Joint Communication and Sensing (JCAS) is taking its first shape in WLAN sensing under IEEE 802.11bf, where standardized WLAN signals and protocols are exploited to enable radar-like sensing. However, an overlooked problem in JCAS, and specifically in WLAN Sensing, is the sensitivity of the system to a deceptive jammer, which introduces phantom targets to mislead the victim radar receiver. Standardized waveforms and sensing parameters make the system vulnerable to physical layer attacks. Moreover, orthogonal frequency-division multiplexing (OFDM) makes deceptive jamming even easier as it allows digitally generated artificial range/Doppler maps. This paper studies deceptive jamming in J CAS, with a special focus on WLAN Sensing. The provided mathematical models give insights into how to design jamming signals and their impact on the sensing system. Numerical analyses illustrate various distortions caused by deceptive jamming, while the experimental results validate the need for meticulous J CAS design to protect the system against physical layer attacks in the form of deceptive Jamming.

We study model-based end-to-end learning in the context of integrated sensing and communication (ISAC) under hardware impairments. Hardware impairments are usually addressed by means of array calibration with a focus on communication performance. However, residual impairments may exist that affect sensing performance. This paper proposes a data-driven framework for mitigating such impairments. A monostatic orthogonal frequency-division multiplexing (OFDM) sensing and multiple-input single-output (MISO) communication scenario is considered, incorporating hardware imperfections at the ISAC transceiver antenna array. Since conventional ISAC signal processing algorithms rely on mathematical models of the wireless channel, a mismatch occurs between the assumed mathematical models and the underlying reality in the presence of hardware impairments. We first study the detrimental effects of such impairments at the transmitter and receiver side of the proposed scenario, showcasing different levels of degradation on communication and sensing performances. As the core contribution of this work, we propose a novel differentiable version of the orthogonal matching pursuit (OMP) algorithm that is suitable for multi-target sensing and allows for efficient end-to-end learning of the hardware impairments. Based on the differentiable OMP, we devise two model-based parameterization strategies of the ISAC beamformer and sensing receiver to account for hardware impairments: (i) learning a dictionary of steering vectors for different angles and (ii) learning the parameterized hardware impairments. We carry out a comprehensive performance analysis of the proposed model-based learning approaches and a strong baseline consisting of least-squares beamforming, conventional OMP, and maximum-likelihood symbol detection for communication. Results show that by parameterizing the hardware impairments, learning approaches offer gains in terms of higher detection probability, position estimation accuracy, and lower symbol error rate (SER) compared to the baseline. We demonstrate that learning the parameterized hardware impairments outperforms learning a dictionary of steering vectors, also exhibiting the lowest complexity.

This study reveals the vulnerabilities of Wireless Local Area Networks (WLAN) sensing, under the scope of joint communication and sensing (JCAS), focusing on target spoofing and deceptive jamming techniques. We use orthogonal frequency-division multiplexing (OFDM) to explore how adversaries can exploit WLAN's sensing capabilities to inject false targets and disrupt normal operations. Unlike traditional methods that require sophisticated digital radio-frequency memory hardware, we demonstrate that much simpler software-defined radios can effectively serve as deceptive jammers in WLAN settings. Through comprehensive modeling and practical experiments, we show how deceptive jammers can manipulate the range-Doppler map (RDM) by altering signal integrity, thereby posing significant security threats to OFDM-based JCAS systems. Our findings comprehensively evaluate jammer impact on RDMs and propose several jamming strategies that vary in complexity and detectability.