。

**1. 引言**
全球移动服务的快速扩张正在推动无线电资源利用的根本变化，特别是在第五代和第六代（5G/6G）移动网络的部署中[1]。这些网络采用多种接入技术来支持日益数据密集型和延迟敏感的应用[2]。移动用户和智能设备的数量增加导致了各种类型的网络流量激增，包括高速多媒体内容、虚拟和增强现实体验以及广泛的基于物联网（IoT）的感应和控制操作[3][4]。未来的移动网络需要在结合超密集网络与智慧城市系统和IoT支持生态系统的复杂环境中运行[5]。

IoT设备的普及进一步加剧了这些挑战，需要灵活的移动性解决方案来适应不同类型的流量和多样的移动事件[6][7]。尽管有内容分发网络（CDNs）和基于边缘的流量卸载等互补技术[8][9]，但目前的方法仍不足以满足未来6G系统的移动性和可扩展性需求。根据[3]的研究，预计6G网络的移动互联网流量将达到峰值，因为当前的集中式移动性管理系统无法处理这一流量。集中式设计的实施导致路由性能不佳，当用户需要在不同位置之间移动时，会引起数据传输延迟和系统性能下降[10]。未来的6G网络需要新的移动性管理系统，能够在动态和去中心化的网络环境中正常运行[11]。

预计在2030年代出现的6G系统旨在支持接近1 Tbps的峰值数据速率和数十微秒的超低延迟，同时将覆盖范围扩展到非地面领域[1][12][13]。这些能力将支持广泛的应用，从混合现实交互和可穿戴技术到自动驾驶和关键任务服务[14]。同时，AI的普及和无线接口的广泛使用引发了重大的安全和隐私问题。已经提出了诸如量子安全计算、基于区块链的框架和PLS技术等新兴解决方案，以增强6G网络的安全性[1][3][11][15][16]。

然而，6G系统在物理层（PHY）仍然容易受到安全威胁，包括窃听、干扰和对AI驱动控制过程的敌对操纵[3][17]。应对这些威胁需要联合设计PLS机制和基于AI的移动性解决方案，这些方案应该具有鲁棒性、保护隐私，并能在严格的延迟和可靠性约束下运行[18][19][20]。

本文根据PRISMA指南，对2010年至2024年间五个主要数据库中的301项研究进行了关于6G及未来版本网络的智能和安全移动性管理的系统文献回顾。本文的其余部分组织如下：第1.1节强调了本回顾相对于先前调查的新颖性和附加价值。第2节回顾了从基于3GPP的框架向6G的移动性架构的演变。第3节提出了与6G移动性相关的安全挑战的分类。第4节将AI范式映射到移动性控制和安全功能。第5节将本回顾与先前的调查进行了定位，第6节总结了贡献。第7节详细介绍了系统回顾的方法论。第8节综合了证据驱动的发现及其意义。最后，第9节讨论了开放性挑战和未来研究方向，第11节总结了本文。

**1.1. 本回顾的新颖性和附加价值**
尽管有几项调查分别研究了AI在无线安全、PLS技术或移动性管理方面的应用，但没有先前的工作系统地回顾了在新兴6G架构背景下AI驱动的移动性管理和物理层安全的联合设计。表1从八个不同维度对比了本回顾与代表性先前调查的差异。本回顾的关键区别总结如下：
- **联合移动性-安全性范围**：与单独讨论移动性管理[21][22]或安全性[23][24][25]的先前调查不同，本回顾将它们视为一个不可分割的设计问题，分析了基于AI的移动性决策如何影响以及受物理层安全约束的影响。
- **AI原生的6G视角**：现有的回顾通常将AI视为单一功能（例如切换或入侵检测）的优化工具。本研究将四种AI范式（监督学习/无监督学习、强化学习（RL）和联邦学习（FL）映射到移动性控制和安全功能，揭示了跨范式的差距。
- **AI驱动移动性的对抗鲁棒性**：大多数先前调查忽略了对抗性攻击对移动性管理的影响。本回顾明确综合了关于对抗性威胁、防御机制及其对移动性影响的证据。
- **PRISMA指导的系统方法论**：虽然一些相关工作采用了叙述性或半结构化的回顾方法，但本研究遵循了PRISMA 2020[26]框架，涵盖了2010年至2024年间五个数据库中的301项研究，确保了可重复性并最小化了选择偏差。
- **跨技术整合**：本回顾不仅关注单一的使能技术，还涵盖了六种物理层技术（IRS、mmWave、Massive MIMO、MEC、VLC和信道估计），并评估了它们与基于AI的安全和移动性机制的相互作用。
- **综合概念框架**：本回顾提出了一个三层综合框架（图1），通过双向反馈循环明确关联了AI决策、移动性控制和PLS，为分析301项研究中识别的相互依赖性提供了结构化的视角。

为了明确我们的贡献与最新文献的对比，表1优先考虑了过去三年内发布的代表性调查，并补充了一些在该领域被广泛引用的早期基准调查。这突出了我们的AI-移动性-PLS综合相对于最近调查范围的附加价值。

**表1. 本回顾与代表性先前调查的比较**
| 调查年份 | 联合移动性&安全性 | AI原生6G焦点 | 对抗鲁棒性 | PRISMA方法 | PLS整合 | 多技术范围 | 跨范式AI范围 | 备注 |
|---------|----------------|-----------------|-------------------|------------|-------------|--------------------------|-------------|
| [23] | 2020 | ○○○○○●○○○ | PLS调查；单一技术关注信息论保密性 | | | |
| [24] | 2023 | ○●?○○○○ | AI用于6G安全；注意了对抗性威胁但未系统回顾 | | | |
| [22] | 2023 | ○●○○○○ | ML用于无线资源管理；部分涉及mmWave和移动性 | | |
| [27] | 2022 | ○○○○○○ | 5G/B5G安全概述；AI作为工具讨论，未映射到范式 | | |
| [25] | 2022 | ○○○○○○ | PLS技术用于B5G；专注于保密能力和密钥生成 | | |
| [21] | 2020 | ○○○○○○ | 移动性管理调查；未涉及安全性 | | |
| [28] | 2020 | ○○?○○○ | MEC和信道估计；部分涉及对抗性方面 | | |
| **我们的研究** | 2025 | ●●●●●●● | 联合AI-移动性-PLS；跨301项研究的PRISMA；综合框架 | | |

**2. 背景和向6G移动性架构的演变**
6G无线网络的发展源于支持数千个设备的需求，这些设备需要即时连接，同时支持高移动性场景和实时延迟敏感的应用。移动网络运营商现在研究多种智能且经济的解决方案，以帮助他们提高网络容量，同时通过去中心化的边缘系统简化操作并保持服务可用性[29][30]。数据密集型和移动性敏感的应用的快速发展要求网络系统在保持高效移动性管理的同时进行扩展[31][32]。

为了解决这些挑战，早期版本的移动网络引入了流量卸载和本地分流机制，以减轻核心网络的拥堵。在第三代合作伙伴项目（3GPP）框架内，提出了本地IP访问（LIPA）和选定IP流量卸载（SIPTO）作为架构增强，以实现本地数据访问并减少对集中式数据包核心实体的依赖[33][34]。尽管最初是为LTE和早期异构网络部署设计的，但这些概念为强调边缘智能、分布式移动锚点和本地化流量处理的现代6G架构奠定了基础[35][36]。传统的3GPP 3G/4G分层架构严重依赖于集中式数据包核心组件，特别是进化数据包核心（EPC）内的数据包数据网络网关（P-GW）[37][38]。P-GW从多个接入节点收集流量，并通过跟踪移动节点（MN）的移动性并将流量隧道传输到它们的当前连接点来维持会话连续性[39][40]。虽然在静态或适度移动的环境中有效，但这种集中的移动性锚点引入了可扩展性瓶颈、延迟增加和信号开销增加，这与新兴6G网络的超密集和高度动态特性不兼容[41][42]。

**2.1. 6G背景下的本地分流和流量卸载机制**
3GPP第10版引入了本地IP访问（LIPA）和选定IP流量卸载（SIPTO），作为减轻集中式核心网络负担的机制，通过使流量更接近用户进行路由[43][44]。这些机制允许运营商选择性地将流量卸载到地理位置接近的网关，从而改善延迟并减少核心网络拥堵[45]。SIPTO允许运营商通过适当选择服务网关（S-GW）和数据包数据网络网关（P-GW）将特定流量流向靠近MN接入点的网关[46]。这种方法提高了路由效率，并支持在6G用例（如扩展现实和实时控制）中越来越重要的延迟敏感服务。LIPA通过绕过运营商的集中式核心，促进了与本地数据包网络连接的MN与附近IP网络之间的直接访问。在这种架构中，与飞小区或小小区关联的本地网关（L-GW）的功能类似于P-GW，实现了本地化的数据交换[47]。尽管最初在移动性支持方面有限，LIPA引入了基于proximity的数据访问概念，这与新兴的6G边缘计算范式一致。3GPP组织在第11版中扩展了这些机制，增加了LIPA移动性和SIPTO在本地网络（LIMONET）中的支持，以提供部分移动性支持[48]。在RAN网络附近部署网关为维持连续的网络移动性带来了持续的困难，促使研究人员创建了先进的6G网络移动性解决方案[49]。

**2.2. 使用PMIPv6的网络基础移动性管理**
3GPP采用代理移动互联网协议版本6（PMIPv6）作为支持LTE系统中IP移动性的网络基础移动性管理解决方案[50][51]。与基于主机的移动性协议不同，PMIPv6将移动性相关的信号从移动节点转移到网络，减少了设备端的复杂性，并实现了更高效的移动性控制[52][53]。在3GPP EPC架构中，服务网关（S-GW）充当移动接入网关（MAG），而P-GW在PMIPv6领域内充当本地移动锚点（LMA）[54][55]。这种配置允许网络在MN移动时维护IP会话连续性，使用隧道机制将流量转发到当前连接点。PMIPv6使用代理绑定更新（PBU）和代理绑定确认（PBA）消息交换来管理移动性状态信息[56][57]。该系统对于使用集中式架构的LTE网络有效，但由于其对固定移动性锚点和隧道机制的要求，使其与超密集和无蜂窝的6G网络不兼容。

**2.3.**PMIPv6在6G移动性中的相关性和局限性
PMIPv6相比Mobile IPv6（MIPv6）提供了更好的性能，因为它减少了信令流量，并通过基于网络的移动性控制实现了更低的延迟和更好的安全性[58]、[59]。PMIPv6通过实施基于主机的信令和远程绑定更新，减少了与切换相关的延迟，同时保护了移动节点的位置信息[60]、[61]。然而，尽管有这些优势，PMIPv6是为相对静态和集中的网络架构设计的。该系统在6G环境中无法有效运行，因为它需要已建立的移动性域和中央锚点来操作。当前的系统需要新的移动性管理系统，这些系统将集成AI决策系统与边缘计算控制和安全导向的设计方法。

3. 6G及以后网络中的安全挑战
基于第1节中介绍的移动性管理挑战，本节提出了直接影响6G移动性操作的安全威胁的结构化分类。6G的安全性不仅包括传统的层次化威胁，还包括物理层（PHY）的漏洞、AI驱动的决策过程以及移动性管理机制中的漏洞[62]、[63]。以下小节将这些威胁分为三个领域：针对AI启用系统的对抗性攻击（第3.1节）、物理层安全挑战（第3.2节）和移动性感知的安全问题（第3.3节）。具体攻击类型（如干扰、DDoS、窃听、伪造）的详细描述和证据在第8.3节中提供。

3.1 针对AI启用的6G系统的对抗性攻击
6G网络越来越容易受到利用集成在通信和控制系统中的机器学习（ML）模型漏洞的对抗性攻击[64]、[65]。这些攻击针对AI驱动的决策过程，包括信号分类、认证和移动性预测——通过输入干扰、掩盖和模型投毒[66]、[67]。这种影响扩展到关键基础设施，信号操作可能会破坏安全关键的控制协议[68]、[69]。此外，针对定位系统的新兴中继和重放攻击也对位置依赖的6G服务构成风险[70]、[71]。第8.3节提供了针对特定对抗性攻击类型及其对策的详细基于证据的分析。

3.2 物理层安全挑战
物理层安全（PLS）是6G网络保护的基础元素，作为防止窃听、干扰和信号操作攻击的第一道防线[72]、[73]。物理层的安全漏洞可能会危及更高层的协议，使得传统的加密机制单独使用变得不足。因此，确保物理层的机密性、认证、可用性和弹性对于可靠的6G通信至关重要[74]。机密性机制旨在防止未经授权的数据拦截，而物理层认证（PLA）则确保通信实体是合法和可信的。可用性关注在干扰或干扰存在的情况下维持通信的连续性，而弹性则涉及系统从攻击或故障中恢复并在不利条件下保持可接受性能的能力[75]、[76]、[77]。这些要求突显了需要整体PLS解决方案的必要性，这些解决方案与6G网络中的高层保护协同工作。

3.3 6G网络中的移动性感知安全挑战
6G及以后的网络中的移动性管理由于连接设备的指数级增加、超密集部署以及高度动态的用户和网络移动模式而引入了额外的安全挑战。传统的集中式移动性管理方法在这种条件下难以高效扩展，这促使人们采用了分布式移动性管理解决方案[78]。虽然分布式架构提高了可扩展性和延迟，但它们也通过增加移动性锚点和控制点的数量扩大了攻击面。在异构的6G环境中，运行在毫米波频段的小型蜂窝在增强覆盖范围和支持高速移动性方面发挥着关键作用。然而，频繁的切换和动态连接增加了认证和密钥管理程序的脆弱性。因此，确保安全和无缝的移动性需要新的认证、加密和恶意活动检测机制，这些机制能够抵御频繁的拓扑变化和去中心化控制[79]、[80]、[81]。这些移动性-安全挑战的相互关联性激发了第4.4节中探讨的基于AI的解决方案。

4. 6G网络中安全移动性的人工智能技术
在第3节识别出安全威胁之后，本节将主要的AI范式映射到6G网络中的特定移动性控制功能和安全约束。基于AI的方法有两个互补的目的：（i）优化切换决策和资源分配；（ii）防止对抗性攻击、干扰和隐私侵犯[82]、[83]、[84]、[85]。以下小节探讨了在安全移动性背景下监督学习/无监督学习、强化学习、联邦学习和可解释AI的应用。

4.1 用于移动性感知安全的监督学习和无监督学习
无线网络已通过监督学习和无监督学习方法进行研究，这些方法分析了它们的移动性预测和异常检测及入侵检测能力。监督学习模型使用标记的数据集来识别正常和恶意的移动行为，从而帮助检测异常的切换模式和信令异常以及未经授权的访问尝试[22]、[86]。当研究人员能够获得代表系统的足够训练数据时，这些方法在条件稳定的环境中效果最佳。无监督学习方法（包括聚类和降维）在检测未知和零日攻击方面变得更加普遍，因为这些方法不需要标记的数据即可操作。这些方法发现流量模式和移动结构，从而能够通过模式偏差识别安全威胁和性能问题[87]、[88]。当6G网络在快速的网络移动变化和不可预测的网络条件下运行时，这两种方法在泛化方面遇到困难。

