💻 computer science

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

यह शोध पत्र एक क्वांटम की डिस्ट्रीब्यूशन-सुरक्षित फेडेरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो BB84-शैली के प्रोटोकॉल और पेयरवाइज एडिटिव मास्किंग का उपयोग करता है ताकि 6G चैनल अनुमान और रडार स्पेक्ट्रम सेंसिंग के लिए गोपनीयता-संरक्षण सहयोगात्मक प्रशिक्षण को सक्षम किया जा सके, जिससे उच्च सटीकता प्राप्त होती है जबकि यह सुनिश्चित होता है कि जासूस व्यक्तिगत मॉडल अपडेट को पुनर्गठित नहीं कर सकते।

मूल लेखक: Ferhat Ozgur Catak, Murat Kuzlu, Jungwon Seo, Umit Cali

प्रकाशित 2026-03-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ferhat Ozgur Catak, Murat Kuzlu, Jungwon Seo, Umit Cali

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र (paper) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: एक गुप्त सामूहिक प्रोजेक्ट (A Secret Group Project)

कल्पना कीजिए कि दोस्तों का एक समूह (मान लीजिए कि वे Clients हैं) मिलकर एक सुपर-स्मार्ट रोबोट बनाना चाहता है। उनके पास एक शिक्षक (Server) है जो उनके काम को जोड़ने में उनकी मदद करता है।

समस्या क्या है? दोस्त अलग-अलग शहरों में रहते हैं और दो चीजों को लेकर चिंतित हैं:

गोपनीयता (Privacy): वे नहीं चाहते कि वे अपने व्यक्तिगत नोट्स शिक्षक को या किसी ऐसे पड़ोसी (Eve) को दिखाएं जो उनकी बातें सुन रहा हो।
सुरक्षा (Security): वे नहीं चाहते कि शिक्षक गलती से उनके विचारों को चुरा ले या पड़ोसी रोबोट के दिमाग के साथ छेड़छाड़ करे।

यह शोध पत्र फेडरेटेड लर्निंग (सामूहिक प्रोजेक्ट विधि) का उपयोग करके इस प्रोजेक्ट को करने का एक नया तरीका प्रस्तावित करता है, जिसे क्वांटम की डिस्ट्रीब्यूशन (QKD) (एक सुपर-सुरक्षित ताले) द्वारा सुरक्षित किया गया है।

1. रोबोट को कौन से दो काम करने की आवश्यकता है

यह पेपर इस सिस्टम का परीक्षण दो विशिष्ट कार्यों पर करता है जो भविष्य के 6G नेटवर्क (भविष्य के सुपर-फास्ट इंटरनेट) के लिए महत्वपूर्ण हैं:

काम A: चैनल एस्टीमेशन (रेडियो ट्यूनर)
- उदाहरण: कल्पना कीजिए कि आप एक शोर भरे कमरे में अपने दोस्त की आवाज़ सुनने की कोशिश कर रहे हैं। आपको यह समझने की ज़रूरत है कि आवाज़ दीवारों से कैसे टकरा रही है ताकि आप शोर को साफ कर सकें।
- तकनीक: रोबोट यह सीखता है कि रेडियो सिग्नल हवा में कैसे चलते हैं ताकि फोन बेहतर तरीके से कनेक्ट हो सकें।
काम B: रडार स्पेक्ट्रम सेंसिंग (ट्रैफिक पुलिस)
- उदाहरण: कल्पना कीजिए कि आप एक ड्रोन से व्यस्त हाईवे को देख रहे हैं। आपको तुरंत पहचानना होगा कि कौन सी कारें आपकी हैं, कौन से ट्रक हैं, और कौन से केवल उड़ते हुए पक्षी हैं।
- तकनीक: रोबोट रडार छवियों को देखता है और "शोर" (noise) को वास्तविक रडार संकेतों और संचार संकेतों (जैसे 5G या LTE) से अलग करना सीखता है।

