ADAPTIVE LEARNING FOR SECURE UAV-MOUNTED STAR-RIS IN 6G NETWORKS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF KFUPM_Thesis_Final_Yaser_Almasri.pdf Restricted to Repository staff only until 9 June 2027. Download (26MB)

Arabic Abstract

يتطلب التطور نحو شبكات الاتصالات اللاسلكية من الجيل السادس حلولًا آمنة، قابلة للتكيف، وذات كفاءة عالية. تبحث هذه الرسالة في مقدرة توفير اتصال آمن يعتمد على طائرة دون طيار مزودة بسطح ذكي قابل لإعادة التشكيل للإرسال والانعكاس المتزامن، ومتكامل مع تقنية الوصول المتعدد غير المتعامد. يعزز النظام المقترح أمن الطبقة الفيزيائية من خلال تشكيل البيئة اللاسلكية بشكل ديناميكي للحد من تسرب المعلومات إلى المتنصتين المحتملين. ولتمكين التشغيل الذكي والذاتي، يتم توظيف تقنيات التعلم المعزز العميق لتحسين إعدادات أطوار السطح الذكي وتموضع الطائرة دون طيار بشكل مشترك ضمن قيود النظام العملية. تم تطوير وتقييم عدة خوارزميات من التعلم المعزز العميق، مما أظهر تحسينات ملحوظة في معدل السرية. بالإضافة إلى ذلك، تتناول هذه الرسالة القيود العملية للأجهزة من خلال دراسة تكميم الأطوار بعدد منخفض من البتات. وتمت دراسة استراتيجيتين، وهما التكميم بعد التدريب والتدريب المراعي لعملية التكميم. وتبين النتائج أن التكميم بعد التدريب يعاني من تدهور ملحوظ في الأداء، في حين يحافظ التدريب المراعي للتكميم على أداء السرية بكفاءة حتى عند بتات منخفضة، محققًا أداءً عاليا مع فقدان طفيف. بشكل عام، توضح هذه الدراسة أن التحكم القائم على التعلم المعزز العميق في السطح الذكي، إلى جانب التصميم المراعي للتكميم، يتيح تحقيق أنظمة اتصالات آمنة وفعالة وعملية لشبكات الجيل السادس، ويقدم رؤى مهمة لتطوير الشبكات اللاسلكية المستقبلية.

English Abstract

The evolution toward sixth-generation (6G) wireless networks demands secure, adaptive, and efficient communication solutions. This thesis investigates a secure downlink framework based on an unmanned aerial vehicle (UAV)-mounted simultaneously transmitting and reflecting reconfigurable intelligent surface (STAR-RIS) combined with non-orthogonal multiple access (NOMA). The proposed system enhances physical-layer security by dynamically shaping the wireless environment to reduce information leakage to potential eavesdroppers. To enable intelligent and autonomous operation, deep reinforcement learning (DRL) techniques are employed to jointly optimize STAR-RIS phase configurations and UAV positioning under practical system constraints. Several DRL algorithms, including deep deterministic policy gradient (DDPG), twin delayed deep deterministic policy gradient (TD3), and softmax deep deterministic policy gradient (SD3), are developed and evaluated, demonstrating notable improvements in secrecy rate. In addition, this thesis addresses practical hardware limitations by studying low-bit phase quantization. Two strategies are considered: post-training quantization (PTQ) and quantization-aware training (QAT). The results show that while PTQ suffers from significant performance degradation, QAT effectively preserves secrecy performance even at low resolutions, achieving near-continuous performance with minimal loss. Overall, this work demonstrates that DRL-driven STAR-RIS control, combined with quantization-aware design, enables secure, efficient, and practical 6G communication systems, providing valuable insights for future wireless network deployments.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering
Department:	College of Computing and Mathematics > Computer Engineering
Thesis Advisor:	Khaled Rabie,
Thesis Committee Members:	Ashraf Mahmoud, Ali Nasir,
Depositing User:	YASER ALMASRI
Date Deposited:	10 Jun 2026 06:02
Last Modified:	10 Jun 2026 06:02
URI:	https://eprints.kfupm.edu.sa/id/eprint/144548