SAGSU-6G:A Real-Time Dynamic CNN+BiLSTM Framework for Physical-Layer Intrusion Detection in Multi-Domain 6G Networks

Öz

Sixth-generation (6G) wireless networks introduce a fundamentally new communication paradigm by integrating heterogeneous Space–Air–Ground–User–Sea Surface–Underwater (SAGSU-U) domains into a unified architecture. Although this integration significantly enhances network connectivity and coverage, it also expands the cyberattack surface, creating new security challenges for physical-layer intrusion detection. This paper presents SAGSU-6G, a unified physical-layer intrusion detection (PIDS) framework based on a hybrid convolutional neural network and bidirectional long short-term memory (CNN+BiLSTM) architecture for real-time classification of twelve cyberattack categories across six network layers. A custom Python-based dynamic physical-layer simulation environment incorporating realistic propagation models and 'Dwell Time' mechanics was developed to generate continuous sequential data. The live monitoring interface processed 1,453 sliding-window observations using eight physical-layer metrics: RSSI, SINR, Doppler, CSI, BER, jitter, PDR, and throughput. Experimental results demonstrate distinct attack-dependent degradation patterns across heterogeneous communication domains and a balanced class distribution suitable for multi-class learning. The proposed CNN+BiLSTM model achieved an 87.1% real-time streaming classification accuracy with an inference latency below 50 ms, demonstrating its effectiveness for real-time intrusion detection in future heterogeneous 6G environments.

Anahtar Kelimeler

• 6G networks
• physical layer security
• intrusion detection
• CNN+BiLSTM
• heterogeneous multi-domain networks
• SAGSU-6G

SAGSU-6G: Çok Alanlı 6G Ağlarında Fiziksel Katman Saldırı Tespiti için Gerçek Zamanlı Dinamik CNN+BiLSTM Çerçevesi

Öz

Altıncı nesil (6G) kablosuz ağlar, Uzay–Hava–Kara–Kullanıcı–Deniz Yüzeyi–Sualtı (SAGSU-U) iletişim alanlarını tek bir bütünleşik mimari altında birleştirerek yeni bir iletişim paradigması sunmaktadır. Bu bütünleşik yapı, ağ bağlantısı ve kapsama alanını önemli ölçüde artırırken, aynı zamanda siber saldırı yüzeyini genişleterek fiziksel katman saldırı tespiti açısından yeni güvenlik zorluklarını da beraberinde getirmektedir. Bu çalışmada, altı ağ katmanı boyunca on iki farklı siber saldırı türünün gerçek zamanlı sınıflandırılmasını gerçekleştirmek amacıyla hibrit Evrişimsel Sinir Ağı ve Çift Yönlü Uzun Kısa Süreli Bellek (CNN+BiLSTM) mimarisine dayalı bütünleşik bir fiziksel katman saldırı tespit sistemi olan SAGSU-6G önerilmektedir. Önerilen yaklaşımın değerlendirilmesi amacıyla dinamik 'Kalış Süresi' algoritmalarına sahip özel bir Python tabanlı matematiksel benzetim ortamı geliştirilmiş ve gerçek zamanlı akış senaryosunda 1.453 ardışık kayan-pencere (sliding-window) gözlemi üretilmiştir. Veri kümesi; RSSI, SINR, Doppler, Kanal Durum Bilgisi (CSI), Bit Hata Oranı (BER), gecikme dalgalanması (Jitter), Paket Teslim Oranı (PDR) ve verim (Throughput) olmak üzere sekiz fiziksel katman metriğini içermektedir. Deneysel sonuçlar, farklı saldırı türlerinin heterojen iletişim alanlarında birbirinden ayırt edilebilir bozulmalara neden olduğunu göstermektedir. Önerilen CNN+BiLSTM modeli, gerçek zamanlı analiz ekranında %87,1'lik canlı akış doğruluğu ve 50 ms'nin altında çıkarım gecikmesi elde ederek geleceğin heterojen 6G ortamlarında gerçek zamanlı saldırı tespiti açısından etkin bir çözüm sunduğunu kanıtlamıştır.

