Misbehaviour Detection and Trustworthy Collaboration in Vehicular Communication Networks
Author/Autor: Dr. Roshan Sedar
Year/Any: 2024
ABSTRACT
The integration of advanced wireless technologies, e.g., cellular and IEEE 802.11p, in modern vehicles enables vehicle-to-everything (V2X) communication, fostering the next-generation Internet-of-Vehicles (IoV) paradigm.
The rise of IoV leads to more connected vehicles on roads, capable of making informed and coordinated decisions through real-time information sharing among vehicles, communication infrastructure, pedestrians, or roadside units. Implementing such technologies across all modes of passenger and freight transport systems can significantly enhance safety, efficiency, and sustainability, ultimately reducing environmental impact. Nonetheless, the transformative V2X and IoV technologies inadvertently bring unprecedented challenges involving security and privacy vulnerabilities. Security threats and attacks can emerge from both malicious outsiders and insiders in V2X communication.
Detecting and containing misbehaviours, particularly those initiated by rogue insiders, present challenging yet critical tasks for ensuring road safety. These actions involve transmitting falsified or erroneous data in safety-critical situations, thereby posing serious threats. Furthermore, the pervasive use of artificial intelligence and machine learning (AI/ML) tools across various aspects poses potential threats to secure V2X communication system operation. Motivated by these challenges, this doctoral thesis focuses on enhancing the security, robustness, and trustworthiness of V2X communications by enabling efficient and effective misbehaviour detection and fostering trustworthy collaboration.
Specifically, we focus on (i) achieving effective and efficient misbehaviour detection with high accuracy and minimal false alarms, leveraging diverse spatiotemporal characteristics in vehicular data, and (ii) facilitating trustworthy information sharing for collaborative misbehaviour detection, with an emphasis on generalisability and the ability to detect previously unseen and partially observable attacks.
RESUM
L’auge de la Internet dels vehicles incrementa els vehicles connectats, que prenen decisions mitjançant l’intercanvi d’informació en temps real amb altres vehicles o unitats de carretera (RSU). Aquestes tecnologies milloren la seguretat, l’eficiència i la sostenibilitat. Però, comporten desafiaments de seguretat i privacitat.
Les amenaces poden venir de persones malintencionades o d’interns en la comunicació vehicle a tot (V2X), que poden transmetre informació falsificada o errònia, posant en perill la seguretat.
Aquesta tesi doctoral se centra a millorar la seguretat, robustesa i confiança de les comunicacions V2X, permetent la detecció eficient de conductes inapropiades, augmentant la confiança. Els objectius són: (i) aconseguir una detecció precisa de males conductes amb mínimes falses alarmes, aprofitant característiques vehicular espaciotemporals, i (ii) facilitar l’intercanvi d’informació de confiança per a la detecció col·laborativa de conductes indegudes, capaç de detectar nous atacs i atacs parcialment observables.
A Flexible System-on-Chip FPGA Architecture for Prototyping Experimental GNSS Receivers
Author/Autor: Dr. Marc Majoral Ramoneda
Year/Any: 2024
ABSTRACT
The rapid evolution in Global Navigation Satellite System (GNSS) technology necessitates advanced prototyping tools to explore new signals and develop innovative systems. Prototyping is crucial in the design and development process, allowing researchers to test and refine their ideas on a smaller scale before full implementation.
Using commercial GNSS receivers for prototyping presents challenges. While these receivers are beneficial due to their low power consumption, compact size, and affordability, they are limited in flexibility. In contrast, GNSS receivers that utilize free and open-source software are highly valued in research and development for their adaptability. However, these software-based receivers typically consume more energy than hardware-based counterparts, as they run on general-purpose processors which are less efficient in power usage.
This thesis proposes a low-cost architecture and design methodology for prototyping experimental GNSS receivers, based on System-on-Chip Field Programmable Gate Arrays (SoC FPGAs). This architecture addresses the limitations of commercial GNSS receivers by enhancing adaptability, flexibility, and reprogramming capacity. It also offers improved energy efficiency over software-based receivers.
