Beamforming Design for Secure RIS-Enabled ISAC: Passive RIS vs. Active RIS
Notice bibliographique
Résumé
The forthcoming sixth-generation (6G) communications standard is anticipated to provide integrated sensing and communication (ISAC) as a fundamental service. These ISAC systems present unique security challenges because of the exposure of information-bearing signals to sensing targets, enabling them to potentially eavesdrop on sensitive communication information with the assistance of sophisticated receivers. Recently, reconfigurable intelligent surfaces (RISs) have shown promising results in enhancing the physical layer security of various wireless communication systems, including ISAC. However, the performance of conventional passive RIS (pRIS)-enabled systems are often limited due to multiplicative fading, which can be alleviated using active RIS (aIRS). In this paper, we consider the problem of beampattern gain maximization in a secure pRIS/aRIS-enabled ISAC system, subject to signal-to-interference-plus-noise ratio constraints at communication receivers, and information leakage constraints at an eavesdropping target. For the challenging non-convex problem of joint beamforming design at the base station and the pRIS/aRIS, we propose a novel successive convex approximation (SCA)-based method. Unlike the conventional alternating optimization (AO)-based methods, in the proposed SCA-based approach, all of the optimization variables are updated simultaneously in each iteration. The proposed method shows significant performance superiority for pRIS-aided ISAC system compared to a benchmark scheme using penalty-based AO method. Moreover, our simulation results also confirm that aRIS-aided system has a notably higher beampattern gain at the target compared to that offered by the pRIS-aided system for the same power budget. We also present a detailed complexity analysis and proof of convergence for the proposed SCA-based method.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».