2. समस्या: साझा किए बिना कैसे साझा करें

आमतौर पर, एक सामूहिक प्रोजेक्ट में, हर कोई अपने नोट्स शिक्षक को भेजता है।

जोखिम: यदि कोई जासूस (Eve) नोट्स को बीच में ही पकड़ लेता है, तो वह उन्हें पढ़ सकता है। यदि शिक्षक जिज्ञासु है, तो वह भी नोट्स में झाँक सकती है।
पुराना समाधान (एन्क्रिप्शन): आप नोट्स को एक बक्से में बंद कर देते हैं। लेकिन अगर शिक्षक के पास चाबी है, तो वह इसे फिर भी खोल सकती है। यदि जासूस चाबी चुरा लेता है, तो वह भी इसे खोल सकता है।

3. समाधान: "क्वांटम मास्क" (The Quantum Mask)

यह शोध पत्र एक चतुर तकनीक पेश करता है जिसे क्वांटम की डिस्ट्रीब्यूशन (QKD) के साथ पेयरवाइज मास्किंग (Pairwise Masking) कहा जाता है।

चरण 1: क्वांटम हैंडशेक (QKD)

प्रोजेक्ट शुरू होने से पहले, प्रत्येक मित्र और शिक्षक एक विशेष "क्वांटम हैंडशेक" का उपयोग करते हैं।

उदाहरण: कल्पना कीजिए कि वे जादुई सिक्कों का उपयोग करते हैं जो रंग बदल लेते हैं यदि कोई उन्हें छू ले। यदि कोई जासूस सिक्कों को गुजरते समय देखने की कोशिश करता है, तो सिक्के तुरंत अपना रंग बदल लेते हैं।
परिणाम: वे एक गुप्त कोड (चाबी) बनाते हैं जिसे भौतिक विज्ञान के नियमों को तोड़े बिना कॉपी करना गणितीय रूप से असंभव है। यदि कोई जासूस सुनने की कोशिश करता है, तो "त्रुटि दर" (QBER) बढ़ जाती है, और वे तुरंत रुकने का निर्णय लेते हैं।

चरण 2: "मास्किंग" का खेल

अब, असली जादू शुरू होता है। दोस्त केवल अपने नोट्स नहीं भेजते; वे एक कैंसलिंग आउट (canceling out) का खेल खेलते हैं।

उदाहरण: कल्पना कीजिए कि मित्र A एक नोट भेजना चाहता है जिसमें लिखा है "5"।
- मित्र A गुप्त रूप से मित्र B को एक नंबर (जैसे "+2") और मित्र C को दूसरा नंबर (जैसे "-3") बताता है।
- मित्र A इन नंबरों को अपने नोट में जोड़ता है: $5 + 2 - 3 = 4$ ।
- मित्र A शिक्षक को परिणाम "4" भेजता है।
- मित्र B और मित्र C भी अपने नोट्स के साथ ऐसा ही करते हैं, उन नंबरों को जोड़ते या घटाते हैं जो उन्होंने आपस में साझा किए थे।
जादू: जब शिक्षक सभी के परिणामों को जोड़ती है, तो सभी गुप्त नंबर (+2, -3, आदि) एक-दूसरे को पूरी तरह से काट (cancel) देते हैं।
- शिक्षक को सभी के वास्तविक नोट्स का सही कुल योग (sum) दिखाई देता है।
- शिक्षक यह नहीं देख सकती कि किसी एक मित्र ने वास्तव में क्या लिखा था।
- जासूस को कुछ भी दिखाई नहीं देता क्योंकि नंबर उलझे हुए (scrambled) होते हैं।

4. प्रयोगों में क्या हुआ?

