面向6G信息物理系统安全节能物理层自适应的脉冲神经网络

《Internet of Things》：Spiking Neural Networks for Secure and Energy-Efficient PHY Adaptation in 6G CPS

　　

摘要信息物理系统（CPS）的快速发展要求无线架构同时实现超低时延、高可靠性、能效以及对对抗性干扰的强鲁棒性。然而，传统的 MIMO-OFDM 框架依赖于周期性的信道状态信息（CSI）反馈和固定速率自适应，这导致了计算开销、动态信道下的缓慢重配置以及对干扰和窃听攻击的脆弱性。为了解决这些局限性，本文提出了一种神经形态辅助的自适应 MIMO-OFDM 架构，利用事件驱动的脉冲神经网络（SNN）实现物理层智能和安全自适应。与密集的深度学习方法（PHY）控制器不同，所提出的模型执行稀疏的基于脉冲的 CSI 编码、设备端波束成形控制、自适应调制和安全功率分配，以超低运行成本实现实时自适应。一个安全感知扩展集成了脉冲驱动异常检测和自适应人工噪声（AN）注入，形成了一个自我防御的物理层，能够抑制高功率干扰。结果表明，与传统 MIMO-OFDM 和基于深度学习的基线相比，所提出的模型实现了 32% 更高的可达吞吐量，高达 30% 的误码率（BER）降低，69% 更快的 PHY 重配置时延，以及 70% 更低的能耗。此外，在 20 dB 干扰功率下，它保持了 2.1 bps/Hz 的正保密容量，突显了在对抗日射频环境下的强鲁棒性。该架构与新兴的神经形态硬件（Intel Loihi 2, SpiNNaker）兼容，能够在 CPS 边缘节点进行能效部署。这项工作为智能和安全无线物理层引入了新范式，为 AI 原生的 6G 无线系统奠定了基础。

引言无线通信与自动化的快速融合加速了信息物理系统（CPS）在工业自动化、自主空中网络、远程医疗和智能交通中的部署。这些关键任务系统需要具有安全和能效强保证的超可靠、低时延无线链路 [1], [2], [3]。尽管传统的 MIMO-OFDM 架构提供了频谱效率和空间分集，但它们对周期性 CSI 反馈和静态自适应策略的依赖使其在高移动性 CPS 环境中效率低下，并在对抗性无线条件下易受攻击 [4], [5]。机器学习辅助的 PHY 控制显示出潜力 [6], [7], [8]，但深度神经网络模型受到高计算成本、大推理延迟和不适用于能量受限的 CPS 边缘节点的困扰 [9], [10]。物理层安全（PLS）技术如人工噪声和安全波束成形增强了机密性，但仍然是被动的，并在强干扰条件下性能下降 [10], [11], [12], [13]。

神经形态计算和脉冲神经网络（SNN）的最新进展提供了一种有说服力的替代方案，提供事件驱动的计算、低时延和超低功耗操作，适合自适应无线系统 [14], [15], [16], [17]。尽管有这些优势，但先前没有工作将神经形态处理集成到自适应 MIMO-OFDM 物理层中，以同时解决能效、时延、抗干扰鲁棒性和安全 CPS 通信。现有文献仍然缺乏一种事件驱动的 CSI 反馈机制来消除冗余信道更新、一种结合波束成形、调制和功率控制的统一神经形态 PHY 自适应回路，以及一种能够在干扰下进行自适应安全传输的实时自我防御物理层 [18], [19], [20]。

本文介绍了一种神经形态辅助的自适应 MIMO-OFDM 框架，通过将基于脉冲的 CSI 反馈和 SNN 驱动的 PHY 控制嵌入通信链来解决这些局限性。所提出的架构在频谱效率（32%）和误码率性能（30%）方面实现了可衡量的改进，利用脉冲触发检测和自适应人工噪声注入实现了实时抗干扰安全，并展示了通过事件驱动的神经形态处理实现高达 70% 的 PHY 自适应能耗降低，适合轻量级边缘硬件。该设计与 Intel Loihi 2 等新兴神经形态平台兼容，能够在网络边缘直接实现安全、低时延、能效的 CPS 通信。

