6G网络安全与隐私保护的研究现状及展望

李 玲 朱立东 李卫榜

1(电子科技大学通信抗干扰全国重点实验室 成都 611731)

2(西南民族大学计算机科学与工程学院 成都 610041)

(174959172@qq.com)

虽然当前5G通信在逐渐商用化,覆盖范围有待进一步扩大,但第6代移动通信技术(6G)已经在开始研究.6G发展的最重要的驱动力是电信网络中固有的连接智能,并伴随先进的网络和人工智能(AI)技术[1].6G和人工智能之间的紧密耦合并不意味着会带来更好的安全和隐私.人工智能既可以用于6G安全和隐私保护,也可能成为危害6G安全和隐私的手段.此外,关于6G研究中,有许多关于融合区块链、可见光通信(visible light communication, VLC)、边缘智能和量子计算等新技术的提议,以解决6G的安全和隐私问题.6G的安全问题需要从物理层安全、网络信息安全等方面进行综合考虑[2].

由于6G的功能和标准规范还没有被定义,当前针对6G网络的安全与隐私的研究仍处于早期阶段,相关研究主要针对物联网[3]、5G网络以及对特定技术的探索,明确提出6G网络安全和隐私解决方案的文献仍然非常有限.本文通过对6G网络安全和隐私面临的挑战进行分析,从物理层安全、人工智能、分布式账本技术(distributed ledger technology, DLT)、边缘计算等方面讨论了6G的潜在安全解决方案.

1 6G网络安全

5G网络已经在世界各地广泛部署,它涉及大规模多输入多输出(multi-input multi-output, MIMO)、毫米波通信和其他技术,以提高整个系统的性能.近年来,包括太赫兹(THz)通信、智能反射面(intelligent reflective surface, IRS)、区块链等在内的新兴技术不断涌现,以提高未来6G网络的性能.智能反射面可以通过控制大量的无源反射元件对信号传播进行规划,区块链可以提高整个通信过程中的系统安全性.Ji等人[4]对6G近期的研究进行了梳理,并对5G和6G网络的性能进行了比较.

1.1 物理层安全

6G网络将由不同的节点组成,从宏观设备(卫星)到纳米设备(如人体内部的传感器),这些异质节点构成一个超密集的网络,管理着大量的信息,通常是非常敏感的.物理层安全是6G网络安全的第一道防线,为不同环境中的节点提供安全.Mucchi等人[5]讨论了超5G网络的物理层安全面临的挑战、解决方案和愿景.

5G网络最成功的物理层技术是大规模MIMO,一个大规模MIMO基站支持大量的天线,覆盖大量的终端[6].传统的大规模MIMO的最大缺点是天线与用户的距离具有较大差异性,导致不同用户之间的接收信号强度有很大的变化.无蜂窝大规模MIMO通过将天线分布在不同位置来消除这一缺点.基带功能由一个集中的基带处理单元执行,它通过电缆连接到所有的天线上[7].由于无蜂窝系统配置了大量的天线,对被动窃听具有内在的稳健性[8].然而,窃听者可以假装成合法用户,通过发送自己的前导序列发动主动攻击,这种前导污染攻击对无蜂窝系统更具挑战性.Timilsina等人[9]通过数学分析和蒙特卡洛仿真表明,主动前导污染攻击对无蜂窝大规模MIMO系统的物理层安全是非常不利的.Hoang等人[10]研究了无蜂窝系统的安全问题,分析了被攻击用户可实现数据速率最大化的问题以及在安全约束条件下最小化功率消耗问题.Zhang等人[11]研究了组播无小区系统中的安全通信与主动欺骗攻击.

IRS是一种新技术,通过改变入射信号的振幅、相位和频率控制传输路径[12].IRS可以用来提供物理层安全,只通过替代路径向合法用户发射信号[7].Cui等人[13]研究了一个IRS辅助的安全无线通信系统,其中一个多天线接入点(access point, AP)在有窃听者的情况下发送机密信息,通过联合设计接入点的发射波束成形和IRS的反射波束成形,使系统的保密容量最大化.尽管IRS有潜力,但当合法用户和窃听者有高度相关的链接时,可实现的保密容量是有限的.IRS系统的另一个缺点是合法用户必须位于反射面的同一侧,任何位于反射元表面对面的用户都不在覆盖范围内.Zhang等人[14]提出了具有信号反射和传输双重功能的智能全向表面(intelligent omni-surface, IOS)概念,IOS可以从1侧向2侧的移动用户分别反射和传输输入的信号.