4.2 强化学习用于自适应和安全移动性控制
强化学习（RL）已成为其自适应移动性管理的有效方法。基于RL的框架使代理通过与环境的反复交互发现最佳的移动性和安全策略，消除了对网络动态模型的需求。RL为包括超密集网络和无蜂窝架构以及高移动性环境在内的复杂网络环境提供了最佳性能[89]。RL和深度强化学习（DRL）技术作为主要的优化工具，帮助进行切换决策优化、多连接选择和资源分配，同时通过攻击保护和服务可用性维护安全性。RL代理可以学习如何防止对脆弱接入点的攻击，同时还能防御干扰攻击，并根据检测到的安全风险选择认证方法[90]。基于RL的方法的训练稳定性和收敛速度需要在6G系统中实现安全操作，因为这些方法具有适应性，但在面对对抗性攻击时面临挑战。

4.3 用于保护隐私的安全移动性的联邦学习
专注于隐私的AI系统FL作为6G移动性管理中的隐私保护方法受到了广泛关注。FL分布式模型训练系统通过边缘设备和网络节点处理数据，无需移动未处理的移动性或位置信息。FL的这一特性使其适用于需要在隐私敏感环境中保护用户数据的移动性应用[91]、[92]。基于FL的移动性管理系统允许边缘节点和用户设备训练本地模型，然后将其合并成一个全局模型。该系统减少了通信需求，从而提高了系统性能和扩展了系统容量，同时保持了敏感信息的完整保护。FL的实施带来了安全风险，包括模型更新污染和推理操作期间数据访问威胁以及系统参与者之间信任关系的管理[91]。解决这些问题需要组织开发强大的系统，这些系统结合了数据收集方法与受保护的信息交换系统以及基于信任水平选择参与者的方法。

4.4 可解释和可信的AI用于6G移动性安全
在安全关键的6G应用中，AI驱动的移动性决策必须是可解释和可审计的，以建立运营商的信任并确保合规性。可解释AI（XAI）技术的主要目标是创建关于学习模型决策过程的人类可读解释，帮助运营商验证和监控，并建立对基于AI的移动性控制系统的信心[93]、[94]。AI框架需要通过展示其抵御攻击的安全性、操作透明度及其保持强度和公平性的能力来建立可信度。系统需要在对抗性条件下产生可靠的移动性选择，而安全协议需要防止引入新的系统漏洞和歧视性特征[95]。实现稳定可解释系统的过程需要开发者在系统复杂性和操作性能之间做出折中，这是6G网络移动性管理通过AI研究的活跃领域。

4.5 AI范式映射总结
表2总结了AI范式与其主要移动性-安全功能之间的映射。这些范式的基于证据的评估，包括它们的局限性和开放的研究空白，在第8节中提出。

表2. AI范式与移动性-安全功能的映射。
| AI范式 | 移动性功能 | 安全功能 |
| --- | --- | --- |
| 监督/无监督学习 | 移动性预测、异常检测 | 入侵检测、零日攻击检测 |
| 强化学习 | 切换优化、资源分配 | 反干扰、自适应认证 |
| 联邦学习 | 分布式移动模型训练 | 保护隐私的学习、安全聚合 |
| 可解释AI | 透明的移动性决策 | 可信的安全策略验证 |

4.6 综合框架：AI–移动性–PLS纽带
前面的小节分别探讨了移动性管理和安全的各个AI范式。然而，从文献中得出的一个中心观察结果是，有效的6G移动性管理需要这三个支柱：AI决策、移动性控制和PLS作为一个集成的闭环系统来运作。图1展示了提出的综合框架，该框架综合了这些相互依赖性。该框架包括三个相互连接的层：
- AI决策引擎（顶层）：这一层包括第4.1节中讨论的四种AI范式：用于移动性感知安全的监督/无监督学习、第4.2节用于自适应和安全移动性控制的强化学习、第4.3节用于保护隐私的安全移动性的联邦学习、第4.4节用于6G移动性安全的可解释和可信AI：用于移动性预测和异常检测的监督/无监督学习、用于自适应切换和反干扰控制的RL、用于保护隐私的分布式训练的可解释AI以及用于透明决策验证的可解释AI。AI引擎获取网络状态观察结果，包括CSI、用户移动模式和来自移动性控制和PLS层的威胁指标。
- 移动性控制平面（中间层）：这一层执行由AI输出的移动性功能：切换决策、资源分配、多连接管理和移动性预测。它通过多接入边缘计算（MEC）、无蜂窝架构和非地面网络等支持技术与底层6G基础设施接口。移动事件及其结果（例如，切换成功率、延迟）被反馈给AI引擎以实现连续的策略改进。
- PLS执行层（底层）：这一层在物理层实现安全功能，包括机密性机制（保密率优化、波束成形）、认证（PLA）、反干扰响应和对抗性攻击检测。它利用第8节中回顾的六种支持技术（IRS、毫米波、大规模多输入多输出（MIMO）、MEC、VLC和信道估计）。安全状态指标（检测到的威胁、保密度量）向上报告给AI引擎，从而完成反馈循环。

图1中的双向箭头代表了从文献中综合出的三个关键交互路径：
1. AI ? 移动性：AI模型输出优化的切换策略和资源分配；移动性结果（成功/失败、延迟）重新训练模型[82]、[89]。
2. AI ? PLS：来自PLS层的威胁情报通过RL触发自适应安全响应；对抗性鲁棒性训练加强了AI模型本身[24]、[96]。
3. 移动性 ? PLS：移动性事件（切换、拓扑变化）通过改变信道条件和暴露于窃听者来改变PLS的姿态；PLS约束（例如，保密率要求）影响切换时间和目标选择[74]、[79]。

该框架直观地体现了本综述的中心论点：6G中的安全移动性管理不能仅通过优化任何一个单独的支柱来实现，而是需要它们的联合、AI协调的设计。

5. 相关工作
如第1.1节所述，现有的调查大多单独讨论了基于AI的安全性、PLS或移动性管理。本节通过详细回顾相关文献，进一步扩展了这一主题。向6G无线网络的过渡加剧了对超越传统高层加密方案的高级安全机制的需求。传统的安全技术通常在高层协议层实施，但对无线电干扰、伪造和窃听等较低层威胁无效，而这些威胁在以超密集部署和异构接入技术为特征的6G环境中预计会更加普遍[97]、[98]、[99]。此外，AI在6G网络的多个层中的普遍集成引入了新的攻击面，包括对基于学习的模型的对抗性操纵，进一步复杂化了安全格局。大量研究已经将PLS作为传统加密方法的补充方法进行了研究。PLS利用无线信道的内在特性来确保信号传输层面的保密性和鲁棒性，从而减轻了在高层无法有效解决的威胁。现有研究将安全挑战大致分为三个领域：5G及后续（B5G）移动通信、物联网网络和新兴的6G系统[100]，[101]。鉴于6G是5G的进化扩展，许多工作在考虑软件定义网络（SDN）、网络功能虚拟化（NFV）、移动边缘计算（MEC）和异构无线接入网络等使能技术的限制的同时，对5G安全模型进行了适应和扩展。最近的几项调查和技术研究聚焦于B5G和早期6G场景中的PLS技术，如表3所示，旨在满足超低延迟、大规模连接性和能效等方面的严格要求[100]，[102]，[103]。这些工作强调了PLS适用于资源受限的物联网设备，因为在这些设备中，传统的基于加密的解决方案可能会产生过多的计算开销[104]，[105]，[106]。此外，将可重构智能表面（RIS）、无人机（UAV）和人工智能等新兴技术集成到PLS框架中，在保密性能和抵御窃听方面显示出令人期待的改进[107]，[108]，[109]，[110]。同时，异构和超密集网络中的智能资源管理也被广泛研究作为实现6G系统能效、可靠性和低延迟的关键手段[111]，[112]。机器学习技术被应用于各种场景下的资源分配、任务卸载和移动性相关操作，包括设备对设备通信、车联网和雾状无线接入网络（Fog-RANs）[97]，[112]，[113]，[114]。尽管这些方法具有潜力，但它们经常面临计算复杂性、混合整数非线性优化以及在高度动态的移动性条件下选择合适的学习模型等挑战。最近的调查论文全面回顾了无线网络中的机器学习和深度学习应用，特别是在物理层（PHY），重点关注信道估计、信号检测和资源优化[112]，[115]。虽然这些研究证明了深度学习在增强物联网、开放RAN和边缘辅助网络方面的有效性，但它们经常忽略了移动性管理和安全的联合考虑，尤其是在原生AI的6G架构背景下。

总体而言，尽管在将人工智能和PLS技术应用于无线安全和优化方面取得了实质性进展，但现有的工作大多是在孤立地处理这些方面。因此，对人工智能驱动的移动性管理、PLS和新兴6G架构之间的相互作用进行整体和系统的分析对于实现6G及以后网络中的智能、安全和有弹性的移动性管理至关重要[116]。

表3. 最近研究中人工智能和通信领域的对比概述。覆盖范围分为：● = 强（专门分析），○ = 部分（简要提及），○ = 未覆盖。

参考文献：
- 用于6G安全的ML [23]
- PLS调查；信息论保密性 [24]
- 人工智能驱动的6G安全；对抗性威胁分类 [117]
- 用于无线安全的ML；基于深度学习的入侵检测 [118]
- 用于6G PHY的ML；毫米波和MIMO信号处理 [119]
- 6G愿景论文；毫米波容量分析 [120]
- 人工智能用于无线安全；一般的深度学习应用 [27]
- 5G/B5G安全；VLC简要提及 [121]
- 6G架构概述；安全作为子主题 [122]
- 深度学习用于信道估计；模型架构 [123]
- IRS调查；可重构表面设计 [124]
- 人工智能用于网络管理；安全应用 [25]
- PLS用于B5G；保密容量和密钥生成 [28]
- MEC安全；边缘卸载和对抗性方面 [125]
- 6G挑战调查；总体概览 [22]
- 深度学习用于移动性和资源管理；防御机制 [126]
- 多智能体强化学习用于无线安全 [127]
- VLC系统；光通信安全 [128]
- 人工智能用于网络安全；异常检测关注 [21]
- 移动性管理调查；切换优化 [129]
- 我们的研究 [130]

6. 本调查的贡献
基于第1.1节中提出的新颖性定位和表1中的比较分析，本文提供了对6G及以后无线网络中人工智能驱动的安全移动性的系统性和全面回顾。与主要关注安全、移动性或人工智能技术的现有调查不同，本研究强调了它们在新兴6G架构中的相互依赖性。本研究的主要贡献总结如下：
- 对6G网络中的安全挑战进行了全面回顾，重点关注对抗性攻击、物理层漏洞以及在超密集和异构环境中的移动性感知安全问题。
- 对适用于6G系统的PLS和基于人工智能的技术进行了结构化分析，强调了RIS、无人机和基于机器学习的PLS等新兴技术如何提高保密性和韧性。
- 对现有研究进行了比较分类，如表3所示，从多个维度对比了以前的工作，包括AI使用、移动性管理、对抗性威胁和防御机制。
- 构建了一个专门的集成框架（图1），通过双向反馈回路明确链接了人工智能决策、移动性控制和PLS，为分析6G网络中移动性和安全的联合优化提供了结构化的概念模型。
- 对当前文献中的局限性和研究空白进行了批判性讨论，特别是在原生AI的6G网络中缺乏共同解决移动性管理和安全的集成框架。
- 概述了未来研究方向，以推动6G及以后网络的可靠、隐私保护和自主移动性管理解决方案的发展。

7. 方法论
这项系统回顾遵循PRISMA指南[26]进行，以确保对文献的全面和无偏综述。遵循的程序包括识别、筛选、资格评估和纳入。为此，从IEEE Xplore、ACM Digital Library、ScienceDirect和Scopus等几个数据库开始了搜索过程。根据四个主要类别预定义了研究数据库的搜索字符串：智能移动性管理、安全移动性管理、6G网络及相关技术。为了确保全面覆盖同时保持研究的时效性，搜索范围限于2010年1月至2024年6月。这一时间窗口涵盖了基础的B5G/使能研究和最早的6G导向工作。在识别出重复记录后进行了移除。根据资格对剩余研究的标题和摘要进行了筛选。根据纳入和排除标准中的条件，对全文文章进行了筛选。数据提取是使用预先设计的标准化表格进行的，该表格捕获了研究的特征、方法论、结果和关键发现。使用指定的工具进行了偏见风险评估。证据的确定性是根据GRADE方法来衡量的。采用这种严格的方法论，旨在提供关于研究状况的详细和准确的综合，换句话说，是为了推进研究、挑战和未来研究的发展。

7.1. 资格标准
纳入这项系统回顾的研究资格标准基于其与6G及以后网络中的智能和安全移动性管理的相关性。仅考虑了经过同行评审的文章、会议论文和用英语发表的重大白皮书。研究必须至少涉及移动性管理、安全挑战或6G网络中AI整合的一个方面。

- 纳入标准：
- 同行评审的期刊文章和会议论文：仅考虑在知名、同行评审的期刊和会议上发表的研究，以确保包含研究的可靠性和科学严谨性。
- 发表年份：包括2010年1月至2024年6月，以涵盖（i）最早的6G导向工作和（ii）仍在现代6G移动性安全设计中直接重用的基础B5G/使能贡献。包括2018年之前的研究的理由是，尽管“6G”一词大约在2018年后才变得普遍，但本文回顾的许多使能原语是在之前开发的，并且经常作为基线、建模假设或2018年后6G研究的核心机制重用。因此，只有当2018年之前的研究同时满足以下两个条件时才被保留：（i）它们至少涉及一个审查构念（移动性管理、物理层安全或基于AI的控制），以及（ii）它们的问题表述、机制或评估模型可以明确扩展到B5G/6G场景（例如，超密集异构网络、以边缘为中心的移动性、多RAT、高移动性或移动性感知的PLS）。具体来说，纳入的2018年之前的研究属于使能类别，如基于网络的移动性架构（例如，PMIPv6和本地中断/卸载机制）、早期基于学习的移动性预测/控制公式（例如，用于切换/负载平衡的RL奖励/KPI公式）和物理层安全原语（保密性指标和多天线/波束成形-based PLS机制），这些仍然是当前移动性感知安全评估的基础。那些仅限于传统部署且与B5G/6G使能技术无关的研究被排除在“与预定义关键词和研究问题无关”的标准之外。
- 语言：仅包括用英语发表的研究，以确保数据提取和分析的理解力和准确性。
- 与关键词和研究问题的相关性：研究必须直接涉及与预定义关键词和研究问题相关的主题，重点是6G网络、智能移动性管理、安全和AI/ML应用。

- 排除标准：
- 非同行评审的文章：排除社论、观点文章和书籍章节等，以保持研究的科学严谨性。
- 非英语出版物：由于可能存在语言障碍而无法准确解释研究结果，因此排除了非英语出版的研究。
- 缺乏全文访问：无法获取全文版本的研究被排除，以确保数据的彻底和全面提取。
- 与预定义关键词和研究问题无关：未直接涉及关键词和研究问题中概述的主题的研究被排除，以保持审查的重点。

信息来源
我们从多个数据库中获取信息，包括IEEE Xplore、ACM Digital Library、SpringerLink和ScienceDirect。此外，还仔细审查了检索到的文章中的相关参考文献以寻找进一步的相关研究。

