Роль и значение искусственного интеллекта в обеспечении безопасности информационных систем: перспективы и вызовы

DOI:

OFDM (Orthogonal Frequency Division Multiplexing, или ортогональное частотное разделение каналов) представляет собой метод модуляции, широко используемый в современных системах беспроводной связи и передачи данных, включая Wi-Fi, LTE и 5G. Основная идея OFDM заключается в разделении потока данных на несколько подканалов, каждый из которых использует узкополосную несущую частоту, что позволяет значительно повысить устойчивость системы к межсимвольным помехам и искажениям при передаче через многолучевой канал [5].

Основной целью анализа является оценка устойчивости OFDM-системы к изменениям параметров канала, таких как отношение сигнал / шум (SNR), коэффициент затухания и число рассеивателей, задержки сигнала и многолучевые эффекты. Исследование работоспособности OFDM позволяет ответить на следующие вопросы:

– как изменяются показатели системы (например, BER и SNR) при изменении уровня шума?

– как многолучевое распространение и затухание сигнала влияет на качество связи?

– какие параметры системы можно адаптировать для повышения ее производительности?

Для оценивания влияния параметров канала на точность передачи данных создается имитационная модель канала OFDM-MIMO изображенная на рисунке 1, позволяющая управлять параметрами канала и фиксировать изменения в показателях качества связи в программной среде Matlab Simulink. Система MIMO-OFDM использует комбинацию технологий MIMO и OFDM для повышения пропускной способности и устойчивости к помехам в беспроводных системах [1–2].

На рисунке система MIMO-OFDM представлена как серия блоков, связанных линиями передачи данных.

Измерение параметров канала OFDM матричным методом осуществляется следующим образом: в процессе передачи данных в системе OFDM-MIMO осуществляется формирование матрицы, которая представляет собой комбинацию сигналов от различных антенн. Эта матрица содержит информацию о состоянии канала, включая его неоднородности и возможные ошибки. Для построения матрицы в прекодере используются параметры, такие как количество поднесущих и антенн. В системе используется 64 поднесущих и 4 антенны, размер матрицы будет 64 x 4.

Н.Н. Ермакова, И.Ф. Гладков, И.Д. Серёженко . Оценивание параметров канала связи OFDM-MIMO

Код MATLAB для построения такой матрицы выглядит следующим образом:

N = 64, % количество поднесущих;

M = 4, % количество антенн;

H = randn (N, M), % случайная матрица канала.

В данном коде создается случайная матрица H, которая будет использоваться для моделирования канала. Каждая строка матрицы соответствует поднесущей, а каждый столбец – антенне. Такой подход позволяет учитывать влияние каждой антенны на каждую поднесущую.

Сингулярное разложение позволяет выделить основные компоненты канала, что упрощает анализ и обработку сигналов [4]. При применении SVD к матрице канала H мы получаем три матрицы: U, S и V, где U и V содержат ортогональные векторы, а – диагональную матрицу с сингулярными числами.

После выполнения этого кода можно получить сингулярные числа, которые представляют собой величины, отражающие вклад каждой антенны в общую передачу данных. Эти значения важны для оценки качества канала и последующей обработки сигналов.

Передача данных через OFDM-канал включает несколько этапов, таких как модуляция, добавление шума и передача сигнала. На этапе модуляции данные преобразуются в формат, пригодный для передачи, например, с использованием QPSK или 16-QAM. После модуляции сигнал проходит через канал, где на него могут влиять различные искажения, такие как шум и интерференция.

Использование сингулярного разложения (SVD) на стороне приемника в системе связи может помочь корректировать искажения, вызванные каналом. SVD позволяет декомпозировать матрицу канала и преобразовать сигнал таким образом, чтобы минимизировать влияние шума и искажений, что в итоге улучшает качество восстановленного сигнала [3]. Этот метод применяется особенно в системах с множеством антенн, таких как MIMO, где нужно разделять потоки данных, проходящие через разные пути.

Создадим случайную матрицу канала, выполним SVD разложение и применим его для компенсации искажений. После этого возможно произвести оценку эффективности восстановления с помощью NMSE.

Рис. 1. Имитационная модель канала связи OFDM-MIMO

Вычисляется NMSE между оригинальным и восстановленным сигналами, чтобы оценить эффективность SVD-коррекции.

После демодуляции получаем данные, которые необходимо сравнить с исходными для определения уровня ошибок. Для визуализации результатов можно использовать глазковые диаграммы, которые показывают, как сигнал изменяется во времени и какова его форма на выходе приемника.

На рисунке 2 отражен полученный график зависимости. Значение NMSE между оригинальными и восстановленными OFDM- символами: 0.0282. Значение 0.0282 говорит о том, что метод, использованный для компенсации искажений канала (в данном случае SVD), эффективно справился с задачей восстановления сигнала, и восстановленный сигнал с большой точностью соответствует исходному.

Для проведения исследования влияния шума на точность восстановления сигнала будут использованы различные значения уровня шума. Шумовые уровни будут варьироваться в диапазоне от 0.1 до 1.0 в шаге 0.1 дБ. Полученные результаты изображены на рисунках 3 и 4.

Real Part

Рис. 3. Сингулярные значения при разных уровнях шума

Рис. 2. NMSE между оригинальными и восстановленными OFDM-символами

Н.Н. Ермакова, И.Ф. Гладков, И.Д. Серёженко . Оценивание параметров канала связи OFDM-MIMO

На графике сингулярных значений видно, что при низких уровнях шума основные сингулярные значения остаются стабильными и высокими, что свидетельствует о том, что большая часть сигнала сохраняется. При увеличении уровня шума значения резко снижаются, указывая на потерю значимых компонент в переданном сигнале.

На графике NMSE видно, что с увеличением уровня шума NMSE также возрастает. Шум увеличивает отклонение восстановленного сигнала от оригинального.

При низких уровнях шума (например, 0.1) NMSE также низкий – 0.0103. Это означает, что восстановленный сигнал почти совпадает с исходным. При уровне шума 0.6, NMSE составляет 0.3809, а при шуме 1.0 – уже 0.9228. Это свидетельствует о том, что при высоких уровнях шума система теряет значимую информацию, и восстановление сигнала становится менее точным.

Результаты показывают, что для поддержания высокой точности передачи сигнала уровень шума должен оставаться ниже 0.5. При уровне шума выше 0.6–0.7 качество передачи заметно падает, что может быть критично для систем с высокими требованиями к надежности.

График зависимости BER от SNR изображенный на рисунке 5 показывает, что с увеличением SNR значение BER уменьшается. При низких значениях SNR (например, 0 дБ) BER достаточно высок, что указывает на то, что много ошибок в передаче. Однако с рос- том SNR (например, до 30 дБ и выше) BER снижается до очень низких значений, что говорит о высокой надежности передачи при хорошем уровне сигнала.

Зависимость BER от SNR показывает, что увеличение SNR значительно улучшает качество передачи данных, снижая вероятность ошибок. Это имеет важное значение при проектировании систем связи, где необходимо оптимизировать уровень сигнала для достижения приемлемого уровня BER.