Denoising-Autoencoder-Assisted Physical Layer Secret Key Generation

Resumen Técnico: Generación de Claves Secretas en la Capa Física Asistida por Autoencoder de Eliminación de Ruido

Planteamiento del Problema
La Generación de Claves Secretas (SKG, por sus siglas en inglés) en la capa física aprovecha la reciprocidad y la variación temporal de los canales inalámbricos para generar claves secretas compartidas, ofreciendo seguridad teórica de la información y resiliencia contra amenazas de computación cuántica. Sin embargo, la implementación práctica enfrenta un desafío crítico: la suposición de una reciprocidad de canal perfecta entre los usuarios legítimos (Alice y Bob) se ve violada con frecuencia. Factores como errores de sincronización, fluctuaciones ambientales, interferencias externas e imperfecciones del hardware introducen desajustes en los coeficientes del canal estimados por las dos partes. Estas imperfecciones, combinadas con el ruido aditivo, conducen a una alta Tasa de Desacuerdo de Claves (KDR), reduciendo la eficiencia y la fiabilidad del proceso de acuerdo de claves. Aunque los esquemas convencionales de procesamiento de señales estadísticas y filtrado han intentado abordar estos problemas, a menudo ofrecen mejoras de rendimiento limitadas.

Metodología
El artículo propone un nuevo marco de SKG asistido por un Autoencoder de Eliminación de Ruido (DAE). El sistema opera en dos fases distintas:

1. Fase de Entrenamiento Offline:

   • Se genera un conjunto de datos utilizando modelos numéricos de desvanecimiento multiruta.
   • Los vectores de entrada ($\hat{h}_{input}$) y los vectores objetivo ($\hat{h}_{target}$) se crean a partir de estimaciones de canal. Crucialmente, la entrada está contaminada con ruido de Relación Señal-Ruido (SNR) inferior (por ejemplo, 0 dB), mientras que el objetivo representa una referencia de alta SNR, más limpia (por ejemplo, 30 dB).
   • Los valores de la Fuerza de la Señal Recibida (RSS) derivados de estos vectores se utilizan para el entrenamiento.
   • La arquitectura del DAE consiste en una estructura simétrica de codificador-decodificador. El codificador mapea la entrada de RSS de alta dimensión a un vector de características latentes de baja dimensión, mientras que el decodificador reconstruye la estructura de datos original.
   • El modelo se entrena para minimizar el Error Cuadrático Medio (MSE) entre la salida reconstruida y los datos de alta SNR objetivo, aprendiendo efectivamente a eliminar el ruido aditivo y a recuperar la estructura intrínseca del canal.

2. Fase de SKG Online:

   • Sondeo de Canal: Los usuarios legítimos intercambian símbolos piloto para estimar las respuestas de frecuencia del canal.
   • Filtrado Basado en ML: Los valores de RSS del canal estimado se introducen en el DAE preentrenado. El codificador extrae las características latentes y el decodificador reconstruye una secuencia de RSS "limpia de ruido". Este paso tiene como objetivo suprimir las imperfecciones de reciprocidad y el ruido aditivo, alineando las estimaciones de canal de Alice y Bob.
   • Cuantificación: Los valores de RSS reconstruidos se convierten en secuencias de bits mediante cuantificación multinivel basada en umbrales de distribución empírica.
   • Reconciliación de Información: Para corregir los errores de bits restantes, se emplea un esquema de reconciliación basado en códigos Bose–Chaudhuri–Hocquenghem (BCH). Alice envía bits de paridad a Bob a través de un canal público, lo que permite a Bob corregir su secuencia de claves para que coincida con la de Alice.

Contribuciones Clave

• Aplicación Novedosa de DAE: Este artículo presenta la primera aplicación de Autoencoders de Eliminación de Ruido específicamente para la SKG de capa física para mitigar las imperfecciones de reciprocidad del canal.
• Captura de la Estructura Intrínseca: El esquema propuesto utiliza la inyección de ruido artificial durante el entrenamiento para forzar a la red neuronal a aprender y reconstruir la estructura intrínseca de las distribuciones de entrada, preservando así las características esenciales de la señal mientras se suprime el ruido.
• Benchmarking Exhaustivo: El rendimiento se compara rigurosamente con cinco referentes convencionales: un esquema "directo" ingenuo, Transformada Wavelet Discreta (DWT), Análisis de Componentes Principales (PCA), Transformada de Coseno Discreta (DCT) y un Autoencoder (AE) tradicional.

Resultados de Rendimiento
Los resultados de la simulación, basados en un modelo de canal de desvanecimiento Rayleigh con 512 subportadoras, demuestran lo siguiente:

• Tasa de Desacuerdo de Claves (KDR): El esquema asistido por DAE propuesto logra una KDR significativamente menor en comparación con todos los referentes en varios niveles de SNR. La KDR disminuye de forma monótona a medida que la SNR aumenta, siendo el DAE consistentemente superior a los demás.
• Información Mutua (MI): El esquema aumenta la MI entre los usuarios legítimos (Alice y Bob) en todo el régimen de SNR. Sin embargo, el artículo señala que la MI entre Bob y el espía (Eve) también es mayor que en los esquemas de referencia; por lo tanto, el beneficio neto se materializa a través de la Capacidad de Clave Secreta (SKC).
• Capacidad de Clave Secreta (SKC): A pesar del aumento de la MI con el espía, el esquema propuesto logra una SKC mayor que todos los referentes. Esto indica que el DAE logra mejorar la correlación entre los usuarios legítimos de manera más efectiva de lo que filtra información hacia el espía.
• Aleatoriedad: Las claves generadas fueron sometidas a la suite de pruebas estadísticas NIST SP 800-22. Los resultados mostraron valores p muy por encima del nivel de significancia de 0.01 para las siete pruebas (incluyendo frecuencia de Monobit, Runs y Entropía aproximada), confirmando la aleatoriedad estadística y la falta de sesgos detectables en las claves generadas.
• Robustez a la Correlación: El esquema mantiene el rendimiento incluso cuando el coeficiente de correlación del canal ($\rho_{AB}$) disminuye, aunque ocurre una saturación de la MI cuando $\rho_{AB} \leq 0.7$ debido al efecto dominante del desajuste del canal.

Significancia y Reivindicaciones
Los autores afirman que el esquema de SKG asistido por DAE propuesto ofrece una alternativa superior a los métodos estadísticos y de aprendizaje automático convencionales. Al reconstruir eficazmente la estructura original de los datos y eliminar el ruido aditivo, el esquema mejora significativamente la fiabilidad (menor KDR) y la eficiencia (mayor SKC) de la generación de claves secretas. El trabajo valida que las técnicas de aprendizaje profundo, específicamente los autoencoders de eliminación de ruido, pueden aprovecharse eficazmente para superar las limitaciones prácticas de la reciprocidad imperfecta del canal en la seguridad inalámbrica, proporcionando una base robusta para la comunicación segura resistente a la computación cuántica en redes dinámicas.