1.2 人工智能与6G安全

随着物联网(IoT)的发展,5G网络连接了众多的智能设备,提高了人与人、人与物的通信质量,使信息可以随时随地被访问和分享.在5G网络中,所有设备和基站的安全解决方案都被配置为具有抵抗某些类型攻击功能的通用设置.这种一刀切的策略不再适合6G安全,因为与5G网络相比,6G网络在设备能力、服务功能、能源条件、攻击漏洞和其他时间变化属性的多样性更高[15].基于信息的泛在性,6G网络有必要实现智能的泛在性,实现大量的智能应用和自主网络管理,通过减少人类的干预作出决策[16].

由于威胁不断增加,物联网中的数据隐私和保密性一直是最受关注的问题之一.常用的物联网芯片在链路层采用固定的认证和加密方案,由于不同的认证和加密操作意味着不同的保护和能源消耗,固定安全策略忽略了剩余能源、动态威胁和不同的服务要求,导致能源效率低下.针对这一问题,Mao等人[17]为6G物联网提出了一种基于人工智能的自适应安全规范,物联网传感设备被假定为支持能量采集技术,采用扩展卡尔曼滤波(extended Kalman filtering, EKF)方法预测未来的采集功率,在每个能量感知周期中,使用数学模型计算不同安全策略所需的能量,并选择支持的最高级别保护,以满足服务要求并降低能耗.

与5G的蜂窝系统相比,6G的网络架构更加灵活,传统的人工智能技术在6G网络安全中的应用面临新的挑战,其中一个关键的挑战是难以在大量的异构设备上实现分布式人工智能.联邦学习(federated learning, FL)是一种新兴的分布式人工智能解决方案,能够在异构和潜在的大规模网络中实现数据驱动的人工智能解决方案.尽管处于早期发展阶段,但受FL启发的架构已被认为是实现6G中泛在人工智能最有前途的解决方案之一[18].Liu等人[19]介绍了6G和联邦学习的融合,从昂贵的通信代价、安全问题、隐私问题、有效性等方面分析了在6G中应用联邦学习所面临的挑战,并列举了6G网络中的潜在联邦学习应用.

联邦学习通过分布全局模型参数和聚集局部模型参数以迭代的方式执行,避免了大量原始数据的传输,并在训练过程中保护了数据隐私.由于FL无法控制本地训练和传输过程,给恶意用户恶化全局聚合提供了机会.Song等人[20]采用基于β分布函数的信誉模型衡量本地用户的信誉,并提出一种基于信誉的调度策略,引入用户公平性约束,考虑无线信道条件和恶意攻击特征的影响,得出无线环境下FL收敛率的合理表达式.

基于深度学习的智能入侵检测(intelligent intrusion detection, IID)方法在6G网络安全的计算机安全保护方面受到广泛关注.集中式场景下,单个用户训练一个强大的深度学习模型难度很大,如果所有的用户把数据上传到服务器,会在中心服务器遇到入侵风险,并侵犯用户隐私.Zhao等人[21]提出了一种基于联邦学习辅助长短时记忆(FL-LSTM)框架的有效智能入侵检测方法,初始LSTM全局模型被部署在所有的用户服务器上,每个用户训练其单一模型并把模型参数上传到中央服务器,中央服务器进行模型参数聚合,形成一个新的全局模型,并将其分发到用户服务器,最终完成入侵检测模型的训练.动态和异构的车联网要满足6G网络的高可靠性和高安全性要求,是一个重大挑战.Zhang等人[22]设计了一种新型的基于权重的机器学习算法来识别车辆控制器区域总线网络的异常信息,建立了一个基于多目标优化的模型,用于车辆控制器区域总线网络的入侵检测.

为了探索深度学习去噪自动编码器在面向6G的物联网融合安全中的应用价值,Lv等人[23]研究基于自编码器的3层神经网络,构建了分层入侵安全检测模型叠加去噪自动编码器支持向量机,应用于基于物联网融合的入侵安全检测,降低检测负荷的同时提高了检测效果.

6G网络是对现有5G网络的重大改进,有助于进一步促进智能应用的发展.通过分析6G网络的特点、挑战和潜在技术,Zheng等人[24]发现在大数据和云计算的帮助下,深度学习有可能克服6G网络所面临的这些挑战.针对6G网络中恶意软件和勒索软件攻击的情况,Ankita等人[25]通过机器学习和深度学习模型处理这2种攻击,并对2种模型的准确性进行比较,认为机器学习和深度学习与即将到来的6G网络的合作,实现安全领域的改进.