शोधकर्ताओं ने कंप्यूटरों का उपयोग करके इस सिस्टम का परीक्षण किया।

क्या यह काम कर गया? हाँ! रोबोट ने उतना ही अच्छा सीखा जितना कि यदि उन्होंने अपने नोट्स खुले तौर पर साझा किए होते। "मास्किंग" ने सीखने की गति को धीमा नहीं किया और न ही रोबोट को कम बुद्धिमान बनाया।
क्या इसने जासूस को रोका? हाँ। जब उन्होंने एक जासूस द्वारा सुनने की कोशिश करने का सिम्युलेशन किया, तो "क्वांटम हैंडशेक" ने जासूस का तुरंत पता लगा लिया (त्रुटि दर 25% तक बढ़ गई)। सिस्टम ने स्वचालित रूप से राउंड को रोक दिया और डेटा साझा करने से मना कर दिया। यह ऐसा था जैसे दोस्तों ने दरवाजा बंद कर दिया और कहा, "कोई सुन रहा है; हम तब तक बात नहीं करेंगे जब तक वे चले नहीं जाते।"
क्या शिक्षक ने धोखाधड़ी की? नहीं। भले ही शिक्षक ने अंतिम परिणाम देखा, लेकिन वह यह पता नहीं लगा सकी कि किसी एक मित्र का योगदान क्या था।

5. 6G के लिए यह क्यों महत्वपूर्ण है?

भविष्य में (6G), हमारे नेटवर्क अविश्वसनीय रूप से तेज़ होंगे और वे सेल्फ-ड्राइविंग कारों से लेकर रिमोट सर्जरी तक सब कुछ संभालेंगे।

गोपनीयता बहुत बड़ी बात है: हम नहीं चाहते कि हमारा मेडिकल डेटा या ड्राइविंग की आदतें लीक हों।
सुरक्षा बहुत बड़ी बात है: हम नहीं चाहते कि हैकर्स उस रडार के साथ छेड़छाड़ करें जो विमानों या कारों को गाइड करता है।

यह शोध पत्र साबित करता है कि हम गोपनीयता और सुरक्षा दोनों प्राप्त कर सकते हैं। हम कई अलग-अलग स्रोतों से डेटा का उपयोग करके शक्तिशाली AI मॉडल को प्रशिक्षित कर सकते हैं, और उस दौरान कभी भी उस डेटा को उजागर नहीं करते, क्योंकि हम सुरक्षा के लिए भौतिक विज्ञान के नियमों का उपयोग करते हैं।

सारांश

इस शोध पत्र को एक गुप्त सामूहिक प्रोजेक्ट की रेसिपी के रूप में देखें:

एक ऐसा क्वांटम लॉक बनाएँ जो टूट जाए यदि कोई जासूस उसे छुए।
एक गणितीय ट्रिक (गुप्त नंबरों को जोड़ना और घटाना) का उपयोग करें ताकि शिक्षक उत्तर तो देखे लेकिन व्यक्तिगत प्रश्न नहीं।
परिणाम: एक सुपर-स्मार्ट रोबोट जो सभी से सीखता है, सभी के रहस्यों को सुरक्षित रखता है, और यदि कोई जासूस सुनने की कोशिश करता है तो तुरंत रुक जाता है।

यहाँ शोध पत्र "Quantum Key Distribution Secured Federated Learning for Channel Estimation and Radar Spectrum Sensing in 6G Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

नेक्स्ट-जेनरेशन (6G/NextG) नेटवर्कों में आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) का एकीकरण वायरलेस चैनल एस्टिमेशन और रडार स्पेक्ट्रम सेंसिंग जैसे कार्यों के लिए महत्वपूर्ण है। हालाँकि, इन वातावरणों में फेडरेटेड लर्निंग (FL) को तैनात करने से महत्वपूर्ण सुरक्षा और गोपनीयता जोखिम उत्पन्न होते हैं:

गोपनीयता रिसाव (Privacy Leakage): कच्चे डेटा (raw data) के बिना भी, क्लाइंट्स से सेंट्रल सर्वर को भेजे गए मॉडल अपडेट्स (ग्रेडिएंट्स या वेट्स) को ईव्सड्रॉपर (eavesdroppers) या एक "ईमानदार-लेकिन-जिज्ञासु" (honest-but-curious) सर्वर द्वारा रिवर्स-इंजीनियर किया जा सकता है ताकि संवेदनशील स्थानीय डेटा का अनुमान लगाया जा सके।
प्रतिकूल हमले (Adversarial Attacks): दुर्भावनापूर्ण कर्ता (malicious actors) मॉडल्स को पॉइज़न कर सकते हैं या इन्फरेंस हमलों को अंजाम दे सकते हैं।
कुंजी भेद्यता (Key Vulnerability): पारंपरिक क्रिप्टोग्राफिक सुरक्षित एकत्रीकरण (secure aggregation) पूर्व-साझा कुंजियों (pre-shared keys) पर निर्भर करता है। यदि ये कुंजियाँ समझौतापूर्ण (compromised) हो जाती हैं, तो संपूर्ण एकत्रीकरण प्रक्रिया असुरक्षित हो जाती है।
सूचना-सैद्धांतिक सुरक्षा की आवश्यकता (Need for Information-Theoretic Security): 6G नेटवर्क्स को अल्ट्रा-लो लेटेंसी और उच्च सुरक्षा की आवश्यकता है। लेखक FL मॉडल अपडेट्स को सुरक्षित करने के लिए क्वांटम की डिस्ट्रीब्यूशन (QKD) का उपयोग करके कम्प्यूटेशनल सुरक्षा से आगे बढ़कर सूचना-सैद्धांतिक सुरक्षा (information-theoretic security) की ओर बढ़ने का प्रस्ताव करते हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक रूपरेखा प्रस्तावित करता है जो FL एकत्रीकरण प्रक्रिया को सुरक्षित करने के लिए BB84-शैली के क्वांटम की डिस्ट्रीब्यूशन (QKD) को पेयरवाइज एडिटिव मास्किंग (pairwise additive masking) के साथ एकीकृत करती है।

A. सिस्टम आर्किटेक्चर

कार्य (Tasks): इस फ्रेमवर्क को दो अलग-अलग 6G कार्यों पर लागू किया गया है:
1. चैनल एस्टिमेशन (Channel Estimation): OFDM पायलट स्पेक्ट्रोग्राम से चैनल मैग्नीट्यूड की भविष्यवाणी करने के लिए एक कनवल्शनल न्यूरल नेटवर्क (CNN) का उपयोग करना।
2. रडार स्पेक्ट्रम सेंसिंग (Radar Spectrum Sensing): शोर (Noise), LTE, 5G NR और रडार संकेतों के बीच अंतर करने के लिए स्पेक्ट्रोग्राम के पिक्सेल-वाइज सिमेंटिक सेगमेंटेशन हेतु एक U-Net आर्किटेक्चर का उपयोग करना।
QKD प्रोटोकॉल (BB84 एब्स्ट्रैक्शन):
- प्रत्येक FL राउंड के लिए एक साझा गुप्त सीड की ( $k^{(r)}$ ) उत्पन्न करने के लिए क्लाइंट्स और सर्वर (या क्लाइंट्स के बीच) के बीच एक BB84-शैली के प्रोटोकॉल को ब्लैक बॉक्स के रूप में मॉडल किया गया है।
- सिफ्टिंग और QBER चेक (Sifting & QBER Check): प्रोटोकॉल क्वांटम बिट एरर रेट (QBER) की गणना करता है। यदि QBER एक थ्रेशोल्ड ( $\tau_{QBER}$ ) से अधिक हो जाता है, तो यह ईव्सड्रॉपिंग (Eve) का संकेत देता है, और राउंड को तुरंत निरस्त (abort) कर दिया जाता है।
- प्राइवेसी एम्प्लीफिकेशन (Privacy Amplification): एक हैश-आधारित एक्सट्रैक्टर सिफ्टेड की को एक अंतिम गुप्त सीड में कम करता है।
पेयरवाइज एडिटिव मास्किंग (Pairwise Additive Masking):
- प्रत्येक जोड़ी के लिए स्वतंत्र QKD सत्रों के बजाय, एक सिंगल राउंड सीड $k^{(r)}$ का उपयोग की डिर्वेशन फंक्शन (KDF) के माध्यम से पेयरवाइज मास्किंग कुंजियों ( $k_{ij}$ ) को नियत रूप से (deterministically) प्राप्त करने के लिए किया जाता है।
- मास्किंग तंत्र (Masking Mechanism): क्लाइंट $i$ $i$ , प्रत्येक अन्य क्लाइंट $j$ $j$ के लिए एक मास्क $m_{ij}$ $m_{ij}$ बनाता है।
  - यदि $i < j$ , क्लाइंट $i$ अपने अपडेट में $m_{ij}$ जोड़ता है।
  - यदि $i > j$ , क्लाइंट $i$ अपने अपडेट में से $m_{ij}$ घटाता है।
- एकत्रीकरण (Aggregation): जब सर्वर सभी मास्क किए गए अपडेट्स ( $\sum \tilde{\theta}^{(i)}$ ) को एकत्रित करता है, तो मास्क पूरी तरह से रद्द हो जाते ( $\sum (m_{ij} - m_{ji}) = 0$ ) , जिससे व्यक्तिगत क्लाइंट पैरामीटर्स को उजागर किए बिना केवल वास्तविक वैश्विक औसत प्रकट होता है।