The effectiveness of this architecture is demonstrated through the development of three prototypes: a GNSS receiver designed for low Earth orbit (LEO) applications, a GNSS signal rebroadcaster, and a high-sensitivity GNSS receiver. Each prototype showcases the practical applications and advantages of the proposed architecture in real-world scenarios.
RESUM
La ràpida evolució de la tecnologia del Sistema Global de Navegació per Satèl·lit (GNSS) requereix eines avançades de prototipatge per explorar nous senyals i desenvolupar sistemes innovadors.
El prototipatge és crucial en el procés de disseny i desenvolupament, ja que permet als investigadors provar i refinar les seves idees a menor escala abans de la implementació completa. L’ús de receptors GNSS comercials per a la creació de prototips presenta reptes.
Tot i que aquests receptors són beneficiosos pel seu baix consum d’energia, mida compacta i assequibilitat, tenen una flexibilitat limitada. En canvi, els receptors GNSS que utilitzen programari lliure i de codi obert són molt valorats en investigació i desenvolupament per la seva adaptabilitat. Tanmateix, aquests receptors basats en programari solen consumir més energia que els homòlegs basats en maquinari, ja que funcionen amb processadors de propòsit general que són menys eficients en l’ús d’energia. Aquesta tesi proposa una arquitectura de baix cost i una metodologia de disseny per a la creació de prototips de receptors GNSS experimentals, basats en System-on-Chip Field Programmable Gate Arrays (SoC FPGAs).
Aquesta arquitectura aborda les limitacions dels receptors GNSS comercials millorant l’adaptabilitat, la flexibilitat i la capacitat de reprogramació. També ofereix una eficiència energètica millorada respecte als receptors basats en programari. L’eficàcia d’aquesta arquitectura es demostra mitjançant el desenvolupament de tres prototips: un receptor GNSS dissenyat per a aplicacions d’òrbita terrestre baixa (LEO), un retransmissor de senyal GNSS i un receptor GNSS d’alta sensibilitat. Cada prototip mostra les aplicacions pràctiques i els avantatges de l’arquitectura proposada en escenaris del món real.
Advanced Persistent Scatterer Interferometry Procedure for Deformation Monitoring
Author/Autor: Dr. Seyedmohammad Mirmazloumi
Year/Any: 2024
ABSTRACT
Ground displacements, caused by Earth’s natural movements and human activities, have significant impacts on lives and the economy. Mitigating these risks requires accurate, frequent monitoring. Remote sensing, particularly Synthetic Aperture Radar (SAR) with Interferometric SAR (InSAR), provides a valuable solution for detecting millimeter-scale deformations due to geohazards like earthquakes, landslides, and subsidence. However, the increasing availability of large, high-resolution SAR datasets necessitates advanced analysis for effective risk management.
This PhD study developed methodologies to model ground displacement behavior using InSAR time series and advanced algorithms. First, an automatic classification tool was proposed, using step-wise statistical tests to accurately classify displacement trends. The tool was applied to datasets from Barcelona and landslides in Granada, Spain. The research also explored machine learning models to classify and model displacement time series, incorporating temporal features like autocorrelation. Several supervised models were evaluated to improve the reliability of ground displacement monitoring.
Additionally, a deep learning-based forecasting tool was introduced to support early warning systems in hazardous regions. This tool was tested on three mining failure cases in Spain, Brazil, and Australia, successfully identifying areas at risk of imminent collapse. These contributions advance the precision and efficiency of ground displacement monitoring, aiding in better risk management and mitigation efforts.
RESUM
Els desplaçaments del terreny, causats pels moviments naturals de la Terra i per activitats humanes, tenen un impacte significatiu en les vides i en l’economia. Mitigar aquests riscos requereix un monitoratge precís i freqüent. El teledetecció, especialment el radar d’apertura sintètica (SAR) amb interferometria SAR (InSAR), ofereix una solució valuosa per detectar deformacions de mil·límetre a causa de riscos geològics com terratrèmols, despreniments i subsidència. Tanmateix, l’augment de la disponibilitat de grans conjunts de dades SAR d’alta resolució requereix una anàlisi avançada per a una gestió de riscos efectiva.