1.3 区块链与6G安全

与5G网络相比,6G网络可以容纳众多的异构设备和基础设施,并在不同的资源(如频谱、计算和存储)上提高效率和安全性.由于设计方面的局限,6G网络在安全性方面存在一定挑战,区块链(blockchain, BC)作为近10年来出现的一种创新和革命性的技术,提供了一种有希望的解决方案.基于其去中心化、透明性、匿名性、不可更改性、可追溯性和弹性的性质,区块链可以在独立的网络实体之间建立合作信任关系,实现高效的资源共享、可信的数据交互、安全访问控制、隐私保护以及无线网络的追踪、认证和监督功能,从而为6G提供一个新的范式.Wang等人[26]提出了一个统一的区块链无线接入网络(B-RAN)框架,通过利用区块链技术提高6G网络的效率和安全性.

在6G时代,边缘缓存技术将向智能化、动态化和安全化发展.然而,边缘缓存的安全问题包括数据篡改和窃听等方面,目前相关的研究还比较少.针对边缘缓存的安全问题,Sun等人[27]研究了2跳边缘缓存,为确保安全性,采用了区块链和物理层安全技术防止数据被篡改和窃听,设计了基于区块链的框架保证频谱等重要数据的可靠性,并共同优化内容缓存概率和冗余率,使安全传输概率最大化.

随着5G网络的部署,数据流量的快速增长以及新的应用和服务对更高网络性能的需求增加,人们对6G网络的需求更加迫切,软件定义网络(software-defined network, SDN)由于可编程性和网络管理的便利以及为创新的网络设计提供了灵活性,成为未来网络的关键技术.考虑到目前的SDN实施并不适合支持促进移动网络运营商(mobile network operators, MNO)之间互操作性的商业协议,Okon等人[28]提出了一个统一的SDN和区块链架构,具有增强的频谱管理功能,可以实现移动网络运营商之间的无缝用户漫游功能.

随着智能信息时代的到来,在人们日常生活的方方面面,诸如医疗、交通、娱乐和智慧城市等,对信息的高速传输提出了新的要求.区块链和分布式账本是解决当前大多数限制和促进6G功能标准的最具颠覆性的技术推动者之一[29].区块链带给6G在智能资源管理、身份认证和访问控制、可扩展性等方面的功能提升.与此同时,区块链技术能够给6G网络提供分布式的、可信赖的基础设施和解决方案.

6G网络中,新兴服务和应用诸如吉字节(GB)的传输速率、更高的可靠性,以及万物互联(Internet of everything, IoE)的低延迟和无处不在的连接,对网络性能提出了更高的要求.由于频谱资源的稀缺性,有效的资源管理和共享对于实现所有这些高标准的要求至关重要,区块链在6G中的整合将使网络能够有效地监测和管理资源的利用和共享.Xu等人[30]利用多种应用场景,即物联网、设备间通信、网络切片和域间区块链生态系统,讨论了区块链在6G中的资源管理和共享的潜力.

随着连接的增强和新的应用,隐私和安全必须得到保证,区块链等分布式账本技术为应用安全和隐私保护提供了一个解决方案,但也引入了自身一系列安全和隐私风险,Nguyen等人[31]讨论了与区块链在6G网络应用中有关的机遇和挑战,并为克服这些挑战描绘了可能的方向.

6G技术由不同数量的异质资源和通信协议组成,保证服务的无缝接入,由于其异质性和授权委托,安全是6G网络环境中的一个主要问题,区块链技术能够解决上述的隐私和安全挑战,此外还提供了增强服务,如开放性、去中心化、不可更改性、无信任等.Velliangiri等人[32]提出了一个将保护隐私的区块链框架与6G网络相结合的新想法,构建一种区块链无线接入网络(B-RAN)的集成系统,作为基于区块链技术的6G网络的可靠和稳定的模型,并提高了效率和安全性.

考虑到越来越多的物联网设备需要在有限的频谱中相互通信,Liu等人[33]研究了6G增强型高可靠和低延迟通信(enhanced ultra-reliable and low latency communications, eURLLC)服务中的动态频谱共享问题,将区块链技术与6G混合云相结合,实现物联网设备之间的频谱共享,提出了eURLLC中基于强化学习(reinforcement learning, RL)的无线频谱资源共享架构,包括资源分类、资源调度、整体模型和神经网络优化.