Anahtar Kelimeler

• 6G ağları
• fiziksel katman güvenliği
• saldırı tespit sistemi
• CNN+BiLSTM
• heterojen çok alanlı ağlar
• SAGSU-6G

Kaynakça

1. Giordani M, Polese M, Mezzavilla M, Rangan S, Zorzi M. Toward 6G Networks: Use Cases and Technologies. IEEE Communications Magazine. 2020;58(3):55-61.
2. Zhang Z, Xiao Y, Ma Z, Xiao M, Ding Z, Lei X, et al. 6G Wireless Networks: Vision, Requirements, Architecture, and Key Technologies. IEEE Vehicular Technology Magazine. 2019;14(3):28-41.
3. Tariq F, Khandaker MRA, Wong KK, Imran MA, Bennis M, Debbah M. A Speculative Study on 6G. IEEE Wireless Communications. 2020;27(4):118-125.
4. Liu Y, Chen H-H, Wang L. Physical Layer Security for Next Generation Wireless Networks: Theories, Technologies, and Challenges. IEEE Communications Surveys & Tutorials. 2017;19(1):347-376.
5. Thakkar A, Lohiya K. A Review on Machine Learning and Deep Learning Perspectives of IDS for IoT: Recent Updates, Security Issues, and Challenges. Archives of Computational Methods in Engineering. 2021;28:3211-3243.
6. Wyner AD. The Wire-Tap Channel. Bell System Technical Journal. 1975;54(8):1355-1387.
7. Zhu J, Schober R, Bhargava VK. Secure Transmission in Multicell Massive MIMO Systems. IEEE Transactions on Wireless Communications. 2014;13(9):4766-4781.
8. LeCun Y, Bengio Y, Hinton G. Deep Learning. Nature. 2015;521:436-444.

9. O'Shea T, Hoydis J. An Introduction to Deep Learning for the Physical Layer. IEEE Transactions on Cognitive Communications and Networking. 2017;3(4):563-575.
10. Xin Y, Kong L, Liu Z, Chen Y, Li Y, Zhu H, et al. Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access. 2018;6:35365-35381.
11. Schuster M, Paliwal K K. Bidirectional Recurrent Neural Networks. IEEE Transactions on Signal Processing. 1997;45(11):2673-2681.
12. Guo H, Li J, Liu J, Tian N, Kato N. A Survey on Space-Air-Ground-Sea Integrated Network Security in 6G. IEEE Communications Surveys & Tutorials. 2022;24(1):53-87.
13. Cheng N, Jingchao HE, Zhisheng YIN, Conghao ZHOU, Huaqing WU, Feng LYU, et al. 6G service-oriented space-air-ground integrated network: A survey. Chinese Journal of Aeronautics. 2022;35(9):1-18.
14. Stojanovic M, Preisig J. Underwater Acoustic Communication Channels: Propagation Models and Statistical Characterization. IEEE Communications Magazine. 2009;47(1):84-89.
15. Marzetta TL. Noncooperative cellular wireless with unlimited numbers of base station antennas. IEEE transactions on wireless communications. 2010; 9(11): 3590-3600.
16. Osorio DPM, Ahmad I, Sanchez JDV, Gurtov A, Scholliers J, Kutila M, et al. Towards 6G-Enabled Internet of Vehicles: Security and Privacy. IEEE Open Journal of the Communications Society. 2022;3:82-105.
17. Alex K, Ilya S, Geoffrey EH. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 2017;60(6):84–90.
18. Graves A, Schmidhuber J. Framewise Phoneme Classification with Bidirectional LSTM and Other Neural Network Architectures. Neural networks. 2005;18(5-6):602-610.
19. Chiu JP, Nichols E. Named Entity Recognition with Bidirectional LSTM-CNNs. Transactions of the Association for Computational Linguistics. 2016;4:357-370.
20. Balım C, Olgun N. Classification of Temporary and Real E-mail Addresses with Machine Learning Techniques. Turkish Journal of Nature and Science. 2024;13(3):176-183.
21. Gündüz M Z, Daş R. An effective DNN-based Approach for Detecting Energy Theft in Smart Grids through User Consumption Patterns. Turkish Journal of Nature and Science. 2023;12(4):163-170.