디스코 재구성 지능 표면 기반 은밀 통신 탐지를 위한 비지도 정규화 흐름 검출기

초록

본 논문은 와든이 DRIS(디스코 재구성 지능 표면)를 이용해 은밀 통신을 탐지하고 동시에 통신 품질을 저하시키는 상황을 모델링한다. DRIS로 인해 H₁ 가설(전송 존재) 하의 검정 통계량 PDF가 폐쇄형으로 구해지지 않아 전통적 NP 검출기가 적용되지 않는다. 저자는 비지도 마스크드 자동회귀 흐름(MAF) 기반 정규화 흐름을 활용해 H₁의 분포를 추정하고, 라벨이 없는 데이터만으로 최적에 가까운 NP 검출기를 설계한다. 또한 FAR·MDR을 와든의 탐지 성능 지표로, SJNR을 Alice‑Bob 간 통신 품질 지표로 정의하고, DRIS가 SJNR에 미치는 영향을 이론적으로 분석한다. 시뮬레이션 결과는 제안 방법이 라벨이 있는 지도 학습 대비 유사한 검출 성능을 보이며, 1‑bit 위상 quantization DRIS만으로도 탐지 정확도와 통신 저하를 충분히 달성함을 확인한다.

상세 분석

이 연구는 은밀 통신(코버트 커뮤니케이션) 분야에 새로운 위협 모델을 도입한다. 기존 연구는 주로 잡음 주입, 인공 잡음, 혹은 정적 RIS를 이용해 와든의 탐지 확률을 낮추는 방식을 탐구했지만, DRIS는 시간에 따라 무작위로 위상·진폭을 변조함으로써 채널 reciprocity를 파괴하고, “채널 노화(Active Channel Aging, ACA)” 현상을 유발한다. 이러한 동적 변조는 와든이 H₁ 가설 하의 검정 통계량 분포를 수식적으로 도출할 수 없게 만들며, 라벨이 없는 상황에서는 전통적인 통계적 검출기 설계가 불가능해진다.

저자는 이를 해결하기 위해 정규화 흐름(Normalizing Flow, NF) 중 마스크드 자동회귀 흐름(MAF)을 선택한다. MAF는 역함수와 Jacobian determinant를 효율적으로 계산할 수 있어 복잡한 데이터 분포에 대한 정확한 로그우도 추정이 가능하다. 핵심 아이디어는 “H₀에서는 순수 AWGN만 존재한다는 사전 지식”을 이용해, H₀ 데이터(노이즈 샘플)만으로 MAF를 학습시킨 뒤, 학습된 모델을 이용해 관측된 검정 통계량의 로그우도를 계산하고, 이를 NP 기준에 따라 임계값과 비교한다. 라벨이 없는 상황에서도 H₀와 H₁을 구분할 수 있는 비지도 학습 구조를 제공한다는 점이 혁신적이다.

이론적 분석에서는 DRIS‑기반 캐스케이드 채널 h_{wD}=g·diag(φ)·h_{wI}의 통계적 특성을 도출하고, 대규모 N_D(요소 수)와 1‑bit 위상 quantization이 SJNR에 미치는 영향을 asymptotic 형태로 표현한다. 결과적으로 전송 전력 P₀를 증가시켜도 DRIS가 강하게 작용하면 Bob의 SJNR은 포화 현상을 보이며, 오히려 탐지 위험(FAR·MDR)이 상승한다는 역설적 현상이 밝혀졌다.

시뮬레이션에서는 (i) 제안된 비지도 MAF 검출기와 (ii) 라벨이 있는 지도 학습 MAF 검출기의 ROC 곡선을 비교했으며, 두 방법이 거의 동일한 탐지 성능을 보였다. 또한 DRIS의 위상 비트 수를 1‑bit에서 2‑bit으로 늘려도 탐지 성능 향상은 미미함을 확인해, 구현 비용을 크게 절감할 수 있음을 시사한다.

전반적으로 이 논문은 (1) 동적 DRIS가 은밀 통신에 미치는 새로운 위협 모델을 제시하고, (2) 비지도 정규화 흐름을 활용한 NP 검출기 설계 방법을 제안하며, (3) DRIS 설계 파라미터와 전송 전략 간의 트레이드오프를 정량적으로 분석한다는 점에서 학술적·실용적 기여가 크다.