6G时代,实现高效和动态的频谱管理至关重要.为了应对具有异构设备的大规模物联网网络管理的挑战,Zhang等人[34]提出一种有向无环图(directed acyclic graph, DAG)区块链增强的用户自治频谱共享模型,并分析了DAG区块链的尚未确认的交易(tip)选择方法对频谱分配效用的影响,提出了一种动态提示选择方法提高全局效用.

无人机(unmanned aerial vehicles, UAV)可以为智慧城市的发展提供高效的解决方案,已被广泛应用于民用和军用领域,如数据采集、数据传输、音频和视频监控、空中摄影、作物勘查和实时医疗等,当前无人机网络的通信和安全面临挑战.Aggarwal等人[35]对6G网络的架构、要求和应用进行了广泛调研,提出一种基于无人机通信应用的解决方案分类法,并提出了一个以区块链为基础的安全解决方案和6G在无人机通信中的网络连接方案.

基于6G的频谱资源分配给电信供应商,将保证各种用户应用的超峰值速率、高可用性和极低延迟,然而,现实情况下,频谱分配受到公平分配的限制、拍卖过程中的延迟以及由于固有的中心化而导致的串通投标.针对此问题,Patel等人[36]提出了一个解决方案(Block6Tel),它将区块链整合到6G-envisioned频谱分配中,以确保电信供应商之间安全和可信的频带分配,并确保电信利益相关者之间的透明度.

空天地一体化网络包含多个网络元素,如卫星、地面蜂窝网络、地面网关和数据中心,由于不同运营商之间需要开放和共享,有必要研究无线频谱共享.Sun等人[37]提出将6G的频谱共享系统迁移到混合区块链上,将无所不在的物联网(ubiquitous IoT, UIoT)设备的频谱资源颗粒度进行多维度细分,实现对大量UIoT终端数据的可靠和安全的随机访问.

1.4 边缘计算与6G安全

边缘计算是5G移动网络和未来6G网络的一种关键技术,该技术在提供更多带宽和减少延迟的同时分配云应用[38].考虑到人工智能以云为中心的架构模式需要将数据从终端用户设备传输到云端,消耗大量的数据传输资源并引入延迟,Huynh等人[39]提供了一个边缘计算背景下基于人工智能的5G网络安全的整体解决思路,并考虑应用在未来的6G网络中.

Bhat等人[40]提出了一个面向5G及以后网络的多层集成区块链和边缘计算架构,以解决资源有限的边缘设备面临的一些安全问题,介绍了区块链及其对边缘计算中主要安全问题的潜在解决方案.Ishtiaq等人[41]介绍了B5G/6G网络中边缘部署的关键因素,包括边缘架构、服务器位置和容量、用户密度、安全性等,并进一步提供了未来B5G/6G网络中最先进的以边缘为中心的服务.Mathew[42]研究了6G中的边缘计算及其与区块链的融合、安全如何影响6G网络、各种6G技术的潜在障碍以及可能的补救措施,特别关注对6G增强技术的安全考虑,包括量子计算、可见光通信(VLC)、分布式ML/AI、物理层安全和DLT.

以下研究集中在自动驾驶汽车(AV)技术和边缘计算的融合:Prathiba等人[43]研究了通过定制的边缘计算服务应对6G车联万物(6G-V2X)通信中不断增加的移动互联网流量和服务挑战,提出了一个联邦学习和边缘缓存辅助的Cybertwin(FLCC)框架,联合考虑了边缘合作和优化,用于在6G-V2X中提供个性化的服务.Hui等人[44]研究了6G异构车辆网络(HetVNETs)中边缘计算服务的定制问题,开发了一个新的安全方案,通过共同考虑攻击模型和6G网络基础设施(如卫星、无人机、基站和路边设备)的特点,设计了一个基于智能合约的安全边缘计算架构,为6G HetVNETs中的移动车辆(MVs)提供个性化的边缘计算服务.随着车联网(Internet of vehicles, IoV)所需的智能化程度不断提高,6G车联万物(vehicle-to-everything, V2X)应用的无缝边缘计算服务需要3维和无处不在的网络覆盖来实现密集的计算任务和数据卸载.Hu等人[45]构建了一个智能UAV辅助的车辆边缘计算(vehicular edge computing, VEC)系统,以满足6G V2X的要求,并提供3维和自适应的服务覆盖.