Aquest estudi de doctorat ha desenvolupat metodologies per modelar el comportament dels desplaçaments del terreny utilitzant sèries temporals InSAR i algorismes avançats. En primer lloc, es va proposar una eina de classificació automàtica que utilitza proves estadístiques pas a pas per classificar amb precisió les tendències de desplaçament. L’eina es va aplicar a conjunts de dades de Barcelona i despreniments a Granada, Espanya. La recerca també va explorar models d’aprenentatge automàtic per classificar i modelar les sèries temporals de desplaçament, incorporant característiques temporals com l’autocorrelació. Es van avaluar diversos models supervisats per millorar la fiabilitat del monitoratge dels desplaçaments del terreny.
A més, es va introduir una eina de previsió basada en aprenentatge profund per donar suport als sistemes d’alerta anticipada en regions perilloses. Aquesta eina es va provar en tres casos de fallades mineres a Espanya, Brasil i Austràlia, identificant amb èxit les zones en risc de col·lapse imminent. Aquestes contribucions milloren la precisió i l’eficiència del monitoratge dels desplaçaments del terreny, ajudant a una millor gestió i mitigació dels riscos.
Lifelong AI-Driven Zero-Touch Network Slicing
Author/Autor: Dr. Farhad Rezazadeh
Year/Any: 2023
ABSTRACT
The sixth-generation (6G) network’s evolution necessitates advancements in algorithms and architecture to transition from an AI-native to an intrinsic trustworthy automation-native system.Network slicing creates multiple virtual networks for diverse service requirements and is a crucial technology for future communication systems and 6G networks. The implementation of network slicing in radio access networks (RAN) is challenging due to the complexity of managing RAN operations.
This gap is addressed with zero-touch network slicing, a fully automated management and orchestration scheme, which eliminates the need for fixed contracts and manual intervention.The decision engine, a main component of this technology, employs algorithmic innovation to optimize network resource allocation and handle the challenges of RAN slicing, including energy efficiency, latency, scalability, and trustworthiness. In resource allocation, a joint optimization approach is used to balance energy and latency with service quality. A stochastic Actor-Critic approach is proposed to streamline the learning procedure and reduce the need for hyperparameter tuning in an energy-aware network slicing setup. Additionally, a massive deep reinforcement learning-based actor-learner framework is introduced to tackle complexity issues and control challenges in network slicing.
The temporal variations of traffic demand pose a significant challenge for resource planning and allocation in the RAN domain. To mitigate this, a distributed architecture for RAN slice resource orchestration is proposed, featuring multiple AI-enabled decision agents that perform local radio allocation decisions without a centralized control entity. A federated learning scheme, aligned with the recent development of the Open RAN architecture, is designed to enhance local decision-making capabilities. Despite AI’s effectiveness, concerns persist regarding the lack of transparency in deep neural networks, posing risks to reliability and security in network scenarios.This lack of trust prevents telecommunications operators from widely deploying AI models in their networks. To address this, we proposed SliceOps architecture that consolidates explainable ML operations in a standalone slice, offering AI services to other slices.
RESUM
L’evolució de la xarxa de sisena generació (6G) requereix avenços en algoritmes i arquitectura per passar d’un sistema natiu d’IA a un sistema natiu d’automatització intrínsec i fiable. El network slicing crea múltiples xarxes virtuals per a diversos requisits de servei i és una tecnologia crucial per als futurs sistemes de comunicació i xarxes 6G. La implementació del network slicing a les xarxes d’accés de ràdio (RAN) és un repte a causa de la complexitat de la gestió de les operacions RAN. Aquesta bretxa s’aborda amb el network slicing zero-touch, un esquema de gestió i orquestració totalment automatitzat, que elimina la necessitat de contractes fixos i intervenció manual.
