Resumen Técnico: Optimización de la Tasa de Secreto Máximo-Mínimo para Redes ISAC Seguras

1. Planteamiento del Problema

El artículo aborda los desafíos de seguridad en los sistemas de Integración de Detección y Comunicación (ISAC, por sus siglas en inglés) donde múltiples usuarios de comunicación (CU) coexisten con múltiples usuarios de detección (SU) no confiables. Estos SU se modelan como posibles interceptores capaces de interceptar información confidencial destinada a los CU.

El objetivo central es diseñar una estrategia de formación de haces de transmisión (transmit beamforming) en la estación base (BS) que maximice la tasa de secreto mínima entre todos los CU. Esta formulación "máximo-mínimo" garantiza la equidad en el rendimiento de la comunicación segura. El problema está sujeto a dos restricciones físicas primarias:

1. Presupuesto de Potencia de Transmisión: La potencia total consumida por la BS no debe exceder un límite predefinido.
2. Calidad de la Detección: El sistema debe mantener un rendimiento de detección específico, cuantificado mediante una restricción de error de ajuste de patrón de haz (beampattern matching error). Esto asegura que la señal transmitida ilumine eficazmente las direcciones de los objetivos mientras suprime los lóbulos secundarios.

El problema de optimización resultante es altamente no convexo debido a:

• La expresión de la tasa de secreto, que involucra la diferencia entre la tasa del usuario legítimo y la tasa máxima de interceptación (una función no cóncava).
• El acoplamiento de los términos de señal e interferencia en las expresiones de la relación señal a interferencia más ruido (SINR).
• La naturaleza no convexa de las restricciones de error de ajuste de patrón de haz.

2. Metodología

Para abordar la no convexidad y lograr soluciones de alta calidad, los autores proponen dos enfoques algorítmicos distintos: un método de optimización global y una alternativa de baja complejidad.

2.1 Optimización Global mediante Ramificación y Poda (Branch-and-Bound, BB)

Los autores reformulan primero el problema utilizando Relajación Semidefinida (SDR) mediante la introducción de matrices de covarianza ($V_k$) y la relajación de las restricciones de rango uno. Para manejar las restricciones logarítmicas no convexas restantes derivadas de las expresiones de tasa, emplean un marco de Ramificación y Poda (BB) combinado con relajaciones convexas:

• Envolvente Convexa: Las restricciones no convexas que involucran funciones exponenciales (derivadas de las restricciones de tasa logarítmica) se relajan utilizando envolventes convexas sobre intervalos específicos. Esto transforma los subproblemas en problemas de optimización convexos resolubles mediante solvers estándar (por ejemplo, CVXPY).
• Ramificación y Acotación: El algoritmo particiona recursivamente la región factible de las variables auxiliares. En cada iteración, calcula un límite superior (vía la relajación convexa) y un límite inferior (vía una solución factible construida).
• Convergencia: El proceso termina cuando la brecha entre los límites superior e inferior cae dentro de una tolerancia prescrita ($\epsilon$). El artículo proporciona pruebas teóricas (Teoremas 2 y 3) que garantizan que el algoritmo converge a una solución global $\epsilon$-óptima en un número finito de iteraciones.

2.2 Algoritmo de Baja Complejidad mediante Aproximación Convexa Sucesiva (SCA)

Reconociendo que la complejidad computacional del método BB crece exponencialmente con el número de usuarios y antenas, los autores proponen un algoritmo de Aproximación Convexa Sucesiva (SCA) para su despliegue práctico:

• Linealización: Las restricciones no convexas se aproximan utilizando expansiones de Taylor de primer orden (límites inferiores lineales para las funciones exponenciales convexas) alrededor de la solución de la iteración anterior.
• Resolución Iterativa: Esto convierte el problema original en una secuencia de subproblemas convexos.
• Convergencia: El algoritmo actualiza iterativamente los puntos de linealización hasta que el valor del objetivo converja. El artículo demuestra que la función objetivo es no decreciente y acotada, asegurando la convergencia hacia un óptimo local.

3. Contribuciones Clave

El artículo detalla cuatro contribuciones principales:

1. Modelado del Sistema: Desarrollo de un marco ISAC multiusuario donde los SU no confiables realizan detección y escucha simultáneas, formulado como un problema de tasa de secreto máximo-mínimo bajo restricciones de ajuste de patrón de haz.
2. Metodología Global: Propuesta de un algoritmo basado en BB con relajación convexa que garantiza la convergencia al óptimo global, proporcionando límites superiores e inferiores ajustados.
3. Metodología de Baja Complejidad: Desarrollo de un algoritmo basado en SCA que encuentra eficientemente soluciones locales de alta calidad con una complejidad computacional significativamente reducida en comparación con el método global.
4. Análisis de Desempeño: Simulaciones numéricas que demuestran la brecha de desempeño entre las soluciones globales y locales, particularmente en entornos de alta dimensión, y validan el desempeño casi óptimo del enfoque SCA.

4. Resultados Numéricos

Se realizaron simulaciones con una BS equipada con 16 antenas que sirve a 3 CU y detecta 3 objetivos no confiables bajo canales de desvanecimiento de Rice.

• Convergencia: Los límites superior e inferior del algoritmo BB convergieron a una brecha casi nula después de aproximadamente 110 iteraciones. El algoritmo SCA convergió mucho más rápido (dentro de ~10 iteraciones) a una solución muy cercana al óptimo global.
• Escalabilidad: A medida que aumentaba el número de CU (de $K=2$ a $K=4$), la convergencia del algoritmo BB se ralentizó significativamente, requiriendo más de $10^3$ iteraciones para $K=4$ para alcanzar la misma tolerancia de error. En contraste, el algoritmo SCA mantuvo una convergencia rápida independientemente del número de usuarios.
• Compromisos (Trade-offs):
  • Detección vs. Seguridad: El endurecimiento del error de ajuste de patrón de haz (que requiere una mayor precisión de detección) redujo drásticamente la tasa de secreto mínima, ya que la BS tuvo que asignar la mayor parte de los recursos a la detección. Por el contrario, relajar las restricciones de detección permitió que las tasas de secreto aumentaran hasta alcanzar un punto de saturación determinado por los límites de potencia e interferencia.
  • Conteo de Antenas: Aumentar el número de antenas de la BS (de 10 a 32) mejoró significativamente la tasa de secreto mínima. Con un gran número de antenas (por ejemplo, 32), el sistema puede lograr una alta precisión de detección con un compromiso insignificante en el desempeño de la seguridad, superando eficazmente el cuello de botella del hardware.

5. Significado y Reivindicaciones

El artículo afirma que su algoritmo BB sirve como un referente de desempeño absoluto, estableciendo el límite teórico para la tasa de secreto en redes ISAC seguras bajo las restricciones dadas.

El algoritmo basado en SCA se presenta como una solución práctica para despliegues en el mundo real. Los autores sostienen que, si bien la optimización global es matemáticamente rigurosa, su complejidad exponencial la hace prohibitiva para sistemas a gran escala. El método SCA ofrece una alternativa convincente, logrando un desempeño de secreto casi óptimo con una complejidad computacional significativamente menor, lo que lo hace atractivo para la implementación en redes ISAC de gran escala donde se requiere procesamiento en tiempo real.

El trabajo destaca el compromiso crítico entre la calidad de la detección y la seguridad de la comunicación, proporcionando una base de resultados para ayudar a los diseñadores de sistemas a determinar los puntos de operación de equilibrio (por ejemplo, tolerancias específicas de error de patrón de haz) que balancean el rendimiento de radar con la capacidad de transmisión segura.