数据库：
- IEEE Xplore
- ACM Digital Library
- ScienceDirect
- SpringerLink
- Scopus

7.2. 研究质量评估、偏见风险和证据确定性
为了确保可重复性和透明度，每项通过全文筛选的研究都使用了两层协议进行评估：（i）针对人工智能驱动的移动性管理和物理层安全证据的评分方法论质量检查表，以及（ii）适应工程研究的基于领域的偏见风险评估（模拟、分析、测试床或数据集为基础）。此外，在证据主题层面应用了调整后的GRADE程序，以反映支持第8节中每个主要综合主题的证据的确定性。

7.2.1. 研究级别的质量检查表和评分（0–100）
每项研究都根据下面的检查表项（C1–C12）进行评估。每个项目的评分如下：2 = 完全满足；1 = 部分满足；0 = 不满足/不清楚。有三个项目被视为关键项目并加倍计分：（C3）移动性真实性，（C5）威胁/对手模型清晰度，以及（C12）可重复性人为因素。最终质量得分为：Q=(∑iwisi∑iwi)×100，si∈{0,1,2}，wi∈{1,2}。

检查表项（C1–C12）：
- C1 目标清晰度（问题和声称的贡献明确陈述）。
- C2 系统模型完整性（网络类型/拓扑、移动性功能、关键假设）。
- C3 移动性建模真实性（关键）（移动性模型、速度范围、轨迹/停留时间、场景合理性）。
- C4 信道/CSI真实性（信道模型、CSI假设、Doppler/阻塞处理，如相关）。
- C5 威胁/对手模型对齐（关键）（干扰/窃听/对手机器学习能力声明并与其防御相匹配）。
- C6 数据集完整性对于机器学习（数据来源、分割、泄漏控制、特征/标签定义）。
- C7 方法透明度（模型/RL状态–行动-奖励/FL设置和超参数指定）。
- C8 基线公平性（具有可比设置的可信基线和信息假设）。
- C9 指标有效性（移动性KPIs + 安全KPIs明确且适当）。
- C10 统计稳健性（多次运行/种子/Monte Carlo、方差/CI，如适用）。
- C11 计算可行性（当与实时移动性相关时报告的延迟/复杂性/收敛性）。
- C12 可重复性人为因素（关键）（代码/伪代码/参数表支持复制）。

7.2.2. 质量等级和评估如何影响综合
根据Q，研究被分类为：高（Q≥75）、中等（50≤Q<75）或低（Q<50），如表4所示。低质量的研究被保留用于描述性映射（例如，分类计数），但不包括在任何性能声明的定量聚合中。对于性能综合声明，应用了关键失败排除规则：Q<40或失败≥2个关键项的研究不用于支持性能结论。

表4. 研究质量类别、阈值以及评估如何影响综合决策。
- 高质量：Q≥75，包括在所有叙述性综合和任何性能声明的定量聚合中。
- 中等：50≤Q<75，包括在叙述性综合中；包括在需要敏感性检查和明确警告的性能聚合中。
- 低质量：Q<50，仅用于描述性映射；不包括在性能声明的定量聚合中。
- 关键失败：Q<40或失败≥2个关键项，排除在性能综合声明之外；只能引用以定义历史背景（不得出性能结论）。

7.2.3. 偏见风险评估（基于领域）
根据无线-AI研究中常见夸大性能/安全声明的领域，对每项研究进行了偏见风险评估：（D1）目标清晰度，（D2）数据/系统模型的代表性，（D3）移动性真实性，（D4）信道/CSI真实性，（D5）威胁模型对齐，（D6）基线公平性，（D7）结果测量/统计报告，以及（D8）可重复性完整性。每个领域都被评为低、有些问题或高。在关键领域（D3/D5/D8）中评级较高的研究被视为低确信度的证据，在综合分析中被排除，并且不纳入定量性能汇总。7.2.4. 证据-主题层面的GRADE应用在第八节综合的每个主要领域中（例如，基于RL的安全切换、用于保护隐私的移动性的FL、IRS辅助的安全移动性），而不是针对每篇论文单独应用GRADE。对于每个主题，根据偏见风险（来自领域评级）、不一致性（研究结果的异质性）、间接性（现实性与6G条件的对比）、不精确性（缺乏重复试验/间隔）以及潜在的发表偏倚等因素，对其确信度进行高/中/低/非常低的评级。主要由高质量、低偏见的研究支持的主题被用来推导设计原则，而低确信度的主题则明确作为初步发现和未来研究方向提出。7.2.5. 审稿人一致性和可重复性两位审稿人独立使用第7.2节中预定义的评分标准进行了全文筛选和研究评估（质量评分和偏见风险评级）。通过讨论解决分歧，必要时由第三位审稿人进行裁决。对于主要分类决策（在全文筛选中包含/排除），使用Cohen的κ系数对n=100条记录的审计样本进行了可靠性量化（Cohen的κ=0.76，一致性=88.0%）。最后，通过排除（i）低质量研究，（ii）关键领域的高风险研究，以及（iii）2018年以前的研究，重新运行关键摘要，以确认主要结论的方向是否依然稳健。7.3. 搜索策略为收集相关研究制定了详细的搜索策略。表5和图2显示了各数据库（2010–2024年）的总结果。该策略基于关键词和布尔运算符的组合，在IEEE Xplore、ACM数字图书馆、ScienceDirect、SpringerLink和Scopus等不同数据库/数字图书馆中应用。使用了所有与6G网络、智能移动管理和安全通信相关的关键词。为每个数据库开发了特定的搜索字符串。筛选条件设置了出版年份和文档类型：期刊论文和会议论文。这种方法确保检索到该领域最新和最相关的研究。表5. 来自各种数据库的搜索结果。数据库QS 1 QS 2 QS 3 QS 4 QS 5 QS 6 IEEE Xplore 9815232259 125399 ACM数字图书馆 022371747243 ScienceDirect 610127868112264 SpringerLink 508725648755112241 Scopus 1191744109 7.3.1. 查询字符串使用布尔运算符组合关键词并细化搜索结果。主要的搜索字符串包括使用AND、OR和NOT运算符的关键词组合。例如：下载：下载高分辨率图像（261KB）下载：下载全尺寸图像使用了以下关键词和短语进行搜索：•智能移动管理•安全移动管理•6G网络•分布式机器学习（DML）•边缘计算•联邦学习（FL）•网络管理•移动性预测•切换管理•资源分配•内容缓存•主动节能•对抗性攻击•自愈网络•关键应用场景•自动驾驶汽车•物理层（PHY）•可见光通信（VLC）•多接入边缘计算（MEC）•太赫兹（THz）通信•智能反射表面（IRS）•毫米波（mmWave）•大规模MIMO•信道估计•安全与韧性•机器学习（ML）•人工智能（AI）7.4. 选择过程选择过程包括多个阶段，以尽可能多地纳入高质量和相关的研究，如图3所示。首先，从数据库搜索中识别的重复记录被删除。剩余记录经过标题和摘要筛选，不符合要求的记录也被剔除。检索到剩余潜在符合标准的文章的全文，并根据预定义的标准进行评估，确保纳入了涉及6G网络中智能和安全移动管理的研究，从而保证了对当前研究领域的可靠和全面的综合分析。图2. 各数据库的总结果（2010–2024年）。图3. PRISMA 2020系统评价的流程图。8. 发现本节展示了从301项研究中综合得出的证据驱动的发现，这些发现围绕评价的研究问题组织。这里重点不是重新介绍背景概念（在第3节“6G及未来网络的安全挑战”和第4节“6G网络中用于安全移动的人工智能技术”中已经讨论的内容），而是解释文献中发现的模式、权衡和差距。图4. 6G安全移动性的关键物理层促成技术。这些技术按功能角色分组：THz/mmWave/VLC用于高容量接入和传播，NOMA/大规模MIMO/IRS用于多用户复用、空间处理和可重构传播，支持移动性的稳健性和PLS。8.1. 物理层技术综述文献确定了一组关键的物理层技术作为6G性能和安全的基础促成因素，如图4所示。这些技术包括非正交多址接入（NOMA）、MEC、智能反射表面（IRS）、毫米波通信（mmWave）、大规模MIMO和先进的信道估计（CE），它们被反复证明可以提高频谱效率、延迟和连接性。然而，分析表明，它们在移动性管理中的有效性很大程度上受到与AI驱动的控制和安全机制集成程度的影响[96]。一个普遍发现是，独立部署的技术可以提升性能，但可能会无意中扩大攻击面；因此，跨这些技术的AI驱动协调对于同时实现性能和安全目标至关重要。以下小节详细介绍了每种促成技术的AI增强安全机制，包括所使用的具体ML方法及其性能结果。8.1.1. 非正交多址接入（NOMA）综述研究一致表明，NOMA在提高6G网络的频谱效率和用户连接性方面起着关键作用[130][131]。NOMA的功率域复用特性允许不同用户同时访问相同的时频资源，使其适用于包括物联网和超密集网络部署在内的6G大规模连接应用。NOMA系统通过支持需要不同服务水平的移动用户的同时服务，实现了更好的QoS区分[132]。在高移动性条件下，NOMA的连续干扰消除变得不可靠，当用户快速移动时，会影响链路质量和安全性及干扰信号控制。两个挑战尤为突出，它们影响切换可靠性和安全性：错误的干扰消除方法会降低网络链接质量并使系统暴露于安全威胁。研究表明，需要将ML优化技术集成到NOMA系统中以支持安全的移动操作[133]。8.1.2. 多接入边缘计算（MEC）MEC作为一种关键促成技术，通过将计算和存储资源迁移到更靠近移动用户的地方，实现了低延迟的移动性管理[134][135]。研究表明，MEC技术通过大规模MIMO和IRS技术的配合，可以实时适应用户移动，从而减少切换延迟，并为需要持续移动的应用（如自动驾驶和增强现实）提供更好的服务连续性。频繁的移动事件给MEC协调带来压力，增加了任务调度决策受到对手操纵的风险。未来的6G网络需要基于AI的MEC框架来解决两个基本问题：安全任务卸载和移动感知的资源调度。8.1.3. 智能反射表面（IRS）在综述研究中，IRS被公认为是动态重塑传播以提升链路质量和保密性的最具影响力的技术[136]。研究发现，IRS可以通过动态引导信号远离窃听器和干扰源来提高通信可靠性和PLS[137][138]。在移动场景中，IRS辅助的波束成型在用户移动过程中提高了链路稳定性，减少了切换失败。研究结果表明，IRS功能需要精确的信道状态知识和快速的系统控制系统。由于这种联系，系统在快速系统变化期间面临两大问题，难以扩展和保持稳定性。根据最新研究，AI辅助的IRS控制对于实现安全和可靠的移动管理至关重要[139][140]。尽管具备这些能力，但在实际6G系统中部署IRS仍受到显著的硬件和协议级限制，包括非理想的相位依赖性幅度响应、离散的相位分辨率、高昂的信道估计（CE）开销以及控制链路安全漏洞，这些在第8.5.6节中进行了详细探讨。8.1.4. 毫米波（mmWave）毫米波技术提供了高带宽，可以满足6G严格的高数据速率要求[141]。然而，众所周知，毫米波信号容易受到遮挡和高路径损耗的影响，这是实现可靠通信的主要挑战之一。通过使用IRS反射毫米波信号可以有效地缓解这些问题，从而增强覆盖范围并改善受阻环境中的信号强度。因此，动态调整信号路径可以提高城市和其他密集建设环境中网络部署的鲁棒性和灵活性。此外，基于DL的毫米波信道估计方法已被提出，旨在提高通信效率[137]。这些方法可以通过减少训练开销来准确估计信道状态，从而提高整体通信性能[142]。DL可以通过高级算法自适应调整IRS配置，确保最佳的信号反射和传输[143]。因此，通过与IRS和DL技术的集成，不仅毫米波技术本身的局限性会得到改善，其潜力也会大大提升，从而为更可靠和高效的6G网络铺平道路，支持大量带宽密集型应用[144]。8.1.5. 大规模MIMO大规模多输入多输出（MIMO）技术在发送器和接收器上配备多个天线，通过在空间复用和信噪比方面发挥作用，实现多个数据流的并行传输，显著提升了网络容量和用户连接性[145]。结合IRS和NOMA技术，MIMO可以进一步增强这些优势。IRS可以通过优化信号路径来减少或消除干扰和衰落问题，从而提高复杂环境中的信号质量和可靠性。此外，IRS还可以增强信道估计，这在确保高移动性环境（如车辆通信或动态城市环境）中的性能方面至关重要。将这些NOMA集成到改进的MIMO系统中，可以在同一频段内更高效地为多个用户提供服务，从而提高整体网络容量。因此，大规模MIMO、IRS和NOMA的协同作用对于未来的高性能、多功能6G网络具有前景[144]。8.1.6. 信道估计在6G网络中，尤其是由IRS、大规模MIMO和毫米波波束成型辅助的链路中，准确的信道估计至关重要。与大规模MIMO和IRS不同，后者创造空间自由度或重新配置传播环境，信道估计是一个基础性的、正交的促成因素：它提供了安全预编码、波束对齐、零点转向、物理层认证、抗干扰适应和保密率优化所需的可靠CSI。从这个意义上说，信道估计并不是通过替代这些技术来提高隐私和安全性的；相反，它是实现它们安全运行的基础。在6G中，这一角色变得更加关键，因为高移动性、多普勒效应和频繁的拓扑变化会使CSI迅速老化。如果CSI过时或被污染，网络可能会错误配置IRS相位移动、大规模MIMO预编码器和与移动性相关的波束管理，从而增加信息泄露给窃听者的风险，降低认证可靠性，并使系统暴露于欺骗攻击。DL和压缩感知是提出的一些先进技术，用于应对这些挑战。DL方法利用神经网络从大型数据集中学习信道的复杂特性，即使在高度动态的环境中也能做出更好的预测[147]。例如，在IRS辅助的毫米波系统中应用的深度去噪神经网络提高了信道估计的准确性，显著减少了噪声和干扰，从而提高了性能。相比之下，压缩感知方案通过利用信道的稀疏性来减少测量次数，同时实现更好的估计精度。除了通信效率外，这些方法还在快速变化和对抗性条件下保持可靠的CSI，从而支持6G网络中的安全波束成形、强健的认证和稳健的移动性控制[140][148]。8.1.7. 6G中的语义通信和安全性语义通信作为一种有前景的6G网络范式，将传输的重点从原始比特传递转向意义、意图和相关任务的交换[149][150]。与优化吞吐量和BER等指标的传统通信系统不同，语义系统利用基于DL的联合源信道编码，仅传输对接收者推理任务有意义的信息，显著减少了带宽消耗和传输开销[150][151]。这种能力对于6G应用特别重要，例如扩展现实（XR）、自动驾驶和目标导向的物联网（IoT），在这些应用中，任务性能而非数据保真度是主要的QoS（服务质量）标准。从安全和隐私的角度来看，语义通信引入了一个全新的攻击 surface，传统基于比特级的PLS（物理层安全）[152]方法无法充分应对这一问题。语义对抗性攻击针对传输信号的意义层，而非其物理表示：即使比特级的扰动无法被察觉[152][153]，攻击者也可以改变传输的语义特征，从而影响接收者的理解或任务输出。目标操纵攻击利用语义系统的目标导向特性，通过注入虚假的语义上下文来误导安全关键应用中的决策过程，如自动驾驶车辆控制和医疗监控。此外，语义窃听（即攻击者拦截和解码高层语义表示）比原始比特级拦截对隐私的威胁更为严重，因为解码后的语义特征直接暴露了用户的意图、位置和行为模式。