El motor de decisions, un component principal d’aquesta tecnologia, utilitza la innovació algorítmica per optimitzar l’assignació de recursos de xarxa i gestionar els reptes de la RAN slicing, inclosa l’eficiència energètica, la latència, l’escalabilitat i la fiabilitat. En l’assignació de recursos, s’utilitza un enfocament d’optimització conjunta per equilibrar l’energia i la latència amb la qualitat del servei. Es proposa un enfocament estocàstic Actor-Crític per agilitzar el procediment d’aprenentatge i reduir la necessitat d’ajustar els hiperparàmetres en una configuració de tall de xarxa conscient de l’energia. A més, s’introdueix un marc massiu basat en l’aprenentatge de reforç profund per abordar problemes de complexitat i controlar els reptes en el tall de xarxa. Les variacions temporals de la demanda de trànsit suposen un repte important per a la planificació i l’assignació de recursos en el domini RAN. Per mitigar-ho, es proposa una arquitectura distribuïda per a l’orquestració de recursos RAN, amb múltiples agents de decisió habilitats per IA que realitzen decisions d’assignació de ràdio local sense una entitat de control centralitzada.
Un esquema d’aprenentatge federat, alineat amb el recent desenvolupament de l’arquitectura Open RAN, està dissenyat per millorar les capacitats locals de presa de decisions. Malgrat l’eficàcia de la IA, persisteixen les preocupacions sobre la manca de transparència en les xarxes neuronals profundes, que suposa riscos per a la fiabilitat i la seguretat en escenaris de xarxa. Aquesta manca de confiança impedeix que els operadors de telecomunicacions despleguin àmpliament models d’IA a les seves xarxes. Per solucionar-ho, vam proposar l’arquitectura SliceOps que consolida les operacions de ML explicables en una porció autònoma, oferint serveis d’IA a altres llesques.
Clustering Large Dimensional Data via Second OrderStatistics: Application in Wireless Communications
Author/Autor: Dr. Roberto Matheus Pinheiro Pereira
Year/Any: 2023
ABSTRACT
In many modern signal processing applications, traditional machine learning and pattern recognition methods heavily depend on having a sufficiently large dataset to estimate complex signal structures. However, the definition of sufficient is subjective and problem-dependent. Traditional learning approaches often fail to learn meaningful structures in the cases where the number of features closely matches or exceeds the number of observations, emphasizing the need for strategies that extract meaningful information from high-dimensional settings.
This thesis explores the use of Riemannian geometry to assist in the comparison and clustering of high-dimensional data in the form of covariance matrices. Specifically, it investigates the asymptotic behavior of distances between sample covariance matrices by establishing a central limit theorem that allows us to describe the asymptotic statistical law of these distances. A general result is provided for the class of distances that can be expressed as sums of traces of functions applied separately to each covariance matrix. Additionally, it addresses the challenge of consistently estimating the distance between covariance matrices and demonstrates the practical implications of these findings in wireless communications. The aim is to contribute theoretical insights into unsupervised learning mechanisms for the integration and interpretability in wireless networks and signal processing challenges.
RESUM
En moltes aplicacions modernes de processament de senyals, els mètodes tradicionals d’aprenentatge automàtic i de reconeixement de patrons depenen de la disponibilitat d’una quantitat de mostres de dades suficientment gran per a estimar correctament les estructures subjacents en senyals complexes.
La idea principal és entendre la informació estructural inherent i les relacions intrínseques a les dades en brut, permetent així una gran varietat de tasques d’inferència. No obstant això, la definició del que constitueix un conjunt de dades suficientment gran segueix sent subjectiva i sovint depèn del problema. En aquest context, els enfocaments d’aprenentatge tradicionals sovint no aconsegueixen aprendre estructures significatives en els casos en què el número de característiques o dimensionalitat de les dades coincideix amb (o fins i tot supera) el nombre d’observacions. Aquests escenaris emfatitzen la necessitat d’estratègies personalitzades que extreguin de manera efectiva informació estructurada significativa d’aquests entorns d’alta dimensió. En aquesta tèsi abordem els reptes fonamentals que planteja l’aplicació de tècniques tradicionals d’aprenentatge automàtic en entorns de grans dimensions.
