Makine öğrenmesi tabanlı anten seçimi ve fiziksel katman güvenliği

Abstract

Bu tez çalışmasında, kablosuz haberleşme sistemlerinde anten seçiminin optimize edilmesi amacıyla makine öğrenme tabanlı yöntemler geliştirilmiştir. Modern iletişim sistemlerinde, özellikle yoğun veri akışının ve yüksek güvenlik gereksinimlerinin bulunduğu ortamlarda, doğru anten seçimi büyük önem taşımaktadır. Birden fazla antenin kullanıldığı MIMO (Çok Giriş Çok Çıkış), MISO (Çok Giriş Tek Çıkış) ve SIMO (Tek Giriş Çok Çıkış) sistemlerinde anten seçimi, sistem performansını doğrudan etkileyen kritik bir faktördür. Bu tip sistemlerde verici veya alıcıda birden fazla anten olması, sinyalin farklı antenler üzerinden iletilmesini veya alınmasını sağlar. Böylece kanaldaki zayıflama, parazit ve yol etkilerinden korunarak daha güvenilir ve yüksek kaliteli bir iletişim sağlanır. Ayrıca, fiziksel katman güvenliği (PLS) ile ilgili güvenlik riskleri bu süreçte dikkate alınarak anten seçimi, sinyal güvenliği açısından da optimize edilir. Bu çalışmada, sinyal-gürültü oranı (SNR) ve gizlilik kapasitesi (Cs) gibi metrikler ışığında, antenlerin fiziksel katman güvenliğini destekleyecek şekilde seçilmesi incelenmiştir. Anten seçimi sürecinde, kanal durumu bilgilerini (CSI) giriş olarak alan ve bu bilgilere dayanarak en uygun anteni seçen üç farklı makine öğrenme yöntemi kullanılmıştır: Yoğun Sinir Ağı (Dense NN), Konvolüsyonel Sinir Ağı (CNN) ve K En Yakın Komşu (K-NN). Modelin eğitimi ve testi için geniş kapsamlı bir veri seti oluşturulmuş, bu veri seti üzerinde çeşitli öğrenme algoritmaları kullanılarak modeller eğitilmiştir. Eğitim ve test aşamalarında çeşitli kanal koşulları ve anten konfigürasyonları dikkate alınarak modelin performansı değerlendirilmiştir. Bu değerlendirmelerde, fiziksel katman güvenliği sağlama kapasitesi de göz önünde bulundurulmuş ve iletişimin güvenilirliğinin artırılması hedeflenmiştir. Çalışmanın sonuçları, geliştirilen makine öğrenme tabanlı anten seçimi yöntemlerinin geleneksel yöntemlere kıyasla belirgin bir performans sağladığını göstermektedir. Özellikle SNR ve Cs değerleri açısından yapılan değerlendirmeler, modellerin yalnızca iletişim kalitesini değil, aynı zamanda fiziksel katman güvenliğini de artırdığını ortaya koymuştur. Ayrıca, önerilen modellerin değişen kanal koşullarına uyum sağlama yeteneği, kablosuz haberleşme sistemlerinin dinamik yapısına uygun olarak geliştirilmiştir. Bu tez çalışması, derin öğrenme ve makine öğrenme tekniklerinin kablosuz haberleşme alanında yenilikçi çözümler sunabileceğini, anten seçimi süreçlerinde ve fiziksel katman güvenliği sağlanmasında önemli iyileştirmeler sağlayabileceğini göstermektedir. Gelecekte, bu modelin daha farklı iletişim senaryolarında test edilmesi ve optimize edilmesi, daha geniş uygulama alanlarına yönelik önerilerde bulunulması planlanmaktadır.

In this thesis, machine learning-based methods have been developed to optimize antenna selection in wireless communication systems. In modern communication systems, especially in environments with high data flow and stringent security requirements, proper antenna selection is of great importance. In systems using multiple antennas, such as MIMO (Multiple Input Multiple Output), MISO (Multiple Input Single Output), and SIMO (Single Input Multiple Output), antenna selection is a critical factor that directly affects system performance. Having multiple antennas at either the transmitter or receiver allows signals to be transmitted or received through different antennas. This helps protect against channel fading, interference, and path effects, thereby ensuring more reliable and higher-quality communication. Additionally, physical layer security (PLS) risks are considered during this process, as antenna selection is optimized for signal security as well. This study examines how to select antennas based on metrics such as Signal-to-Noise Ratio (SNR) and secrecy capacity (Cs) to enhance physical layer security. In the antenna selection process, three different machine learning methods were employed that take channel state information (CSI) as input and select the optimal antenna based on this information: Dense Neural Network (Dense NN), Convolutional Neural Network (CNN), and K-Nearest Neighbors (K-NN). A comprehensive dataset was created for model training and testing, and various learning algorithms were employed to train the models on this dataset. During the training and testing phases, different channel conditions and antenna configurations were considered to evaluate model performance. These evaluations also took physical layer security into account, aiming to enhance the reliability of communication. The results of the study demonstrate that the developed machine learning-based antenna selection methods provide significant performance improvements compared to traditional methods. Evaluations, particularly in terms of SNR and Cs values, reveal that the models enhance not only communication quality but also physical layer security. Furthermore, the proposed models' ability to adapt to changing channel conditions has been developed in line with the dynamic nature of wireless communication systems. This thesis shows that deep learning and machine learning techniques can provide innovative solutions in the field of wireless communications and offer significant improvements in both antenna selection processes and physical layer security. In the future, it is planned to test and optimize this model in different communication scenarios and propose recommendations for broader application areas.