5G及6G面临许多挑战,如流量、隐私、安全、数字化能力和所需的延迟等.Al-Ansi等人[46]对6G中的智能边缘计算(intelligence edge computing, IEC)技术进行了全面的调研,重点是特征、挑战、潜在的应用和市场驱动力,并总结了从2014—2021年5G网络中智能边缘计算的研究工作,其中强调了IEC和5G技术的融合.由于在延迟和分布式服务中起着关键作用,多接入边缘计算(multi-access edge computing, MaEC)在未来的通信网络中已经不可避免.新兴的服务试图进一步将MaEC的概念推向用户环境,以实现本地化、私密化,甚至更快的信息处理,微型MaEC(μMaEC)满足了新兴服务的这种需求.Ahmad等人[47]对μMaEC理念和技术的安全状况进行了概述,讨论了安全方面的挑战和这些挑战的潜在解决方案,并强调了存在的差距.

6G网络的目标是实现空天地海的连接.6G网络的主要特点是大规模连接、超可靠性、低延迟和极高的带宽.多接入边缘计算(MEC)是6G无线网络的一个关键组成部分,可以实现延迟敏感、带宽密集和计算密集型设备,Huynh等人[48]概述了在未来6G无线网络中使用多接入边缘计算的技术挑战和机会.

2 6G中的隐私保护

以机器学习、深度学习、联邦学习等为代表的人工智能技术在6G中是不可或缺的,在解决6G中的安全问题方面发挥着越来越重要的作用.在6G综合空中-地面网络模型场景下,Fadlullah等人[49]提出了一个分布式异构计算平台(heterogeneous computing platform, HCP),通过利用无人机和地面基站的缓存和合作通信能力来实现.为了保护移动用户的内容隐私,在移动用户、无人机/地面基站和分布式异构计算平台之间提出了一个2阶段的联合学习算法,通过共同考虑流量分布、用户的移动性和本地化的内容流行度来协作预测内容缓存的位置.

6G网络中,以联合学习为代表的分布式机器学习方案在数据利用和多方合作模型训练方面表现出了优势,然而,联邦学习框架中的隔离数据策略不能完全保证用户的隐私安全.Wu等人[50]提出了一种结合自适应梯度下降策略和差分隐私机制的联邦学习方案,适用于多方协作建模的场景,为了保证联合学习方案能够在有限的通信成本下高效训练,采用自适应学习算法调整梯度下降过程,避免模型过拟合和波动现象.为了适应超大规模的分布式安全计算场景,引入了差分隐私机制,以抵抗各种背景知识攻击.Yang等人[51]通过联邦学习解决6G网络赛博孪生(Cybertwin)中的隐私问题,并分别考虑了2种情况:一种是服务器可以收到每个选定设备的单独训练模型;另外一种是服务器可以收到来自选定客户端的聚合模型.

无人机与人工智能的结合为6G网络移动群智感知(mobile crowdsensing, MCS)开辟了一条革命性的道路.传统的人工智能模型建立在对无人机传感数据(通常包含私人和敏感的用户信息)的汇总上,可能会产生严重的隐私和数据滥用问题.Wang等人[52]提出了一个用于无人机辅助的MCS的安全联合学习框架,通过应用局部差分隐私,设计了一种隐私保护算法,保护无人机更新的局部模型的隐私.

Ferrag等人[53]对物联网应用中网络安全的联邦深度学习方法进行了实验分析,通过对循环神经网络(RNN)、卷积神经网络(CNN)和深度神经网络(DNN)的实验对比,证明了联邦深度学习方法在保证物联网设备数据的隐私方面优于传统集中式的机器学习(非联邦学习),并在检测攻击方面提供了更高的准确性.

区块链技术在6G隐私保护方面的应用越来越广泛.陈烨等人[54]提出一种基于区块链分片技术的数字内容安全共享模型,利用区块链的可追溯、防篡改特点以及分片技术,确保数据共享过程中的安全性及数据访问效率,利用附带时间的基于密文策略属性加密技术实现隐私保护.仲蓓鑫等人[55]提出一种基于区块链技术的多源网络数据隐私保护方法,对多源网络数据在传输过程中的恶意节点进行检测,实现数据隐私保护.