语义安全的对策结合了人工智能驱动和物理层机制。基于深度学习的语义编码器可以结合对抗性训练和差分隐私约束，生成对扰动具有抵抗力且能够抵抗推理攻击的表示[153]。PLS技术（如波束成形和协同干扰）可以被调整用来保护语义通道免受拦截，而基于FL（ Frequency Lifting）的分布式语义模型训练则可以防止原始语义数据离开用户设备，从而在设计上保护隐私[150]。设计具备安全意识的语义通信系统仍然是一个开放的研究问题，因为目前的基准测试基于比特级指标，无法捕捉到对抗性条件下的任务成功保真度，这一点在第10.8.1.8节中将进一步讨论。

6G中的反向散射通信已成为实现超低功耗连接的关键技术，使其特别适合大规模IoT部署、植入式医疗设备和环境传感应用[154][155]。与主动无线电系统不同，反向散射设备调节并反射来自现有Wi-Fi、蜂窝或专用读器的环境射频信号，而不是生成自己的载波，这使得其运行功耗比传统的6G无线电低几个数量级[154]。这种被动架构符合6G可持续、大规模连接的目标，但也引入了与主动发射器截然不同的安全漏洞。反向散射系统的主要安全挑战源于其本质上弱且全向的信号特性。反向散射信号的低信噪比使其容易受到被动窃听，因为即使目标接收器就在附近，调制后的反射信号也可能被具有灵敏接收器的攻击者截获[156]。标签欺骗和伪造攻击利用了能量受限的反向散射设备缺乏传统加密认证的特性，而干扰激励信号则可以轻易阻止反向散射通信，从而实施低成本的DoS（拒绝服务）攻击[157]。在多标签环境中，标签碰撞攻击故意引起同时发生的反射，破坏读取器的解码，导致可用性下降，而无需使用传统的干扰发射器。基于深度学习的语义编码器可以在最小能耗下保护反向散射通信的安全性。波束成形可以将入射信号在合法标签上集中，同时抑制窃听者的接收[157]。利用标签反射系数中的独特硬件缺陷进行AI辅助的射频指纹识别，可以在不增加加密开销的情况下实现轻量级的物理层认证[156]。基于强化学习的激励功率控制可以进一步优化反向散射信噪比与窃听者暴露之间的权衡，在动态环境射频环境中提高保密性。将IRS（ Indoor Reflection System）与反向散射系统结合是一个特别有前景的方向：IRS可以同时放大标签在读取器处的反射信号并抑制向窃听者的泄露，将两种节能的6G技术结合成一个统一的安全连接框架[155]。

表6中的分类法将回顾研究中识别的移动性和系统级挑战分为八大类。文献通常将移动性视为预测准确性、移交效率、资源分配、安全性、能源效率和用户体验之间的相互作用，而不是将其作为一个独立的功能。这一分类法强调，任何一个维度的弱点都可能影响到整个移动性管理流程，导致服务质量下降、延迟增加或安全漏洞。分析还表明，大多数现有解决方案仅解决了这些挑战的部分问题，这突显了需要综合考虑性能、安全性和适应性的整体移动性框架在6G及以后的网络中的必要性。

6G网络中的移动性和系统级挑战分类如下：
- **移动性预测挑战**：预测用户移动性的准确性对于保持无缝连接至关重要[158]；在动态环境中适应快速变化的环境和用户行为[159]；在收集和处理移动性数据时保护用户数据隐私[160]。
- **移交管理问题**：减少移交过程中的延迟以保持服务不中断[161]；在移交过程中高效分配网络资源以避免拥塞和服务降级[158]；确保在细胞或网络之间平稳过渡而不会产生明显的中断[79]。
- **资源分配和预留**：根据实时移动性模式动态分配和预留网络资源[162]；扩展资源分配机制以处理6G网络中的大量设备[28]；管理和优先分配资源给自动驾驶汽车和无人机等关键应用[163]。
- **内容缓存**：战略性地放置内容缓存以最小化延迟并提高访问速度[164]；确保缓存内容是最新的和相关的[165]；在节省能源的同时平衡缓存成本与性能收益[163]；实施基于预测移动性模式的主动节能措施[160]；确保节能措施不会显著降低网络性能[166]。
- **安全和韧性**：防止操纵机器学习/联邦学习模型的攻击以降低网络性能[27]；确保机器学习/联邦学习过程中使用的数据的完整性和真实性[160]；开发自我修复和恢复机制以在攻击后快速恢复网络功能[162]；在用户移动时保持一致的服务质量[28]；根据实时网络条件和移动性模式调整QoS参数[163]；根据个人移动性模式提供个性化服务[166]。

6G条件下的移动性预测仍然具有挑战性，因为用户速度高、间歇性遮挡、异构接入和非静态流量模式等因素。研究表明，预测错误会传递到下游的移动性控制决策（例如移交和资源分配），导致信号开销增加、服务质量下降以及在对抗性环境下的潜在安全风险。高精度是实现无缝连接的先决条件，任何不准确性都可能导致服务中断，影响用户体验和网络效率。在动态环境中，这种挑战尤为明显，因为用户行为或环境条件变化迅速。鉴于在高变异性场景（如移动城市环境或动态公共事件）中确保服务质量的必要性，这一问题的紧迫性更加突出[167]。6G整合了多种设备和应用，增加了移动性预测的复杂性。从智能手机和IoT传感器到自动驾驶车辆，每种设备都有独特的移动性模式和需求，这种异构性构成了重大挑战。这种复杂性凸显了需要复杂算法实时学习和适应环境变化的必要性，强调了当前挑战的深度[168]。

在6G移动性预测的背景下，一个关键挑战是用户数据隐私的管理。移动性数据的收集和处理引发了重大的隐私问题，必须解决这些问题以维护用户信任和合规性。要在数据准确性和隐私保护之间取得适当平衡，需要强大的数据匿名化机制以及持续改进的法规和技术保障[27]。

在6G及以后的网络中，关键的移交挑战包括决策延迟、移交事件时的资源分配以及在高移动性下的服务连续性。做出移交决策需要能够预测最佳触发时间和目标小区/接入点的算法。根据Zhang等人的研究[79]，需要强大的移交管理来确保用户从一个网络段无缝转移到另一个网络段，而不会造成明显的中断，保证服务连续性和用户满意度。高效的多移机制可以减少这些延迟差异，从而实现细胞或网络之间的平稳过渡。例如，Long等人[161]指出，复杂的移交策略应减少延迟，以避免用户在移动时的连接中断。因此，特别是在需要超可靠低延迟通信的场景中（如自动驾驶或工业自动化[27]），减少移交延迟非常重要。另一个影响网络性能的关键挑战是移交事件时的资源分配。它保证了网络资源的有效分配，防止网络拥塞或服务下降[169]。Shayea等人[170]强调了动态资源分配方法的重要性，这些方法能够根据网络状况和用户需求的变化进行调整，避免在移交过程中形成瓶颈。适当的资源分配机制可以在避免某些应用垄断带宽和资源的同时保持服务质量[171]。不同网络小区或接入点之间的无缝移交是提供连续高质量用户体验的另一个关键标准。做出决策需要复杂的算法来预测最佳的移交时间和目标。移交管理需要确保用户从一个网络段顺利转移到另一个网络段，而不会造成明显的中断，保证服务连续性和用户满意度。涉及机器学习技术的先进移交方案可以动态适应实时网络条件，确保在过渡过程中的最小干扰[172]。为了成功部署和运行6G网络，需要解决这些移交管理问题，以实现超可靠、低延迟和高容量的连接，尤其是在需求不断增长的动态环境中[172]。

在6G中，资源分配和预留将是维持高效网络性能和确保相关应用服务质量的关键。通过根据实时移动性模式动态分配和预留网络资源，可以实现高效的资源利用。Giordani等人[162]建议使用先进的算法来适应网络条件的实时变化，以提高资源利用效率。需要可扩展的资源分配机制来支持大量设备的连接[162]。Du等人[28]的研究表明，机器学习技术可以实现可扩展的资源分配，因为这些方法可以实时预测和处理大量设备的资源需求[162]。资源优先级分配对于确保关键资源（如自动驾驶汽车和无人机）的适当分配至关重要。Tataria等人[163]指出，运行高风险的应用程序需要通过算法对网络资源进行复杂的管理和优先级分配，以便在网络负载很重时也能保证关键功能的最佳运行[163]。

为了在6G网络中实现任何性能改进和提升用户体验，减少延迟和加快访问速度依赖于内容缓存。实现这些目标的一个重要因素是战略性的缓存放置。通过在靠近最终用户的地方（如网络边缘）放置缓存，可以显著降低延迟，从而加快内容交付并提高用户满意度[164]。内容缓存的第二个关键方面是数据更新。定期更新缓存内容非常重要，以确保提供最新和最相关的信息，防止向用户分发过时内容[165]。Bariah等人[165]提供了保持数据更新的各种策略，强调了在更新率和资源利用之间取得平衡的重要性。此外，缓存策略的成本效益也是一个重要考虑因素。在缓存部署和维护与其带来的性能收益之间取得适当的平衡，预计将成为可持续网络运营领域的一个重要视角。Tataria等人[163]深入研究了缓存的经济学问题，提出了优化资源分配的经济模型，以在保证高性能的同时最大化投资回报，强调了我们对可持续网络运营的责任。换句话说，为了实现6G中的高效内容缓存，需要战略性地放置缓存、确保数据新鲜的机制，以及平衡性能收益与部署成本的成本效益策略。所有这些措施都能提高网络服务的效率和可靠性，从而提升用户体验。

8.2.5. 节能
6G网络中的节能是一个至关重要的特性，必须采取先进措施来实现可持续性和运营效率。其中一种方法是通过预测移动模式来实施主动节能技术，这使得网络能够根据预见的移动情况和用户行为来规划资源的最优分配，从而在不影响服务质量的情况下节省能源[173]。在这方面，Salahdine和Kaabouch[160]主张采取此类主动措施，这些措施可以通过调整网络参数来大幅降低能耗，而无需等到移动性发生变化。所有这些节能努力都应在性能和能源效率之间建立微妙的平衡，以确保实现的节能活动不会降低网络性能。这需要复杂的算法和自适应机制，以有效管理能源消耗，同时保持高性能标准。Akyildiz和Kak[166]指出了这种平衡解决方案的必要性，表明没有必要为了提高服务质量而牺牲节能效果；另一方面，这种平衡对于实现节能型6G网络是可行且必要的。

换句话说，主动节能措施以及在性能和能源效率之间取得平衡是开发可持续6G网络的关键。这些策略不仅在当前减少了运营开支，而且对于减少下一代无线通信的碳足迹等环境目标也是基本的。它们的积极影响不仅体现在理论上，更体现在实际步骤上，有助于实现更加可持续的未来[174]。

8.2.6. 安全性和弹性
综述的证据一致指出，对机器学习（ML）/联邦学习（FL）模型的恶意操纵是对6G移动性最严重的未解决威胁之一，可能对自动驾驶汽车、远程医疗和工业自动化产生潜在影响[27]。具体的攻击类型和防御机制将在第8.4.1节及以后部分进行分析。数据完整性对于移动性管理系统至关重要，因为ML和FL过程中使用的数据的真实性与准确性直接影响系统的可靠性。被篡改的数据可能导致错误的决策和功能下降，从而削弱用户信任。当前加强数据完整性的策略依赖于严格的验证机制，以验证和确认数据，防止被操纵和破坏[175]。此外，还需要恢复机制，如自愈协议和自动化恢复过程，以便快速应对攻击，维持服务连续性，并提高整体可靠性和用户满意度[176][177]。

8.2.7. 服务质量（QoS）
在不同移动状态下确保无缝连接和高服务质量（QoS）对于可靠的服务提供至关重要，特别是在用户在不同蜂窝和市场环境之间移动时。在这方面，本章通过关注支持可靠和持续连接的机制，为6G及以后的智能和安全移动性管理做出了贡献。Du等人（2020）提出了基于ML的方法来预测和动态管理网络状况，从而在用户移动时保持QoS[28]。此外，需要灵活的QoS参数来适应实时网络状况和移动模式，通过动态分配资源和调整服务参数来优化网络性能和用户体验。Tataria等人（2020）表明，灵活的QoS框架可以根据当前网络负载、用户需求和移动场景配置服务级别，以提高性能和用户满意度[163]。基于这种一致性和适应性，6G网络可以为从自动驾驶汽车到智慧城市应用等各种高移动性用户提供可靠的服务[138]。

8.2.8. 用户体验
在6G及以后的智能和安全移动性管理中，提升用户体验是优先考虑的。无缝连接支持用户在不同地理位置和网络环境之间移动时的网络访问连续性和体验质量（QoE）。无缝连接意味着用户的QoE得到保持，特别是对于那些参与实时应用（如视频流、在线游戏或远程工作）的用户。Shayea等人[158]指出，随着未来愿景和高发展的移动性管理技术变得更加动态，应该能够在高速移动时保持连接的稳定性和可靠性，同时根据变化的条件进行调整。此外，根据个人的具体移动模式和用户对网络服务的需求进行网络服务的定制是提升用户体验的关键方面。网络可以利用这些信息提供更符合特定需求的服务，从而根据提供的内容、连接性和广告定位提高个性化程度。Akyildiz和Kak[166]阐述了利用先进的数据分析和ML算法实时创建个性化网络体验的可能性，这能够增强用户满意度，并通过有效的资源分配使网络更加高效。虽然6G倾向于提供无缝连接和个性化服务，但它也能满足用户多样化的动态需求[178]。

8.2.9. 物理层（PHY）对抗性攻击
对6G物理层的对抗性攻击意味着复杂的移动性管理，这类高级通信系统的安全性和可靠性面临风险。这种恶意操纵PHY信号可能导致网络性能大幅下降，从而导致连接中断和用户移动能力受损。此类干扰可能导致错误的切换决策、延迟增加，甚至连接丢失——这些事件可能对实时应用（包括自动驾驶汽车和智慧城市基础设施）产生严重影响。由于物理层容易受到此类攻击，因此需要强大的安全措施和适应性的移动性管理策略来减少这些攻击的影响。虽然可以将先进的ML算法与实时监控系统结合使用，但它们可以检测和抵消这些对抗行为，以确保弹性且高效的移动性管理过程[179]。这将为网络提供保护，并在更大范围内实现无缝连接和性能的最佳用户体验[180]。

