New LLRT-Based Methods for Active Eavesdropper Detection in Cell-Free Massive MIMO
Notice bibliographique
Résumé
In this paper, the problem of active eavesdropper detection is considered for a cell-free massive multiple-input multiple-output (m-MIMO) system which is attacked by an active eavesdropper within the uplink training phase, also called pilot spoofing attack. Two methods based on log-likelihoodratio tests (LLRT), one in a centralized and the other in a decentralized fashion, are proposed to detect the signal abnormality. The methods take advantage of a special protocol in which the legitimate users switch to an off-mode irregularly, without significantly affecting the spectral efficiency of the data transmission. The protocol is directly applicable to environments with low to moderate mobility, and can be extended to high mobility through a simple rearrangement of available pilot sequences among users if needed. More importantly, the proposed methods impose low fronthaul overhead which is imperative for a cellfree m-MIMO system with a large number of access points (APs). A closed-form expression for the joint probability density function (PDF) of the processed received signals conditioned on the alternative hypothesis, which is essential for the implementation of LLRT-based detection methods, is also derived. Through an asymptotic analysis, it is shown for the proposed methods that the detection and false-alarm probabilities approach to one and zero, respectively as the number of APs goes to infinity. Numerical results reveal that both methods significantly outperform a recent approach in terms of false-alarm rate with negligible degradation in the per user uplink spectral efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».