En concret, aquest treball explora la comparació i l’agrupament de matrius simètriques positives definides, com les matrius de covariança, vistes com objectes en una varietat de Riemann. Inicialment, investiguem el comportament asimptòtic de distàncies entre matrius de covariança mostrals, establint un teorema central del límit que ens permet descriure la distribució asimptòtica d’aquestes distàncies. En concret, presentem un resultat general per a la família de distàncies que poden expressar-se com a suma de traces de funcions aplicades per separat a cada matriu de covariança. Aquesta família inclou mètriques convencionals com la distància euclidiana i la divergència de Jeffrey, així com distàncies més avançades basades en la geometria riemanniana, com la mètrica log-euclidiana.
Posteriorment, ampliem l’estudi per abordar el repte d’estimar coherentment la distància entre matrius de covariança directament a partir de les dades. Complementem això amb ua anàlisi estadística del comportament asimptòtic d’aquesta categoria d’estimadors de distància. Finalment, mostrem les implicacions pràctiques d’aquests resultats provant com algoritmes d’aprenentatge no supervisat poden fer ús d’aquestes mètriques i les seves respectives distribucions asintòtiques, amb aplicacions específiques en comunicacions inalàmbriques. D’aquesta manera, aquesta tèsi aporta perspectives teòriques sobre mecanismes d’aprenentatge no supervisat, amb una orientació pràctica cap a sistemes de comunicació inalàmbrica. L’objectiu principal és facilitar la integració i la interpretació de les solucions d’aprenentatge no supervisades a les xarxes inalàmbriques de la propera generació, així com a desafiaments més amplis en el processament de senyals.
On Hybrid Positioning Using Non-Semantic Image Information
Author/Autor: Dr. Eduard Angelats Company
Year/Any: 2023
ABSTRACT
Hybrid or multi-sensor-based positioning has been a research topic actively investigated in the last decade. In this context, the possibility of using information extracted from imaging sensors, for positioning, is very appealing to mitigate the problems that GNSS or INS/GNSS-based trajectories have in terms of robustness and accuracy. On the other hand, different processing workflows, sensor positioning quality or system calibration errors, may also produce even in GNSS-friendly conditions, that multiple geospatial datasets are not properly co-registered.
This thesis proposes the use of non-semantic information, this is, the use of a set of geometric entities or features, to improve the trajectory estimation in a multi-sensor-based approach. This thesis covers the mathematical modelling of non-semantic information, implements several hybrid-based trajectory estimation approaches that use this kind of information with the appropriate modelling, and also explores the use of non-semantic features to model the trajectory error modelling.
This thesis also presents an approach to improve the determination of Remotely Piloted Aircraft Systems (RPAS) trajectories using open aerial data obtained in the framework of a national mapping project (PNOA), aiming to ensure the geospatial coherence between different datasets. Last but not least, this thesis presents a seamless indoor-outdoor positioning approach with encouraging results (meter-level accuracy) in several scenarios. This is an open field of research with not widely accepted /adopted solution yet.
RESUM
El posicionament híbrid o multisensorial ha estat un tema de recerca molt estudiat durant la darrera dècada. En aquest context, la possibilitat d’utilitzar informació extreta de sensors d’imatge per al posicionament és molt prometedora per mitigar els problemes que presenten les trajectòries basades en GNSS o INS/GNSS en termes de robustesa i precisió.
D’altra banda, els diferents fluxos de treball durant el processament, la qualitat dels sensors utilitzats per al posicionament o els errors de calibratge del sistema, també poden produir, fins i tot en condicions favorables de visibilitat de satèl·lits GNSS, que múltiples conjunts de dades geoespacials no estiguin correctament cosemàntica, és a dir, l ús d un conjunt d’entitats o característiques geomètriques, per trajectòria en un enfocament multisensorial.
Aquesta tesi aborda el modelatge matemàtic de la informació no semàntica, implementa diverses aproximacions híbrides per a l’estimació de trajectòria basada en aquest tipus d’informació amb el modelatge apropiat i també explora l’ús de característiques no semàntiques per modelar l’error d’una trajectòria.