B. थ्रेट मॉडल (Threat Model)

सेमी-ईमानदार सर्वर (Semi-honest Server): प्रोटोकॉल का पालन करता है लेकिन क्लाइंट डेटा का अनुमान लगाने का प्रयास करता है।
पैसिव ईव्सड्रॉपर (Passive Eavesdropper - Eve): सभी ट्रांसमिटेड मास्क किए गए पैरामीटर्स को देखता है लेकिन उसके पास QKD कुंजियाँ नहीं होती हैं।
एक्टिव ईव्सड्रॉपर (Active Eavesdropper): इंटरसेप्ट-रीसेंड हमले करता है, जिससे QBER बढ़ जाता है, जो अबॉर्ट (abort) मैकेनिज्म को ट्रिगर करता है।

3. मुख्य योगदान (Key Contributions)

औपचारिक सिस्टम मॉडल: सुरक्षित FL के लिए BB84-शैली के QKD को पेयरवाइज एडिटिव मास्किंग के साथ जोड़ा, पुनर्निर्माण शुद्धता (reconstruction correctness) और QBER-आधारित अबॉर्ट लॉजिक के लिए गणितीय शर्तों को व्युत्पन्न किया।
दोहरा-कार्य अनुप्रयोग: इसे दो जटिल 6G परिदृश्यों पर सफलतापूर्वक लागू किया:
- चैनल एस्टिमेशन: रेले-फेडिंग पायलट डेटा पर CNN।
- रडार सेंसिंग: स्पेक्ट्रोग्राम सेगमेंटेशन (Noise/LTE/NR/Radar वर्गीकरण) पर U-Net।
सुरक्षा सत्यापन: यह प्रदर्शित किया कि ईव्सड्रॉपर की उपस्थिति QBER को ~25% तक बढ़ा देती है, जिससे सभी राउंड इच्छानुसार अबॉर्ट हो जाते हैं, जिससे समझौतापूर्ण कुंजियों के उपयोग को रोका जा सके।
प्रदर्शन लक्षण वर्णन (Performance Characterization): सिस्टम की डिपोलराइजिंग चैनल नॉइज़ के प्रति संवेदनशीलता का मूल्यांकन किया और सत्यापित किया कि पुनर्निर्माण त्रुटियां नगण्य ( $<10^{-5}$ ) रहती हैं, जिससे पुष्टि होती है कि मास्किंग एकत्रीकरण सटीकता को कम नहीं करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन विभिन्न क्लाइंट्स की संख्या ( $K=3, 10, 20$ ) केAcross एक बेसलाइन (प्लेन एग्रीगेशन) और एक क्लासिकल सुरक्षित एकत्रीकरण (PRG-आधारित) के विरुद्ध किया गया।