6G技术在智能交通系统的车联网(IoV)和车联万物(V2X)通信中有着重要的应用前景.Zhou等人[56]提出了一个2层联合学习模型,利用6G环境中典型的分布式终端——云架构,并在确保数据隐私保护和减少通信开销的同时,实现更高效、更准确的学习,设计了一个新颖的多层异质模型选择和聚合方案,以更好地利用6G支持的车联网中单个车辆和路侧单元(RSU)的本地和全球环境.随着赛博孪生的引入,车辆在未来将能够提供越来越多的服务.考虑到司机的安全,说话者识别将被广泛地应用于车联网场景中,即将到来的网络双核驱动的6G给语音识别技术带来了前所未有的挑战,特别是在防止声纹泄露方面.为了应对这些挑战,Li等人[57]提出了一种高效且保护隐私的网络双核驱动的6G说话人识别方案,可以在不泄露声纹数据的情况下在多个安全级别上识别说话人的身份.

将机器学习应用于6G网络,在隐私保护方面会出现新的机遇和挑战.一方面,安全的机器学习结构或机器学习的正确应用,可以保护6G网络的隐私;另一方面,机器学习可能被攻击或滥用,导致隐私被侵犯.Sun等人[58]对6G中的机器学习和隐私进行了综述,介绍了通过机器学习侵犯隐私和保护的相关工作.信任、安全和隐私的作用在某种程度上是相互关联的,也是6G网络关注的重点,Ylianttila等人[59]从信任、安全性、隐私3个关键领域研究了其所面临的挑战,并提出从区块链、分布式账本技术和差异化隐私方法入手是一种可行的研究思路.Porambage等人[60]研究了安全如何影响6G网络,以及可能的挑战和潜在的解决方案,重点讨论了在6G可能出现的安全和隐私挑战、新的网络架构和应用,包括分布式账本技术、物理层安全、分布式AI/机器学习(ML)、可见光通信(VLC)、太赫兹通信和量子通信.为了巩固和加强6G网络的安全和隐私,Porambage等人[61]研究了安全如何影响6G网络、不同的6G技术可能带来的挑战以及潜在的解决方案,提出了对6G安全和安全关键性能指标(KPI)的看法,并讨论了6G网络的安全技术问题,如DLT、物理层安全、分布式AI/ML、可见光通信(VLC)、太赫兹和量子计算.

3 6G网络安全和隐私保护的未来研究趋势

3.1 AI赋能的6G安全

人工智能技术在5G中有了部分应用,并取得显著的效果.未来的6G网络中,将人工智能技术与6G网络通信的各个层面深度融合,特别是基于人工智能技术的最新进展,有望更好地解决安全与隐私保护问题.在物理层,已有的研究证明:机器学习能够改善信道编码[62],提升物理层安全性[63].现有的研究尚且处于初步阶段,有待进一步深入研究.在网络层,已有的5G网络技术,如NFV,SDN等有待进一步改进,提升网络架构的灵活性和自我学习能力.

3.2 联邦学习的激励机制

联邦学习在6G安全领域的安全多方计算(secure multi-party computation, SMC)、同态加密(homomorphic encryption, HE)、差分隐私(differential privacy, DP)方面有着诸多应用,现有的研究在激励机制方面还不够完善.联邦学习需要数据所有者分享自己的数据,供联邦学习全局模型的训练,激励机制是一个核心和紧迫的研究课题[64].6G网络场景下,设备的庞大规模和数据质量的差异化对学习效果有着重要的影响,如何设计基于数据质量的激励机制,根据参与者贡献的数据质量的高低进行差异化奖励,从而提高学习效果,是一个具有挑战性的问题.

3.3 更具针对性的隐私保护

6G网络的复杂性和应用的多样性使得数据隐私保护比以往更加复杂.联邦学习、区块链、差分隐私、同态加密等技术在隐私保护方面有自身的优势.在6G网络背景下,如何更好地保护参与者的隐私,特别是针对6G网络复杂的技术架构以及不同的应用场景,如何利用1种或者多种技术更好地实现6G的隐私保护,有待进一步深入研究.

4 结 语

当前随着5G通信的不断普及,对下一代移动通信技术(6G)的研究已经如火如荼地开展.虽然6G的功能和标准规范尚未被明确定义,与其有关的安全和隐私保护问题已经成为研究热点.6G的安全问题需要从物理层安全、网络信息安全等层面进行综合考虑.针对6G网络安全和隐私保护面临的挑战,本文从6G物理层安全、人工智能、区块链、边缘计算等新型技术对6G安全带来的机遇与挑战等方面对当前相关研究进行了总结,对6G中的隐私保护相关研究进行了总体介绍,最后对6G安全与隐私保护未来研究趋势进行了展望.