下载：下载高分辨率图片（1MB）
下载：下载全尺寸图片
图5. 带有AI的6G无线网络架构

8.3. 6G物理层及以后的人工智能（AI）分类学
如第4节所述，6G物理层采用了多种AI范式。图5展示了AI在6G网络架构中的集成情况。综述的研究表明，AI驱动解决方案的有效性在很大程度上取决于学习范式与特定物理层技术之间的相互作用，具体细节将在以下小节中详细讨论。研究表明，利用无线信道的固有随机性的PLS（物理层安全）为加密方法提供了有效的补充，特别是对于资源受限的6G设备[181][182][183]。关键发现表明，无密钥的信息论安全方法在可扩展性和弹性方面优于传统的共享密钥方法[184][185]，而增强AI的PLA（物理层攻击）方案在动态信道条件下具有更高的准确性和适应性[186]。具体的PLS威胁类别（窃听、欺骗、干扰、污染和对抗性攻击）将在以下针对特定攻击的小节中详细说明。
PLS中的一个关键且具有挑战性的问题是设置认证器的决策阈值。这个阈值对于将模型产生的信号与预设阈值进行比较至关重要。长期以来，找到最佳阈值一直是一个挑战。然而，该领域的最新进展提出了一种无阈值的方法，标志着这一领域的重大突破。更广泛地说，现有的相关工作可以归类为几种类型的PLS：保密性、真实性（如PLA）、密钥生成、可用性和物理层攻击检测[182][187][188]。

下载：下载高分辨率图片（347KB）
下载：下载全尺寸图片
图6. 带有AI和传统安全的PLS

8.3.1. 物理层安全层次结构
图6中的图表展示了6G网络背景下PLS方法的分类学，区分了传统方法和智能方法。
**传统物理层安全**
传统的PLS主要依赖基于规则的安全机制。这些方法侧重于预定义的规则和协议来保护通信。基于规则的安全方法包括加密、认证和干扰缓解技术，这些技术是根据已知的漏洞和威胁建立的。虽然在一定程度上有效，但这些方法难以适应6G网络日益复杂和多变的环境[75][189][190]。
**智能物理层安全**
智能PLS则结合了先进的AI技术来增强安全措施。这种方法分为三个关键领域：对抗性机器学习（Adversarial ML）、深度学习（DL）和强化学习（RL）。
**对抗性机器学习**
对抗性机器学习是通过复杂的ML技术增强PLS的重要进展。传统的ML方法通常包括两个关键阶段：训练和测试。在训练阶段，算法从数据集中学习以开发模型；在测试阶段，使用这个训练好的模型对新输入数据进行分类或预测[109]。将ML算法与PLS技术结合起来显著提高了安全性能，减少了影响性能的因素，并提高了数据处理速度和入侵检测效率[191]。研究人员开发了几种基于ML的PHY认证方法；例如，基于内核的机器学习方法已被提出用于在动态变化的PHY属性环境中实现智能认证。对抗性机器学习专注于开发能够预测利用AI系统漏洞的攻击并提供相应防御的模型。最近的研究提出了能够抵抗操纵性对抗数据的模型，从而增强了6G及以后物理层的安全性，这对于维护通信系统的完整性和可靠性至关重要，因为网络威胁技术变得越来越复杂[192][193][194]。
**深度学习**
深度学习是传统ML过程的改进版本，它可以通过多层非线性处理单元从原始数据中自动生成重要特征，从而实现准确的预测或分类。最近，深度学习得到了扩展，以提高PLA的性能。它们之所以在非常强大的PLA方案中有效，是因为DL算法本质上能够很好地适应时变通信信道[195]。例如，PLA系统通过使用自适应神经网络学习信道的多维属性，进一步提高了准确性。此外，卷积神经网络（CNN）和循环神经网络（RNN）的处理使得PLA更加智能和有效。深度神经网络（DNN）有助于理解和预测网络中的复杂模式，能够检测大量数据中的任何异常或威胁，从而确保通信系统的安全和韧性。应用于PLS的DL可以增强网络对新兴威胁的防御能力，同时优化6G及以后网络的总体性能[196][197][198][199]。
**强化学习**
强化学习（RL）涉及通过奖励理想行为和惩罚不理想行为来训练模型如何做出最佳决策。在PLS领域，RL将极大地增强安全性，同时优化资源分配和网络动态的管理。由于学习会随着新威胁的出现而持续进行，因此可以开发出缓解不同安全风险（如干扰和窃听）的策略。RL也是适应性决策的强大工具；这对于确保6G网络内的强大和弹性安全至关重要，以应对复杂的攻击[200][201][202]。
深度强化学习（DRL）结合了DL和RL的原则，构成了一个强大的框架，用于建立有效的安全解决方案。DRL方法通常使用DNN来估计最优价值函数和将状态映射到动作空间分布的策略[203]。因为动作价值函数通过评估在给定状态下采取某种行为的好处来增强策略，因此可以实现复杂的决策。强化学习（DRL）在解决高度复杂的决策问题方面表现出色，这些问题兼具高维状态和庞大动作空间的特点。最近，DRL 在解决无线安全问题（包括抗干扰策略）方面受到了广泛关注。借助深度神经网络（DNN）强大的数据表示能力，DRL 能够非常好地逼近价值函数或策略函数。因此，DRL 能够在高维状态和庞大动作空间中实现决策，从而提升 6G 网络中物理层（PHY）的安全性。在物理层安全（PLS）领域，DRL 的应用显著提高了适应性和决策能力，这对于有效管理先进通信系统中的复杂威胁至关重要。基于这些先进的人工智能技术，DRL 增强了 6G 及后续网络安全机制的弹性和鲁棒性，确保了安全高效的通信[204]、[205]、[206]、[207]、[208]。

8.4. 6G 的潜在威胁
与之前的移动通信系统类似，6G 无线接口将面临多种安全威胁。新型无线电技术的进步和应用，加上人工智能的整合，引入了额外风险。图 7 展示了 6G 无线网络中的常见威胁，涵盖了大量的漏洞。这些威胁不仅包括传统安全问题，还包括快速发展的技术环境所带来的新挑战。因此，6G 的保护措施需要全面应对任何现有的和新兴的威胁，以防止任何形式的网络安全违规行为，如表 7 所总结的那样。

下载：下载高分辨率图片（325KB）
下载：下载全尺寸图片

图 7. 潜在的 6G 威胁的跨层分类，涵盖物理层（PHY）、网络/控制层（network/control）和人工智能/应用层（AI/application）。物理层安全（PLS）主要缓解针对物理层的特定威胁（例如窃听、干扰、导频污染和信号级欺骗），而其余威胁（例如分布式拒绝服务（DDoS）、隐私泄露和高层协议攻击）则需要补充的上层安全性和弹性机制。

表 7. 最近的 AI 辅助 PLS 研究中考虑的攻击类型。覆盖范围分为：● = 强重点，○ = 部分涉及（支持或次要方面），○ = 未考虑

研究
窃听（Eavesdropping）
欺骗（Spoofing）
干扰（Jamming）
污染（Contamination）
对抗性攻击（Adversarial）

[209] ?○○●○○
[210] ●○○○○○
[211] ○○●○○
[212] ○○○○○
[213] ○○○○○●
[214] ●●○○○
[96] ?○○○○●
[215] ?○○○○
[190] ●○○○○
[216] ○○○○○
[109] ○○○○○
[68] ?○○○○●
[217] ○○○○○
[218] ○○○○○
[219] ○○○○○

我们的研究
●●●●●

8.4.1. 干扰
一个关键问题是如何在 6G 及后续网络中，通过智能和安全的移动性管理来缓解干扰攻击。干扰者通过向介质发送重复的、伪造的或随机信号来干扰、窃听或伪装移动用户与其服务基站或接入点之间的通信。更准确地说，他们的主要目的是降低基站到移动设备的传输质量，耗尽设备的能量，并发起进一步的攻击，例如拒绝服务（DoS）和中间人攻击。干扰技术可以分为以下两类：主动干扰技术和被动干扰技术[96]、[220]、[221]、[222]。

下载：下载高分辨率图片（169KB）
下载：下载全尺寸图片

图 8. 干扰
- 主动干扰：主动干扰涉及发送干扰信号以干扰消息接收，无需监控正在进行的传输状态。这种类型包括连续干扰、系统性干扰和任意干扰[96]、[221]。
- 持续干扰：攻击者使用无线电设备（如信号发生器）在预定间隔内向多个频率频道发送干扰信号。然而，如果没有受害者传输发生，这种方法可能会浪费干扰能量[96]、[223]。
- 随机干扰：在被干扰信号在随机选择的频率频道上以随机间隔发送。这种随机模式比持续干扰更节能[96]、[224]。
- 扫频干扰：攻击者定期并同时切换频道，在随后的时间段发送干扰信号，导致多次重传并耗尽设备能量[179]、[225]。

8.4.2. 自私行为
在 6G 网络中，如图 9 所示，自私用户以及边缘设备不管理数据以保护其带宽、能量、缓冲资源和隐私。在基于声誉的系统中，它们通过利用其他设备的服务细节进行欺诈行为。这种行为可能会导致上述问题，即有时会导致传输延迟、更高的能耗、更低的传输质量和服务故障。自私的边缘设备可能会向移动设备发送错误的计算过程，或者分配比承诺更少的计算资源，以节省有限的资源[96]、[144]、[229]。

下载：下载高分辨率图片（155KB）
下载：下载全尺寸图片

图 9. 自私行为

下载：下载高分辨率图片（107KB）
下载：下载全尺寸图片

图 10. 分布式拒绝服务（DDoS）攻击

8.4.3. DDoS
在 6G 及后续时代，保护智能移动性管理系统免受 DDoS 攻击至关重要。DDoS 攻击者通过连续的服务请求或干扰信号使服务器和边缘设备过载，阻止合法移动设备访问网络服务。其中一种特别恶劣的形式是分布式拒绝服务（DDoS）攻击，如图 10 所示，攻击者利用许多网络设备的 IP 地址，注入伪造的服务请求消息，并借助移动僵尸网络发起恶意流量。这最终会导致大量无用请求，干扰合法服务。图 10 展示了恶意行为者如何通过多个移动设备协同攻击，使边缘设备不堪重负。

下载：下载高分辨率图片（273KB）
下载：下载全尺寸图片

图 11. 隐私泄露

8.4.4. 隐私泄露
在不断发展的 6G 网络环境中，确保用户隐私免受复杂攻击的保护是一个关键问题，如图 11 所示，这需要强大的保护机制来防止不同类型的攻击（如链接攻击、推理攻击、差异攻击和重构攻击）导致的隐私泄露。6G 网络中的用户隐私涉及多个方面：身份隐私、数据隐私和位置隐私。信息隐私关注私人身份信息，如姓名、家庭地址、电话号码和私钥。由于移动用户数量的增加，这些信息暴露给攻击者的可能性也随之增加，尤其是中间人攻击，攻击者可以截获并伪造用户请求以窃取私钥和克隆身份[100]。6G 网络中数据密集型应用（如智能计费系统和医疗服务）的普及增加了数据隐私受到复杂攻击的脆弱性。这些攻击可能使用推理技术（包括关联规则挖掘和贝叶斯推理）从看似无害的数据中推断出敏感个人信息[232]。保护位置隐私至关重要，因为地理位置数据可以暴露个人的活动、行为模式、偏好和习惯等信息。恶意行为者可能利用这些信息推断出个人的健康状况和其他机密信息，用于非法财务利益或其他不正当目的[179]、[233]。此外，6G 系统在物理层（如干扰、欺骗和窃听）和高层（如中间人攻击、使用链接和推理的攻击）面临众多安全威胁。人工智能的快速发展加剧了这一情况，因为它成为能够监控防御机制并根据需要调整策略的智能对手。因此，为了防范这些威胁，我们需要像深度学习（DL）和预测分析这样的先进人工智能方法，以及与网络防御结合的策略，以便及时检测和预防潜在威胁并更改安全协议[96]。

8.4.5. 窃听
在众多严重的安全威胁中，窃听是 6G 网络中的一个关键问题，如图 12 所示[190]。对手试图拦截通过无线通道传输的机密信息，这一风险不容低估[234]。这些攻击可以大致分为主动窃听和被动窃听[235]。主动窃听涉及对手主动与网络交互，可能注入或修改数据以获得未经授权的访问权限[234]。在被动窃听中，对手默默监听通信而不修改数据，使得检测变得复杂[236]。6G 网络复杂性和连接性的增加显著提高了两种窃听形式的相关风险[237]。这种复杂性强调了需要先进和强大的安全措施来有效保护敏感信息免受可能的泄露[238]。

下载：下载高分辨率图片（153KB）
下载：下载全尺寸图片

图 12. 窃听者

被动窃听在无线网络中指的是秘密拦截通过无线通道发送的信息，而不产生任何信号[239]。这种方法的隐蔽性使得检测或定位窃听者变得非常困难[240]。通过窃听本地无线网络，这些攻击者可以轻松拦截有效信息，可能提取受害者的人口信息和位置信息[241]。这种窃听方式削弱了隐私保护，并可能为后续攻击提供便利，允许分析网络数据[242]。通过分析流量，被动监听者可以识别通信趋势，从而提高其发起更高级攻击的能力[243]。需要先进的安保措施来保护无线通信免受被动窃听的危害[244]。

主动窃听者能够有意产生信号，以便在拦截合法信息的同时操纵局势[245]。信道状态信息（CSI）估计允许授权的广播者或接收者识别和确定主动窃听者的位置。主动窃听是指利用干扰技术进行的窃听行为[246]。使用干扰技术的对手可以提高秘密拦截通信的能力。主动窃听者不仅限制通过允许的频道发送的信息量，还试图通过干扰频道发送干扰信号来增加他们能够拦截的信息量[247]、[248]。