उपयोगिता संरक्षण (Utility Preservation - Accuracy):
- चैनल एस्टिमेशन: सुरक्षित FL (QKD-SA) ने 0.216 का NMSE प्राप्त किया, जो बेसलाइन (0.2162) के लगभग समान है।
- रडार सेंसिंग: सुरक्षित FL ने 92.1% सटीकता और 0.72 mIoU प्राप्त किया, जो अधिकांश परिदृश्यों में प्लेन बेसलाइन के बराबर या उससे बेहतर है।
- निष्कर्ष: पेयरवाइज मास्किंग कोई एकत्रीकरण पूर्वाग्रह (aggregation bias) पेश नहीं करता है; वैश्विक मॉडल की गुणवत्ता बनी रहती है।
सुरक्षा प्रभावशीलता (Security Effectiveness - Threat Model):
- जब एक ईव्सड्रॉपर (Eve) को पेश किया गया, तो QBER बढ़कर ~25% हो गया (8–11% थ्रेशोल्ड से काफी ऊपर)।
- परिणाम: सभी राउंड अबॉर्ट (abort) हो गए। मॉडल अपडेट नहीं हुआ, और सटीकता रैंडम-गेसिंग स्तर (जैसे रडार के लिए 6.96%) पर बनी रही, जो सिद्ध करता है कि सिस्टम हमले के तहत एकत्रीकरण को सफलतापूर्वक रोकता है।
लीकेज विश्लेषण (Leakage Analysis):
- पुनर्निर्माण त्रुटि (Reconstruction Error): प्लेन औसत और मास्क किए गए औसत के बीच का अंतर नगण्य था ( $\sim 10^{-7}$ चैनल के लिए, $\sim 10^{-5}$ रडार के लिए), जो गणितीय शुद्धता की पुष्टि करता है।
- लीकेज प्रॉक्सी (Leakage Proxies): वास्तविक अपडेट्स और मास्क किए गए अपडेट्स के बीच कोसाइन सिमिलैरिटी (Cosine similarity) और पियर्सन कोरिलेशन (Pearson correlation) राउंड के साथ कम हुआ (जैसे, 0.94 से 0.83 तक), जो दर्शाता है कि मास्क प्रभावी ढंग से व्यक्तिगत योगदान को अस्पष्ट करते हैं।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व: यह कार्य महत्वपूर्ण 6G इंफ्रास्ट्रक्चर के लिए सूचना-सैद्धांतिक रूप से सुरक्षित फेडरेटेड लर्निंग की व्यवहार्यता को प्रदर्शित करता है। यह सिद्ध करता है कि QKD उच्च-प्रदर्शन वाले कार्यों जैसे चैनल एस्टिमेशन और रडार सेंसिंग के लिए आवश्यक उपयोगिता (utility) से समझौता किए बिना मॉडल अपडेट्स की सुरक्षा कर सकता है। "अबॉर्ट-ऑन-एरर" मैकेनिज्म सक्रिय ईव्सड्रॉपिंग के खिलाफ एक मजबूत रक्षा प्रदान करता है।
सीमाएं और भविष्य का कार्य:
- यह अध्ययन QKD के प्रोटोकॉल-स्तरीय एब्स्ट्रैक्शन का उपयोग करता है; भविष्य के कार्यों को भौतिक-स्तर के कार्यान्वयन (जैसे फाइबर या फ्री-स्पेस चैनल) और डिटेक्टर साइड-चैनल धारणाओं को हटाने के लिए MDI-QKD को संबोधित करना होगा।
- रडार डेटासेट अपेक्षाकृत छोटा है (200 नमूने); बड़े पैमाने पर मूल्यांकन की आवश्यकता है।
- भविष्य के अनुसंधान को QKD-सीडेड मास्किंग को औपचारिक गोपनीयता गारंटी (जैसे, डिफरेंशियल प्राइवेसी) और बायज़ेंटियन फॉल्ट टॉलरेंस (Byzantine fault tolerance) के साथ जोड़ना चाहिए।

संक्षेप में, यह शोध पत्र एक मजबूत, सुरक्षित FL आर्किटेक्चर प्रस्तुत करता है जो 6G नेटवर्क्स में गोपनीयता सुनिश्चित करने के लिए क्वांटम मैकेनिक्स का लाभ उठाता है, जो उच्च मॉडल सटीकता के साथ कठोर ईव्सड्रॉपिंग सुरक्षा को सफलतापूर्वक संतुलित करता है।