本文解决的关键技术差距是缺乏一种统一的、闭环的、事件驱动的控制策略，该策略同时优化能耗、重配置时延和物理层安全。现有方法分别处理这些目标：神经形态系统关注能源，自适应 PHY 关注吞吐量，PLS 关注保密性——没有一种将所有三者集成到单一的事件驱动框架中。所提出的框架通过硬件对齐的评估进一步加强，确保能耗和时延性能反映现实的神经形态执行约束。此外，该模型扩展到了多用户 CPS 建模，捕捉用户间干扰、自适应调度和共享无线动态。最后，系统纳入了网络级验证，展示了可扩展性能和分布式 CPS 节点之间的协调自适应。

部分摘录
相关工作
关于信息物理系统（CPS）无线通信的研究涵盖了自适应 MIMO-OFDM 设计、CSI 获取与压缩、学习使能的 PHY 控制、神经形态无线智能以及物理层安全。CPS 部署需要低时延、高可靠性和对干扰及移动性的鲁棒性 [21], [22]。MIMO-OFDM 由于其频谱效率和可扩展性，仍然是 5G/6G 的核心，但 CPS 引入了严格的实时约束，使传统...

无线通信中的神经形态计算
神经形态计算通过模拟生物神经网络中观察到的稀疏和异步通信，实现了事件驱动的信号处理。与依赖密集矩阵运算的传统人工神经网络（ANN）不同，脉冲神经网络（SNN）仅在输入活动发生显著变化时处理和传输信息 [2], [3]。这种操作原理对于信道动态和干扰...的无线通信环境是有利的。

MIMO-OFDM 技术
MIMO-OFDM（多输入多输出正交频分复用）是一种基本的无线通信技术，将 MIMO 的空间复用和分集增益与 OFDM 的频域鲁棒性相结合。这种协同作用提供了显著增强的吞吐量、频谱效率和对抗多径衰减的强鲁棒性 [16], [22], [23], [25]。在信息物理系统（CPS）中，通信可靠性和安全性至关重要，MIMO-OFDM...

对抗模型
我们考虑具有两种对抗类型的主意射频环境：
干扰者 一种非合作的高功率宽带干扰者，在整个 OFDM 带宽上发射高斯噪声 $n_J \sim \mathcal{CN}(0, P_J I)$。干扰者没有 CSI 知识，并以固定功率 $P_J \in [0, 30]$ dB 运行。这建模了工业干扰和故意的拒绝服务攻击。
窃听者 一个拥有 $N_e$ 个接收天线的被动对抗者 Eve，试图解码合法传输。Eve 的信道 $H_e$ 假设是...

能效与安全性分析
能效对于信息物理系统（CPS）至关重要，其中无线节点在严格的功率预算下运行，并必须在动态和对抗性环境中保持安全可靠通信 [9], [13], [25]。所提出的神经形态辅助 MIMO-OFDM 框架通过事件驱动的计算、压缩的 CSI 反馈和自适应 PHY 控制显著提高了能源利用率，与传统的周期性更新相比，减少了不必要的基带工作量...

仿真设置与基准测试框架
本节使用可复现的仿真流水线评估神经形态辅助的安全 MIMO-OFDM 框架，评估误码率（BER）、吞吐量、时延、能效、保密率和抗干扰性，如表所示。系统模型由一个单小区安全链路组成，包括合法发射机（Alice）、合法接收机（Bob）、被动窃听者（Eve）和一个外部智能干扰器。MIMO-OFDM 配置采用 $N_t=4$ 个发射、$N_r=4$ 个接收和 $N_e=2$ 个窃听者...

结论
本文提出了一种神经形态辅助的安全 MIMO-OFDM 物理层，用于下一代信息物理系统（CPS），其核心原则是智能、安全性和能效是统一事件驱动控制基底的结果，而不是相互竞争的设计目标。通过用基于脉冲的反馈和脉冲神经网络（SNN）自适应引擎取代周期性的信道状态信息（CSI）报告和密集的神经推理，所提出的...

未引用浮动表：表 4、表 10、11 和图 2、图 9
CRediT 作者贡献声明
Mansoor Farooq：写作 – 审阅与编辑，写作 – 原稿，验证，方法论，形式分析，数据管理。Bestoun S. Ahmed：写作 – 审阅与编辑，写作 – 原稿，方法论，调查，概念化。Baraa T. Sharef：写作 – 审阅与编辑，方法论，概念化。

利益冲突声明
作者声明以下财务利益/个人关系，这些可能被视为潜在的利益冲突：Bestoun S. Ahmed 报告由巴林美国大学提供。如果有其他作者，他们声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

Mansoor Farooq|Bestoun S. Ahmed|Baraa T. Sharef
巴林，里法，巴林美国大学