下载：下载高分辨率图片（183KB）
下载：下载全尺寸图片

图 13. 欺骗

8.4.6. 欺骗
由于无线通道的广播特性，欺骗是无线通信系统的主要威胁之一，这使得它们容易受到此类攻击[241]。如图 13 所示，攻击者利用伪造的身份信息加入并破坏日常通信[250]。通常，合法发送者和接收者之间会进行常规的通信监视和窃听[251]。在收集足够的信息后，他们会以更高的功率发送欺骗性信号，从而劫持通信[252]。这种类型的攻击可以进一步分为身份欺骗和赛博格攻击（Sybil attacks）[253]。攻击者可能伪装成任何注册用户或设备，使用伪造的身份信息。这使攻击者能够未经授权地使用通信系统，随后可能发起中间人攻击或拒绝服务攻击[254]。与赛博格攻击不同，欺骗攻击者可能模仿多个节点或从单个物理设备创建大量身份。结果，合法用户可能会收到大量垃圾信息，妨碍日常通信，并可能引发更广泛的漏洞[255]。因此，欺骗攻击的影响更为深远，因为它们不仅可能破坏通信系统本身的安全，还为进一步攻击打开大门。这些漏洞只能通过强大的认证机制来设计和避免，并且必须有效地进行监控，以检测和减轻此类欺骗性活动[256]。随着无线通信系统的进步，特别是6G的引入，确保这些网络免受欺骗攻击变得更加重要，以保持通信基础设施的完整性和可靠性[257]。8.4.7. 无线通信系统中的污染攻击旨在通过干扰初始信道估计阶段来破坏通信环境[212]。这类攻击通常可以分为两大类：导频污染和反馈污染[216]。导频污染是指攻击者在知道合法用户的导频信号后，在信道训练阶段发送相同的导频信号[217]。这种故意的干扰会使得基站或接入点错误地估计信道[216]。因此，它会在预编码、波束成形和连续干扰消除等对通信系统质量和效率至关重要的阶段做出错误的决策。这种破坏会降低系统性能，增加错误率，最终降低整个网络的可靠性[212]。另一种是反馈污染，攻击者会修改从接收器发送到发射器的反馈。在这种情况下，由于受到污染的反馈，敌手会误导发射器做出次优的调整，进一步恶化通信链路的质量[258]。污染攻击对无线通信系统的影响尤其严重，特别是在像6G这样的先进网络中。它们威胁到CSI（信道状态信息）的准确性，而CSI对于有效的资源分配和干扰管理至关重要[259]。为了使系统能够抵抗此类攻击，需要强大的认证机制和安全的信道估计协议，并保持持续的监控以有效应对[260]。鉴于无线通信技术的不断演变，加强安全措施以防止污染攻击并保证这些系统的完整性和可靠性变得至关重要[261]。8.4.8. 中间人攻击被视为对无线通信的主要威胁，因为它们涉及到截获和修改发送者与其接收者之间的通信，以窃取敏感信息或导致通信过程失败[213]。在6G系统中，攻击者可以窃听无线信道并解码截获的信息以修改消息[262]。修改后的消息被注入系统，误导或操纵合法的无线电设备[213]。这种攻击可能导致用户隐私泄露、财务损失以及通信完整性的受损[263]。中间人攻击利用了通信协议的漏洞；因此，使用强大的加密和认证机制来防范这类恶意活动变得非常重要[264]。下载：下载高分辨率图片（297KB）下载：下载全尺寸图片图14. 对抗性攻击。8.4.9. 对抗性攻击图14中的对抗性攻击是专门针对机器学习模型中的漏洞进行的操控，旨在使其做出错误的预测或分类[109]。如果6G网络在安全和高效移动管理方面严重依赖机器学习模型，而这些模型受到精心设计的对抗性攻击的攻击，将是一个令人担忧的问题[215]。破坏这些模型的对抗性攻击可能会危害网络安全，从而导致潜在的数据泄露或服务中断以及系统性能下降[109]。基本上，根据攻击者对模型的了解程度，对抗性攻击可以分为三种类型：白盒攻击、黑盒攻击和灰盒攻击[68]。在白盒攻击中，攻击者完全了解模型，包括其架构、参数甚至训练数据；因此，他们可以精确地制造干扰来操纵模型的输出[68]。相反，在黑盒攻击中，攻击者不知道模型的内部细节，只关注输入和输出来推断漏洞。灰盒攻击处于两者之间[265]。鉴于6G越来越依赖于机器学习，迫切需要提供适当的防御措施来确保这些系统的完整性和安全性[132]。这可以通过提高模型的鲁棒性、应用对抗性训练以及进行彻底的监控以及时检测和响应威胁来实现[266]。在无线通信技术不断发展的背景下，加强安全措施以防范污染攻击并保证这些系统的完整性和可靠性变得至关重要[261]。8.4.8. 中间人攻击被认为是对无线通信的主要威胁，因为它们涉及截获和修改发送者与其接收者之间的通信，以窃取敏感信息或导致通信过程失败[213]。在6G系统中，攻击者可以窃听无线信道并解码截获的信息以修改消息[262]。修改后，篡改的消息被注入系统，误导或操纵合法的无线电设备[213]。这种攻击可能导致未经授权的敏感信息被访问、财务损失以及通信完整性的受损[263]。中间人攻击利用了通信协议的漏洞；因此，使用强大的加密和认证机制来防范此类恶意活动变得非常重要[264]。下载：下载高分辨率图片（297KB）下载：下载全尺寸图片图14. 对抗性攻击。8.4.9. 对抗性攻击图14中的对抗性攻击是专门针对机器学习模型中的漏洞进行的操控，旨在使其做出错误的预测或分类[109]。如果6G网络在其安全和高效移动管理方面严重依赖机器学习模型，而这些模型受到这些精心设计的对抗性攻击的攻击，将是一个令人担忧的问题[215]。破坏这些模型的对抗性攻击可能会危害网络安全，从而导致潜在的数据泄露或服务中断以及系统性能下降[109]。基本上，根据攻击者对模型的了解程度，对抗性攻击可以分为三种类型：白盒攻击、黑盒攻击和灰盒攻击[68]。在白盒攻击中，攻击者完全了解被攻击的机器学习模型，包括其架构、参数甚至训练数据；因此，他们可以精确地制造干扰来操纵模型的输出[68]。相反，在黑盒攻击中，攻击者不知道模型的内部细节，只关注输入和输出来推断漏洞。灰盒攻击介于两者之间[265]。鉴于6G越来越依赖于机器学习，迫切需要提供适当的防御措施，以确保这些系统的完整性和安全性[132]。这可以通过提高模型的鲁棒性、应用对抗性训练以及进行彻底的监控来及时检测和响应威胁来实现[266]。在白盒攻击中，攻击者完全了解被攻击的机器学习模型，包括其架构、参数甚至可能的训练数据[213]。获得这些完整信息使得构建非常精确的对抗性示例成为可能，从而欺骗模型[213]。最常用的白盒攻击方法包括FGSM和CW攻击[218]。FGSM方法在输入数据中沿着损失函数的梯度方向进行干扰，从而误导模型预测；而CW攻击则是较为复杂的方法，旨在找到最小的干扰，仍然能够通过优化损失函数来误导模型[218]。然而，白盒攻击的深刻影响需要开发极其强大的机器学习模型防御机制，尤其是在安全和准确性至关重要的关键应用（如6G网络）中[267]。在黑盒对抗性攻击中，攻击者不知道机器学习模型的结构和参数[268]。相反，攻击者将基于可用的API通过观察输入-输出对来构建一个替代模型[269]。这个替代模型将近似目标模型的行为，使攻击者能够间接生成对抗性示例[268]。这涉及到通过让攻击者查询目标模型并观察其输出来训练替代模型[270]。零阶优化和其他可转移性攻击可以实现这一点。ZOO依赖于通过有限差分进行梯度估计来生成对抗性实例[268]。可转移性攻击利用了这样一个现象：为一个模型生成的对抗性示例通常也能欺骗具有类似架构的其他模型[271]。黑盒攻击的间接方法使得它们非常难以检测和防御[270]。因此，这显示了在像6G网络这样重要的情况下，强大的防御措施对于保护机器学习模型的重要性。这些防御措施应包括集成方法和查询检测机制[271]。灰盒攻击是指攻击者对模型架构和参数只有部分了解的攻击[272]。在这种情况下，攻击者可以利用有限的信息引入足以破坏模型功能的干扰[273]。这些攻击在白盒攻击所需的详细信息和黑盒攻击使用的外部观察方法之间取得了平衡[272]。攻击者可以利用在模型中发现的漏洞来设计对抗性示例，例如，了解某些层或训练数据的特定特征[273]。主要地，攻击者可以使用部分知识梯度下降和混合攻击方法来实现这一目的[274]。PKGD利用可用的梯度信息来创建干扰，而混合方法结合了黑盒和白盒策略以确保最大的攻击效果[274]。灰盒攻击之所以复杂，是因为它们利用了来自模型的一些内部和外部知识；因此，它们非常难以防御[274]。因此，我们应该通过加强安全措施，如强大的训练和异常检测系统，来增强这些复杂攻击方法的防御能力，以应对这些类型攻击对关键系统（如6G网络）构成的风险[272]。表8. 最近研究中的安全AI辅助物理层技术覆盖范围：● = 主要关注点，○ = 次要/部分，○ = 未涉及。研究NOMAMECVLCTHzIRSmmWavemMIMOCE[181]○○○○●?●●[182]●○?○?○●○[275]●○○○○○?○[183]●○○○○?●?[184]?○○○●○●○[276]○○○○●○?○[277]?○○○○?●●[278]??○○●○●○[279]○●○○○○○○[280]○●○○○○○○[281]?○○○●?●○[282]○○○○●●●?[186]○○○??●●○[283]○○○●○○○○[284]○○○●○○○○[285]○○○○●?●●[286]●○○○●○●○[187]?○?○●○●○[147]○○○○●?●●[287]○○○●○●●●[288]?○○○○○●●●我们的研究●●●●●●●●8.5. 人工智能支持的物理安全技术如表8所示，用户和基站可以使用一系列尖端技术，包括NOMA、MEC、VLC、THz通信、IRSs、毫米波通信、大规模MIMO系统和先进的信道估计技术。为了更好地反映这一快速增长领域的广度，我们扩展了表8，增加了涉及NOMA、MEC、THz和IRS的代表性最新研究（例如[275]、[276]、[279]、[280]、[283]、[284]）。我们强调该表格具有代表性，仅涵盖了与移动性相关的6G场景直接相关的工作（例如，移动用户/无人机/车辆设置、动态信道或边缘卸载），而不是涵盖所有AI for PLS文献的完整目录。这些技术使策略优化成为可能，例如功率分配、波束成形、人工生成噪声（AN）策略、中继选择、预编码和IRS相位偏移。机器学习技术，特别是强化学习和AI方法，可以用来促进这一优化过程。总之，目标是提高安全通信性能，包括保密率和误码率[179]、[289]、[290]。8.5.1. 基于AI的安全NOMA基于AI的安全NOMA系统可以在不知道当前时间槽内窃听信道状态的情况下，确定每个用户和基站的最佳通信策略，例如子信道选择和发射功率选择[291]。这样一来，它可以提供更强的通信鲁棒性，不受信道状态的影响。Kan等人[292]和Pourkabirian和Anisi[293]提供了关于在信道不确定性下的强健通信策略的见解。例如，在将强化学习集成到NOMA系统中时，许多研究者建议将奖励函数定义为保密率和截获概率的组合[294]。截获概率可以定义为攻击者成功截获的数据与预期接收者接收到的所有数据之间的比率，以及其他参数如中断概率和能耗[295]。典型的NOMA设置涉及多个配备多个天线的次级用户，因此在学习阶段状态空间的维度非常大[296]。这不仅会显著降低AI算法的学习效率，还会相应增加在线计算时间[297]。因此，这种四层CNN与N DNDs结合使用，以提高学习速度，如NEC[298]、[299]。具体来说，这些状态信息包括主要基站和用户的发射功率，以及所有次级用户的接收信号强度指示器（RSSI）。然后通过池化层在输入到CNN之前降低这些数据的维度[179]、[297]。CNN的输出是通过热启动等迁移学习技术初始化的网络权重，即DND密钥和每个DND的输入[300]。在这种情况下，每个DND在那个时间槽会产生一个与当前状态相关的Q值，以放大NOMA奖励，例如在强化学习的背景下[301]。然而，DND仍可能需要努力避免那些可能降低基站接收消息质量并导致用户和基站之间传输失败的脆弱通信策略[302]。另一种基于AI的安全NOMA系统的可能性是使用深度RL算法，例如安全的DQNs来优化基站发射功率和AN波束成形向量，并进一步根据保密率、窃听率和能耗来提高接收到的奖励[275]、[303]。例如，将这些要求定制为安全标准，可以确保在尝试满足QoS需求的过程中，避免使用可能导致重大数据泄露的政策[304]。具体来说，确定一个风险值作为指示函数，使得保密率的总和低于QoS阈值。数据包括窃听信道的状态细节、用户之间的信道条件、整个系统的能量性能以及用户之间的干扰信号强度。这些信息将被输入到Q网络和E网络中，这两个网络具有由三个全连接层组成的基本结构：一个由状态维度定义的输入层、一个根据学习样本和状态维度调整的隐藏层，以及一个由可用传输策略定义的输出层，以做出最佳保护NOMA系统的决策[179]、[303]、[305]。8.5.2. 基于AI的安全MEC像凸优化和无监督学习这样的先进技术将使MEC（6G将要提供的其中一个重要概念）变得更加强大[306]。所有这些技术都有助于优化传输功率、移动性管理、卸载策略和资源分配的安全通信策略[307]、[308]。然而，总体而言，所有这些策略都依赖于诸如窃听者位置和窃听通道状态之类的变量，而这些变量通常是无法获得的，这为该领域增添了一定的神秘性和复杂性。通过使用基于强化学习（RL）的媒体中继（MEC）方案来实现AI加固的物理层（PHY）是一种真正的颠覆性技术，它显著提升了拦截概率和保密率等重要指标[279]、[309]。例如，Li [310]和Zabihi等人[311]讨论了区块链辅助的MEC系统如何利用深度确定性策略梯度（DDPG）来优化卸载策略和资源分配，并在没有窃听模式的情况下伪造智能合约。该技术能够根据传输数据速率、任务大小、CPU周期和带宽资源来找到长期奖励最大化的最佳策略，同时考虑到能源使用、合约费用和延迟等因素[34]、[312]。在一个拥有15 MB带宽和2到30个移动设备的网络中，Li等人[307]和Wu等人[313]证明，基于DDPG的方案相比基于DQN的方法可以降低21.9%的卸载成本，从而增强了这些技术的潜力。深度RL技术将为配备无人机（UAV）的MEC系统带来明显的好处[314]。它们可以在不知道窃听者确切位置的情况下提高保密能力[279]、[280]。实际上，Lu等人[280]和Lu等人[315]发现DQN可以通过优化传输策略和卸载策略来最大化长期奖励，其中包括保密能力、能源效率和延迟。在窃听者位置不详的情况下，DQN可以为MEC系统带来显著的改进[316]、[317]。DDPG与代理内传输学习的结合可以解决大规模网络中的性能问题[280]。该过程改进了演员网络并降低了计算复杂性。利用电池电量、窃听率和带宽等状态，它能够选择与边缘设备位置和功率设置相关的安全MEC策略[315]。此外，Seid等人[318]和Lu等人[315]发现近端策略优化（PPO）可以通过充分利用友好的干扰功率和卸载策略来简化计算，同时提高保密能力并降低延迟，从而改善计算结果。大规模网络已证明这种方法有助于提升MEC系统的性能[280]。8.5.3 基于AI的安全视频通信（VLC）系统在保护通信安全免受潜在窃听者的攻击方面发挥着关键作用[209]。传统方法如友好干扰严重依赖于预先确定的信道条件，而这些条件并不总是能够提前预测。为了应对这一挑战，出现了一种基于RL的安全VLC通信系统的新方法。这种创新解决方案旨在通过利用机器学习（ML）技术在实时通信场景中动态适应并增强安全性[209]、[210]。例如，Xiao等人[210]展示了其中一种方法使用源-窃听者链路信道增益来确定光干扰策略。它利用Q学习和DDPG等RL技术，确保在没有关于窃听通道状态的任何先验信息的情况下始终能够进行最佳的安全通信。因此，可以为合法用户选择合适的波束成形策略，以提高保密率和比特错误率（BER）。该系统利用状态信息（如发射机的信道状态、消息BER和保密率）来最大化包括保密率和BER在内的奖励。DDPG架构包含两个网络：演员网络和评论家网络。演员网络由卷积层和全连接层组成，输出安全通信策略。在更新目标演员网络的权重时，采用较小的学习率以确保渐进式变化，从而提高稳定性。评论家网络通过使用采样经验来估计所选策略来更新演员网络的权重[209]。在受控环境中的实验表明，这种方法的性能有了显著提升。例如，在5000个时间槽后，RL方法相比静态友好干扰方法表现出显著改进，将保密率提高了两倍多至2.033 bps/Hz，将BER降低了85.5%，并将奖励提高了2.39倍。更进一步，深度RL变体实现了额外的提升，保密率提高了29.7%，BER降低了79.3%，奖励提高了29.8%[179]、[304]。它还建议使用两级分层DQN，适用于具有足够功率和计算能力的发射机，以找到多个LED发射机的波束成形向量和干扰功率。DQN接收包括合法用户和窃听者的信道增益向量以及峰值信噪比（SINR）在内的状态，以确定最佳波束成形向量和最有利的干扰功率[179]。8.5.4 基于AI的安全太赫兹（THz）通信我们的安全太赫兹通信系统研究利用基于实时通信AI的方法来优化传输参数，如传输功率，同时考虑窃听可能性、用户分散度和窃听者位置等因素[283]。例如，使用RL/DRL保护太赫兹通信可以通过利用随频率变化的分子吸收特性来增强保密性。Advantage Actor–Critic（A2C）的输入包括SINR、最大隐蔽数据率和拦截概率。政策分布通过使用效益函数和价值函数来设计，以防止在整个学习过程中出现次优策略[284]。8.5.5 基于AI的安全红外通信（IRS）在6G网络场景中，安全性尤为重要，因为这些网络每天都会面临巨大的恶意攻击威胁[68]。IRS辅助系统对CSI和窃听者攻击模式有内在依赖性，这使得在接入点联合优化传输波束成形和IRS相移矩阵成为PLS设计中的一个核心挑战。基于交替优化（AO）和半定松弛（SDR）的传统方法在单天线窃听者和静态信道条件下解决了联合波束成形加相移问题[276]、[304]。虽然在受控环境中有效，但随着IRS元件、用户和窃听者数量的增加，这些方法需要完美的CSI，并且在计算上变得难以处理，而且它们无法泛化到动态移动场景而不显著降低性能[304]。为了克服这些限制，大量研究致力于开发基于AI的控制器设计，这些控制器可以通过与无线环境的直接交互来学习接近最优的IRS配置，而无需显式的信道模型。基于DRL的IRS控制器代表了最活跃的设计方向。Yang等人[319]提出了一个深度RL框架，其中DQN代理学习IRS相移，以在下行MISO窃听系统中最大化保密率，证明了在CSI不完美的情况下，基于RL的相位控制优于静态AO基线。Huang等人[320]将该框架扩展到使用多层感知器网络和Post-Decision State（PDS）算法与DQN相结合的协作MIMO-IRS设置，实现了保密率提高17.2%和QoS满意度提高8.7%；在协作安全网络中，多代理RL与分布式A3C结合用于选择中继节点的相移，进一步展示了可扩展性，尽管增加了收敛复杂性[320]。离散动作DQN基控制器的局限性在高维IRS相移空间中促使人们使用连续动作策略梯度方法。基于DDPG的IRS控制器设计在独立IRS系统和IRS辅助的UAV-MEC场景中显示出比基于价值的方法更高的学习效率和保密率收敛性[96]、[205]。最近，Twin Delayed Deep Deterministic Policy Gradient（TD3）算法已被应用于在有限块长度区域运行的URLLC系统中的联合主动/被动波束成形和IRS相移优化，证明了在非理想硬件（非线性幅度响应）下的稳健相移控制，并且在FBL率和收敛稳定性方面优于DDPG和传统AO方法[321]。这些结果表明，对于离散相位选择DQN，以及连续相位分辨率选择DDPG/TD3，对IRS控制器在移动引起的信道变化下的性能有显著影响。除了单一IRS场景外，多IRS和分布式IRS控制器设计还提出了额外的挑战，单代理DRL无法有效解决这些问题。在分布式多IRS部署中，协调多个IRS面板的相移以实现共同保密目标需要IRS之间的协作，而这种协作与集中控制相比效率较低[322]。特别是多代理强化学习（MARL）框架，如Multi-Agent Deep Deterministic Policy Gradient（MADDPG），已被提出用于将这种协作分解为仅共享轻量级策略更新的分布式本地控制器，从而在有多个窃听者的非视线环境中实现了接近最优的联合保密率最大化，同时减少了集中式信号开销[207]。另一种分布式方法利用联邦学习（FL）进行多IRS配置：每个IRS控制器在其观测到的信道和威胁环境下训练局部DRL策略，全局聚合服务器定期合并这些局部策略，实现了无需在节点之间共享原始CSI的隐私保护型分布式IRS控制[205]。基于FL的多IRS协调已被证明可以将保密率提高约30%，同时保持接近最优的窃听者检测精度，尽管在非独立同分布（non-i.i.d.）信道分布下的收敛仍然是一个未解决的问题[322]。一个共同的局限性是，大多数基于AI的IRS控制器设计假设信道几乎是静态的，并且没有评估在高移动性条件（例如快速移动的用户或车辆场景）下的控制器响应能力。IRS重新配置延迟、移动引起的信道相干时间和保密率稳定性之间的相互依赖性尚未得到充分研究，这是在IRS控制器设计和6G移动管理交叉点上的一个关键问题。8.5.6 实际的IRS实施挑战理论上的IRS设计假设硬件在完美CSI和连续相位分辨率下运行，但实际的IRS部署受到一系列硬件和协议级别约束的限制，这些限制大大缩小了6G系统中模拟性能与可实现性能之间的差距。本小节总结了回顾文献中发现的主要实施挑战。硬件缺陷和幅度-相位耦合。在绝大多数IRS优化研究中，一个基本假设是每个反射元件都能产生任意的相位偏移，同时保持单位反射幅度。然而，在实际中，IRS元件的幅度响应是配置相位偏移的非线性函数：偏离最佳工作点的元件会产生幅度损失，这种效应称为相位依赖的幅度耦合[323]。这种耦合意味着反射系数不能在幅度和相位上独立控制，使得单位幅度假设过于乐观。当考虑到包括相位噪声和元件间互耦在内的硬件缺陷时，在理想模型下报告的保密率和SNR增益可能会大幅降低[324]。因此，在考虑将基于IRS的PLS解决方案应用于6G部署之前，明确建模这些缺陷是必要的。离散相位分辨率。实际的IRS元件使用PIN二极管或变容二极管实现，它们只支持有限数量的可切换相位状态：1位配置提供两种状态{0,π}，而2位配置提供四个等距状态[0,2π)[325]。因此，连续相位优化结果仅作为上限。量化引入的性能损失取决于IRS元件的数量N和分辨率b：对于b=1位，相对于连续相位最优状态，保密率最多可降低30%[325]。因此，需要直接在离散可行集上优化的算法——使用分支定界、逐步细化或具有离散动作空间的DRL——来实现现实的IRS设计。信道估计开销。由于IRS元件是被动的且缺乏专门的信号处理能力，CSI获取需要估计级联的BS-IRS-UE信道，其维度为N×M，其中N是IRS元件的数量，M是BS天线的数量。由此产生的导频开销可能达到数百到数千个正交导频[326]，这与6G的延迟和移动管理目标直接冲突——特别是在信道相干时间较短的高移动性场景中。已经提出了两种实用缓解措施：两种时间尺度CE框架利用BS-IRS信道的准静态特性来减少每个时隙的导频开销，以及基于压缩感知的稀疏信道恢复方法，这些方法利用了IRS辅助毫米波信道的角度稀疏性[147]、[148]。然而，将它们与基于AI的相位偏移控制器结合在快速用户移动的场景中仍然是一个未解决的问题。被动与主动IRS架构。被动式IRS元件在反射入射信号时不进行放大，这意味着级联的BS-IRS-UE路径会受到乘性路径损耗的影响：即使有N=256个反射元件，在中等距离下，从IRS反射路径接收到的有效功率也可能比直接链路的功率低几个数量级[327]。主动式IRS架构通过为每个元件配备低噪声放大器来解决这个问题，从而实现信号放大和相位偏移。然而，主动式IRS会引入额外的放大噪声，并显著增加功耗和硬件成本，这在一定程度上抵消了最初部署被动式IRS的能效优势[327]。半被动混合架构——其中一小部分元件是主动的，其余为被动的——提供了一个折中的解决方案，并且越来越多地被用于6G部署的研究中[327]。

