Quantum Key Distribution Secured Federated Learning for Channel Estimation and Radar Spectrum Sensing in 6G Networks

Título: Distribución de Clave Cuántica (QKD) para Aprendizaje Federado Seguro en Estimación de Canales y Detección de Espectro de Radar en Redes 6G

1. Problema

Las redes de próxima generación (NextG o más allá de 6G) integran tecnologías de comunicación y sensado (como radar y comunicaciones inalámbricas) en espectros compartidos, requiriendo alta velocidad de datos y baja latencia. Para optimizar estos sistemas, se utilizan enfoques de Inteligencia Artificial/Aprendizaje Automático (IA/ML), como la estimación de canales y la detección de espectro de radar. Sin embargo, el uso de Aprendizaje Federado (FL) para entrenar modelos distribuidos sin centralizar datos crudos presenta riesgos de seguridad críticos:

• Privacidad: Un servidor curioso o un espía (eavesdropper) podría inferir información sensible de las actualizaciones de gradientes o pesos del modelo.
• Integridad: Las claves de cifrado comprometidas podrían permitir la manipulación de la agregación del modelo.
• Ataques: Vulnerabilidades ante ataques de envenenamiento, inferencia y adversarios.

La necesidad es un marco que garantice la privacidad de los datos y la integridad del modelo durante el entrenamiento federado en entornos 6G, protegiendo contra escuchas pasivas y activas.

2. Metodología

El artículo propone un marco de Aprendizaje Federado (FL) asegurado por Distribución de Clave Cuántica (QKD). La metodología se basa en los siguientes pilares:

• Protocolo QKD (Estilo BB84): Se utiliza una abstracción del protocolo BB84 para generar claves secretas compartidas entre el servidor y los clientes.
  • Se emplean bases mutuamente unbiased (rectilínea y diagonal) para la preparación y medición de estados cuánticos.
  • Se calcula la Tasa de Error de Bit Cuántico (QBER). Si el QBER supera un umbral predefinido (indicando presencia de un espía o ruido excesivo), la ronda se aborta para evitar el uso de claves comprometidas.
• Máscara Aditiva Pareada (Pairwise Additive Masking):
  • En lugar de realizar sesiones QKD independientes para cada par, se deriva una semilla secreta compartida por ronda.
  • Mediante una función de derivación de claves (KDF), se generan claves de máscara simétricas ($k_{ij} = k_{ji}$) para cada par de clientes.
  • Cada cliente $i$ enmascara su actualización local $\theta^{(i)}$ sumando/restando máscaras generadas a partir de las claves con otros clientes: $\tilde{\theta}^{(i)} = \theta^{(i)} + \sum_{j>i} m_{ij} - \sum_{j<i} m_{ji}$.
  • Cancelación de Máscaras: En el servidor, al agregar todas las actualizaciones, las máscaras se cancelan mutuamente ($m_{ij} - m_{ji} = 0$), permitiendo obtener el promedio global correcto sin revelar los parámetros individuales.
• Modelos de Aprendizaje:
  • Estimación de Canales: Se utiliza una Red Neuronal Convolucional (CNN) para predecir la magnitud del canal a partir de pilotos OFDM (datos de entrada: espectrogramas de pilotos).
  • Detección de Espectro de Radar: Se utiliza una arquitectura U-Net para segmentación semántica de píxeles en espectrogramas, clasificando entre Ruido, LTE, NR y Radar.

3. Contribuciones Clave

• Formalización del Modelo: Se define un modelo de sistema que acopla QKD (estilo BB84) con máscaras aditivas pareadas para FL, derivando condiciones de corrección de reconstrucción y abortos basados en QBER.
• Aplicación a Tareas 6G: Se demuestra la utilidad del marco en dos escenarios críticos: estimación de canales (CNN) y sensado de espectro de radar (U-Net), manteniendo la calidad del modelo bajo agregación segura.
• Evaluación de Amenazas: Se caracteriza el comportamiento del sistema ante la presencia de un espía (Eve). Se demuestra que el mecanismo de aborto basado en QBER previene eficazmente la agregación cuando las claves están comprometidas.
• Análisis de Fugas y Ruido: Se evalúa la sensibilidad del QBER al ruido de canal (depolarización) y se reportan métricas de error de reconstrucción y "proxies" de fuga (correlación de Pearson y coseno) para validar la efectividad del enmascaramiento.

4. Resultados Experimentales

Los experimentos se realizaron con conjuntos de datos sintetizados (MATLAB 5G Toolbox) para estimación de canales y sensado de radar.

• Rendimiento (Utilidad):
  • Estimación de Canales: El FL seguro (QKD-SA) alcanzó un NMSE de 0.216, prácticamente idéntico al FL básico (sin enmascarar), demostrando que el enmascaramiento no introduce sesgo de agregación.
  • Detección de Radar: Se logró una precisión del 92.1% y un mIoU de 0.72. En algunos casos (ej. 3 clientes), el método seguro superó ligeramente al básico.
• Seguridad y Respuesta a Ataques:
  • Cuando un espía (Eve) realiza un ataque de "interceptar y reenviar" en todas las rondas, el QBER aumenta a ~25%.
  • Como resultado, todas las rondas se abortan correctamente, impidiendo la actualización del modelo. La precisión del modelo se mantiene en niveles de adivinanza aleatoria (ej. 6.96% para radar), confirmando que el servidor no procesa datos comprometidos.
• Corrección y Privacidad:
  • El error de reconstrucción (diferencia entre el promedio de modelos enmascarados y no enmascarados) fue insignificante ($< 10^{-5}$), confirmando la corrección matemática de la agregación.
  • Las métricas de fuga (correlación entre actualizaciones reales y enmascaradas) disminuyeron con el tiempo, indicando que la información individual se oscurece efectivamente.

5. Significado e Impacto

Este trabajo es significativo porque:

1. Viabilidad de QKD en 6G: Demuestra que es posible integrar la seguridad de la física cuántica (QKD) con el aprendizaje federado para aplicaciones de sensado y comunicación en redes 6G, sin sacrificar el rendimiento del modelo.
2. Protección contra Espionaje: Proporciona un mecanismo robusto (aborto basado en QBER) que detecta intrusos en tiempo real y detiene el proceso de aprendizaje antes de que se comprometa la integridad del modelo global.
3. Privacidad Sin Centralización: Permite que el servidor agregue modelos globales precisos sin tener acceso a los parámetros crudos de los clientes, resolviendo el dilema de privacidad vs. utilidad en redes distribuidas.
4. Escalabilidad: El enfoque de máscaras derivadas de una semilla compartida es escalable y eficiente para múltiples clientes, manteniendo la seguridad teórica de la distribución de claves.

En conclusión, el estudio valida que el FL asegurado por QKD es una solución prometedora para garantizar la confianza y la privacidad en las operaciones conjuntas de radar y comunicación de las futuras redes 6G.