近场传播效应：对于电尺寸较大的IRS面板（例如，在亚6 GHz频率下N≥256，在毫米波频率下N≥64），附近的用户位于IRS的瑞利距离范围内，因此处于近场传播区域。在这种情况下，传统的远场波束成形模型所基于的平面波前假设不再适用：信道表现出角度和距离的依赖性，同一角度但不同距离的独立用户可以被区分开来[328]。大多数基于AI的IRS相位偏移设计依赖于远场模型，当近场效应不可忽略时，它们的性能会下降[328]。为了适应近场信道模型，需要调整基于DRL的IRS控制器，这是实现现实6G室内和密集城市环境部署的迫切要求。

IRS控制链路的安全性和超表面操纵攻击：一个关键但常被忽视的实施方面是IRS控制链路的安全性，通过该链路基站更新每个元件的相位配置。Alakoca等人[190]证明了，如果敌手破坏或篡改了IRS控制链路，就可以重新编程表面，将反射信号导向窃听者，从而有效地将一个增强PLS的设备变成降低PLS的设备。这种超表面操纵攻击与PHY层的窃听和干扰攻击不同，需要在控制层面采取专门的防御措施，例如经过身份验证的IRS配置协议和对反射信道行为的异常检测，这些超出了传统波束成形优化框架的范围。设计和开发同时具备PLS感知能力和对抗控制链路攻击能力的AI驱动相位偏移控制器，是IRS实现和6G安全领域一个重要的未解决问题。

8.5.7 基于AI的毫米波安全通信：一种新颖的方法结合了预编码、波束成形、信道频率选择、中继选择、功率分配和友好干扰等技术[304]。实际基站（BS）很少能够详细了解攻击者的模式或行为模式。因此，在主动窃听（包括嗅探和干扰行为）的情况下，保密率会显著下降[276]。为了解决这个问题，下行毫米波系统采用了一种分散式风险敏感的强化学习（RL）方法，在定义的状态空间和动作集结构内确定最佳波束宽度、传输功率和用户分配[214]。状态信息包括网络队列的状态、深度神经网络（DNN）的输出以及至少一个策略的Q值[214]。源节点和中继节点的A2C优化编码速率和传输功率可以在安全毫米波通信系统中实现最大的保密吞吐量。这种方法不仅会比标称基准大幅降低能耗，还能提高吞吐量，从而带来显著的优势。A2C行动网络在接收输入数据后，通过三个全连接层处理状态信息，这些数据包括优先级水平、源到中继的距离、中继节点和目标节点的SINR以及被截获的概率。批评网络（与行动网络结构相同）根据当前时间槽的状态评估所选传输策略的预期长期效益[179]。

8.5.8 基于AI的安全MIMO：对于6G及以后的网络来说，确保大规模MIMO通信的安全性是最紧迫的挑战之一[329]。之前，Ajayi等人[330]提供了传统的优化方法，这些方法依赖于凸优化来决定传输功率水平、传输持续时间和下行预编码，以及人工噪声。这些方法依赖于友好干扰和对窃听信道状态的精确了解，因此容易受到主动窃听技术的攻击，导致在窃听概率和信道状态未知的情况下性能下降[331]。这种观点促使人们提出了一种新的RL方法用于大规模MIMO系统[332]。一个结合全连接神经网络的A3C模型可以改进预编码矩阵、AN的成形矩阵和基于窃听信道状态和上行信道能量估计的功率分配[333]。这种方法在涉及多个用户的256x1 MIMO仿真系统中将总保密率最大化，同时将数据包延迟减少了25%[334]。此外，该方法还通过安全的Q学习优化中继功率，从而增强了解码转发中继的通信安全性。这种方法在构建Boltzmann策略分布时计算Q值和E值，从而降低了与所选中继功率水平相关的风险，这些风险通过误比特率（BER）、信道状态向量和窃听率来衡量[335]。Denis和Assaad[336]提供了MARL方法，如MADDPG，以增强大规模MIMO系统的安全通信。MADDPG利用多个接入点和多个天线来提高对抗窃听者的安全性[179]。这种方法旨在提高遍历保密率，降低误比特率，并优化接入点的能效。每个接入点都配备了一个行动网络，根据本地观察进行决策，而全局批评网络负责更新整个系统的Q值。其他AI技术，如监督学习和无监督学习，也改善了安全通信策略。在这个背景下，监督学习模型根据数据历史对威胁的严重性进行分类，而无监督学习模型则对窃听模式进行聚类以预测潜在的安全威胁[337]。为了在6G中实现智能和安全的移动管理，我们必须应对这些挑战。为了维持强大的PLS，我们必须实施动态和适应性的安全措施来抵御复杂的攻击。

8.5.9 基于AI的安全信道估计：对于安全的6G无线通信来说，AI支持的信道估计越来越重要，因为许多PLS机制直接依赖于准确和及时的信道状态信息（CSI）。特别是，安全预编码、人工噪声设计、波束对齐、IRS相位优化、物理层认证、抗干扰适应和导频污染检测都依赖于可靠的信道估计。因此，信道估计不应被视为与大规模MIMO或IRS竞争；相反，它是支持这些技术实现预期安全收益的功能。在6G中，由于大规模MIMO的高维度、高移动性场景下的快速信道变化以及毫米波/太赫兹（mmWave/THz）链路对遮挡和快速拓扑变化的敏感性，这种依赖性更加明显。在这些条件下，过时的或损坏的CSI可能导致波束错位、IRS配置不佳、保密率降低和认证性能减弱。基于AI的信道估计通过更准确地跟踪非稳态信道、抑制噪声和干扰以及识别可能表明污染或欺骗攻击的异常导频或CSI模式来提高安全性。简而言之，AI与先进PHY技术的结合将使6G网络不仅满足高数据速率和低延迟的要求，还能提供针对新兴威胁的强大安全性[338]。

9. 讨论：在图15中，信道估计、IRS、频谱感知、MIMO和波束成形被视为实施PLS的主要PHY机制（例如，保密率最大化、物理层认证和抗干扰），而第二级节点展示了基于学习的“智能”层方法，这些方法能够在移动性和攻击情况下调整每种机制。在第4.6节（图1）提出的集成框架基础上，本节讨论了实现每种交互路径的最先进方法。在6G及以后的智能和安全移动管理中，我们研究了旨在抵御攻击并保护PHY层安全的方法。我们的工作方向是利用不同的AI哲学来改进信道估计和保障通信安全，特别是生成对抗网络（GANs）、条件GAN和辅助GAN。

下载：下载高分辨率图片（274KB）
下载：下载全尺寸图片
图15. PLS与关键6G PHY机制之间的关系。物理层安全（保密性、认证和可用性）通过信道估计、IRS重新配置、频谱感知、MIMO空间处理和波束成形来实现。“智能”表示基于学习的这些机制的适应/优化（例如，DL去噪/鲁棒CE、基于RL的IRS控制、异常检测用于感知、AI辅助预编码和抗干扰/保密率波束成形），以应对移动性引起的信道动态和对抗行为。在回顾的研究中，基于AI的技术在评估的场景中报告了改进的切换和资源分配性能。GANs具有强大的潜力，能够开发出能够检测CSI中断并相应地减轻这些中断的稳健模型。它们可以生成模拟可能的或潜在的攻击的合成数据，从而训练系统不仅有效识别这些威胁，还能精确应对它们。

未来的其他关键技术包括智能反射表面、频谱感知、大规模MIMO、毫米波通信和新的波束成形技术。所有这些都将有助于形成一个整体框架，在这个框架中，PLS将得到保障，同时改善智能移动管理。IRS可以动态地操纵传播环境，提高信号的质量和安全性。另一方面，频谱感知有助于检测可用信道，防止未经授权的访问，从而提高频谱效率。大规模MIMO和毫米波提供了足够的带宽和容量，以支持高速数据传输和连接。先进的波束成形技术可以精确地将信号引导到目标位置，无干扰地提高通信可靠性。最近的研究报告了实验验证这些集成框架的努力，以增强6G的安全性和性能。基于这些文献，未来的工作预计将提供无缝连接、高数据速率和通过对物理层进行AI驱动的移动管理来抵御新兴威胁的强大保护。

9.1 从最近的研究中获得的经验教训：回顾文献（重点关注近期工作），可以得出几个关于6G及以后网络中AI驱动安全移动性的跨领域教训：
• 教训1：安全移动性是一个联合控制问题，而不仅仅是单一功能的优化。最近的研究反复表明，孤立地优化切换、资源分配或PHY安全往往会导致移动性决策不稳定或产生新的攻击面。最有前景的方法将移动性性能和安全约束视为闭环控制器中的共同目标。
• 教训2：移动性和信道的真实性仍然是可转移性的主要障碍。许多基于AI的提案仍然依赖于简化的移动性轨迹和乐观的CSI假设，这可能会高估收益。结合实际移动性动态的研究（例如，遮挡、多普勒效应、间歇性链接）揭示了保密性和切换稳定性对模型真实性的高度敏感性。
• 教训3：对抗鲁棒性正在提高，但很少与移动性KPIs协同优化。虽然对抗机器学习的意识正在增加，但能够同时保持保密性/可用性和在攻击下稳定切换/资源控制的稳健设计仍然有限。鲁棒性通常与移动性控制目标分开评估。
• 教训4：数据、基准和可重复性是结构上的瓶颈。反复出现的限制是由于定制的模拟器、专有轨迹和有限的代码/参数披露造成的。这减缓了公平比较的进程，使得难以重现安全移动性的声明。
• 教训5：跨层协调正在兴起，但在端到端验证方面仍不成熟。最近的工作越来越多地将启用技术（例如IRS、MEC、大规模MIMO、毫米波/太赫兹）与AI控制和PLS结合起来，但大多数评估仅限于模拟，并未完全涵盖端到端的操作约束，如边缘计算延迟、信号开销和策略更新安全性。

9.2 改进的必要性：我们的研究揭示了几个需要在未来研究中解决的限制，以提高所提出方法的鲁棒性和适用性。一个关键的限制是对深度计算资源和大型数据集的强烈依赖，这些资源在某些研究或部署环境中可能并不总是可用或可行的。此外，将GANs、cGANs和辅助GANs等AI技术整合到安全信道估计中需要仔细调整，并涉及大量的计算开销，如果在设计阶段不充分考虑性能和效率，这些方法可能不适合实时应用。尽管实验结果非常有前景，但它们是在受控环境中获得的，可能无法完全捕捉到现实世界对抗场景的复杂性和不可预测性，因为所提出的方法主要是针对有限的对抗攻击集进行验证的；因此，它们对不断演变和更加复杂的威胁的有效性仍有待严格评估。此外，在大规模MIMO、IRS、频谱感知、毫米波和先进波束成形等动态和异构网络条件下的方法可扩展性也是一个挑战。最后，虽然这项工作强调了安全性的PHY方面，但这并不意味着不需要补充的高层安全机制来确保端到端系统的完整性和保密性。

10. 开放性研究挑战和未来方向
基于AI的无线网络移动性和安全系统的发展已经取得了实质性进展，但6G无线网络仍存在多个关键研究问题。超密集部署与异构接入技术和非地面网络以及原生AI控制系统的结合带来了复杂问题，需要多个领域的专家来开发新的解决方案。以下部分将介绍一些关键的研究路径，这些路径将有助于开发可靠的6G网络和未来无线网络的移动性管理系统。

10.1. 可信赖且鲁棒的AI用于安全移动性
当前的基于AI的移动性控制器缺乏正式的可靠性和可信度保证，在部署到关键安全场景中的6G之前必须解决这一缺口。执行移动性预测和 handover 优化以及安全执行的AI系统容易受到包括对抗性操纵、数据投毒和模型逆向攻击在内的攻击。未来的研究需要创建能够在网络配置发生变化时保护网络并保持其最佳运行性能的AI系统[339]。开发可信赖的AI框架要求设计者确立四个基本原则，即鲁棒性、公平性、可解释性和责任性。自动驾驶和无人机系统以及远程医疗的安全关键性质要求基于AI的移动性决策具备验证和审计能力。该机构正在进行研究，以开发基于AI的移动性管理系统的认证程序和验证系统[225]。未来的工作应超越逐点鲁棒性测试，开发在有限扰动和真实移动性/信道动态下具有可衡量鲁棒性保证的移动性控制器。有前景的方向包括分布式鲁棒优化、经过认证的对抗性训练，以及在真实轨迹而非玩具拓扑下评估的安全关键handover动作的RL策略的形式化验证。

10.2. 在移动性约束下保护隐私的学习
用户的隐私成为一个主要问题，因为6G网络依赖位置和轨迹数据进行移动性管理。FL（联邦学习）和分布式智能的隐私保护方法仍然容易受到隐私泄露的攻击，因为模型更新和推理攻击仍可能发生。研究应专注于开发复杂的隐私保护系统，这些系统包括差分隐私和为移动用户设计的安全多方计算及混合联邦系统[340]。在实现学习性能和响应时间要求的同时保持隐私保护仍然是一个重大难题。6G系统的部署需要轻量级的隐私感知学习框架，这些框架需要在网络边缘位置高效运行[341]。一个关键的开放问题是量化在真实场景中隐私损失、学习准确性和移动性延迟（handover延迟和信号成本）之间的三方权衡。未来的研究应探索移动性感知的隐私预算、对间歇性连接具有容忍性的安全聚合，以及随着移动模式演变而在集中式、集群式和完全联邦式模式之间切换的混合FL架构。

10.3. 用于无蜂窝和非地面网络的AI驱动移动性管理
6G网络架构的发展通过无蜂窝大规模MIMO和非地面网络（NTNs）以及无人机辅助通信系统创建了新的移动性管理方法。这些系统需要在其网络组件之间保持持续协调，因为移动性是一个持续的过程，而不仅仅是单独的handover事件。AI解决方案需要在动态条件下运行的分散式系统中发挥作用，同时限制对全局网络信息的访问[342]。研究工作应集中在创建能够最大化网络连接性和资源管理的AI驱动移动性平台上，以及在地基和太空通信系统之间的安全保护。该系统特别关注其在设备穿过三维空间时抵御链接中断、同步故障和来自对手的攻击的能力[343]。无蜂窝和NTN设置促使从以蜂窝为中心的handover转向跨3D链接的拓扑感知协调。研究应调查基于图的学习和多智能体RL，这些技术协调波束、链接和移动性决策，同时在阻塞、频繁链接中断和对抗性干扰下进行明确的弹性评估。

10.4. 跨层、语义感知和背散射集成的安全移动性
即将到来的6G网络基础设施将实现语义和目标导向的通信系统，通过有意义的内容而不是传统的数字交换来实现有目的的信息传输[149]。如第8.1.7节所建立的，这种新范式提高了不同系统层之间的移动性和安全性优化，但也带来了新的安全风险，这些风险集中在攻击意义上而不是传输数字比特上[152] [344]。研究活动需要创建跨层AI系统，这些系统将物理安全与网络移动性管理和应用语义处理结合起来，构建完整的决策系统。一个重要的方向是围绕语义可靠性任务成功和信息价值重新设计移动性和安全性KPI，而不仅仅是基于数据包级别的指标。跨层AI控制器可以共同决定传输什么、何时进行handover以及如何执行PLS（物理层安全），从而减少信号开销并提高弹性，但需要针对语义攻击（目标操纵和错误信息）和相应防御的新威胁模型。第8.1.8节介绍的背散射通信提出了一个补充的未来研究方向，它结合了能量收集的IoT和PLS。未来的工作应研究IRS辅助的背散射系统与AI驱动的波束成形的设计，以同时在超密集6G部署中最大化覆盖范围、背散射信噪比和对被动窃听者的保密性[155]。目前还缺乏包括真实威胁模型、能量限制和移动性场景在内的语义和背散射安全的标准化基准，这是社区需要解决的关键差距。

10.5. 数据可用性、基准测试和现实评估
基于AI的安全移动性研究的发展面临重大挑战，因为研究人员需要访问包含复杂移动性模式和对抗性行为以及不同6G场景的真实大规模公开可用数据集。当前的研究依赖于基本仿真模型和公司特定数据，这使得结果难以复制和评估不同的解决方案[345]。未来的工作要求开发者构建基于数字孪生的开放基准测试平台，这些平台将使用复制6G移动性和安全条件的仿真环境以及标准化的评估指标。这些资源能够加速创新，因为它们允许AI移动性解决方案从抽象概念发展到功能性应用[346]。社区将受益于一个结合了开放移动性/信道轨迹与注释攻击、标准化的IRS/MEC/大规模MIMO/毫米波/NTN场景的共享基准套件，以及涵盖移动性、安全、能量和计算延迟的核心KPI集。托管此类基准的数字孪生平台将使比较变得可重复，并加速从仿真到原型验证的过渡。

10.6. 朝向集成和自主的安全导向移动性框架
6G网络愿景要求移动性管理系统能够在无需人工监督的情况下独立运行，监控变化的环境并防御安全风险并执行防御策略。这一愿景将通过结合三种AI方法实现，包括RL（强化学习）和FL（联邦学习）以及在一个确保安全的单一框架下运行的可解释AI[347]。研究活动应集中在创建能够独立学习并通过检测系统问题自我修复的移动性系统上，以执行立即的安全措施和系统恢复。这些问题的解决将促进6G和未来无线网络的发展，提供可靠的智能可信移动性管理系统[348]。长期愿景是自主安全移动性框架，在其中RL/FL/XAI在严格的安全约束下实现对移动性、PLS和资源管理的闭环控制。实现这一目标需要分层控制（设备–边缘–核心）、安全的政策更新机制，以及管理模型在实时6G网络中训练、部署、监控和回滚的治理/审计方法。

11. 结论
本SLR涵盖了6G及以后的智能和安全移动性管理方面的挑战和机遇。对鲁棒、自适应和安全移动性管理机制的需求持续增加，特别是在下一代移动通信即将到来之际，其特征是超低延迟、高数据速率和广泛的设备连接性。本研究的一个关键见解是，先进的AI技术对于有效集成到移动性管理框架中至关重要。许多AI子集明确参与其中，包括ML（机器学习）、DL（深度学习）甚至RL（强化学习），并在用户移动性模式预测方面具有前所未有的能力，这极大地优化了资源分配，从而提高了网络的总体效率。由RL和FL驱动的AI解决方案在处理6G环境动态和复杂性方面具有前景。相应技术提高了预测的准确性和适应性，同时为积极的节能措施和高效的网络管理创造了可能性。研究还关注了PHY（物理层）在保护通信网络免受各种新兴攻击中的作用。随着传统加密方法逐渐证明对复杂和先进的攻击无效，PLS已成为潜在的防线。包括智能反射表面、毫米波通信、大规模MIMO系统等技术显著增强了6G网络的安全性和弹性特性。这些技术与先进的信道估计方法和自适应波束成形一起，大大降低了窃听、干扰或欺骗的风险，确保了传输数据的完整性和保密性。本研究的一个主要观点是，需要鲁棒的移动性管理协议来适应无线设备的巨大和指数级增长以及6G应用的多方面需求。分布式移动性管理能够有效地处理高速移动情况和异构网络场景，有助于无缝连接和服务连续性。它还概述了安全信道估计和资源分配策略在对抗对抗性攻击中的作用，以确保网络的可靠性能。

11. 结论
本SLR涵盖了6G及以后智能和安全移动性管理的挑战和机遇。对鲁棒、自适应和安全移动性管理机制的需求持续增加，特别是在下一代移动通信即将到来的情况下，其特征是超低延迟、高数据速率和广泛的设备连接性。本研究的一个关键见解是，先进的AI技术对于有效集成到移动性管理框架中至关重要。许多AI子集被明确涉及，包括ML、DL甚至RL，在用户移动性模式预测方面具有前所未有的能力，从而极大地优化了资源分配，从而提高了网络的整体效率。由RL和FL驱动的AI解决方案在处理6G环境动态和复杂性方面具有前景。相应技术提高了预测的准确性和适应性，同时为积极的节能措施和高效的网络管理创造了可能。研究还关注了PHY在保护通信网络免受各种新兴攻击中的作用。随着传统加密方法逐渐证明对复杂和先进的攻击无效，PLS已成为潜在的防御线。包括智能反射表面、毫米波通信、大规模MIMO系统等技术在内的一系列技术显著增强了6G网络的安全性和弹性特性。这些技术，加上先进的信道估计方法和自适应波束成形，大大降低了窃听、干扰或欺骗的风险，确保了传输数据的完整性和保密性。本研究的一个重要观点是指向需要鲁棒的移动性管理协议，以适应无线设备的巨大和指数级增长以及6G应用程序的多方面需求。分布式移动性管理能够在高速移动情况和异构网络场景中高效处理，有助于无缝连接和服务连续性。它还概述了安全信道估计和资源分配策略在对抗对抗性攻击中的作用，以确保网络的可靠性能。

11. 结论
本SLR涵盖了6G及以后智能和安全移动性管理的挑战和机遇。对鲁棒、自适应和安全移动性管理机制的需求持续增加，特别是在下一代移动通信即将到来之际，其特点是超低延迟、高数据速率和广泛的设备连接性。本研究的一个关键见解是，先进的AI技术对于有效集成到移动性管理框架中至关重要。许多AI子集被明确涉及，包括ML、DL甚至RL，在用户移动性模式预测方面具有前所未有的能力，从而极大地优化了资源分配，提高了网络的总体效率。由RL和FL驱动的AI解决方案在处理6G环境动态和复杂性方面具有前景。相应技术提高了预测的准确性和适应性，同时为积极的节能措施和高效的网络管理创造了可能性。研究还关注了PHY在保护通信网络免受各种新兴攻击中的作用。随着传统加密方法逐渐证明对复杂和先进的攻击无效，PLS已成为潜在的防御线。包括智能反射表面、毫米波通信、大规模MIMO系统等技术在内的一系列技术显著增强了6G网络的安全性和弹性特性。这些技术与先进的信道估计方法和自适应波束成形一起，大大降低了窃听、干扰或欺骗的风险，确保了传输数据的完整性和保密性。本研究的一个主要观点是指向需要鲁棒的移动性管理协议，以适应无线设备的巨大和指数级增长以及6G应用程序的多方面需求。分布式移动性管理能够高效处理高速移动情况和异构网络场景，有助于无缝连接和服务连续性。它还概述了安全信道估计和资源分配策略在对抗对抗性攻击中的作用，以确保网络的可靠性能。

CRediT作者贡献声明
Tarek Ali：撰写 – 审查与编辑、撰写 – 原始草稿。
Mohammed Al-Khalidi：撰写 – 审查与编辑、撰写 – 原始草稿。
Ali Kashif Bashir：撰写 – 审查与编辑、撰写 – 原始草稿。