⚡ electrical engineering

Entropy-Adaptive Multi-Map Chaotic Modulation for Physical-Layer Security

यह शोध पत्र MU-DE-IAEACM-MM फ्रेमवर्क का प्रस्ताव करता है, जो एंट्रॉपी विनियमन और घुसपैठ का पता लगाने के आधार पर अराजक नियंत्रण मापदंडों (chaotic control parameters) को गतिशील रूप से अनुकूलित करके मल्टी-यूज़र वायरलेस सिस्टम में भौतिक-परत सुरक्षा को बढ़ाता है, जिससे विविध हस्तक्षेप स्थितियों और सघन जासूसी परिदृश्यों के तहत भी मजबूत सिंक्रोनाइज़ेशन, कम बिट-त्रुटि दर और उच्च गोपनीयता क्षमता प्राप्त होती है।

मूल लेखक: Dhrumil Bhatt, Aarish Patel

प्रकाशित 2026-07-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dhrumil Bhatt, Aarish Patel

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

कल्पना कीजिए कि आप एक भीड़भाड़ वाले, शोर भरे कमरे में अपने दोस्त को एक गुप्त संदेश भेजने की कोशिश कर रहे हैं। आमतौर पर, आप शायद एक ऐसे कोड का उपयोग करेंगे जिसे केवल आप दोनों जानते हैं। लेकिन क्या होगा अगर सुनने वाला व्यक्ति (जासूसी करने वाला) पैटर्न पहचानने में बहुत माहिर हो? यदि आप उसी कोड का उपयोग करते रहते हैं, तो वे अंततः इसे समझ सकते हैं।

यह शोध पत्र वायरलेस नेटवर्क (जैसे आपके फोन या स्मार्ट गैजेट्स का उपयोग करते हैं) में गुप्त संदेश भेजने का एक नया तरीका प्रस्तावित करता है, जो एक स्थिर कोड के बजाय एक जीवित, सांस लेते जीव की तरह काम करता है जो सुरक्षित रहने के लिए अपना आकार बदलता रहता है। लेखक, ध्रुमिल भट्ट और आरिश पटेल, अपने विचार को MU-DE-IAEACM-MM फ्रेमवर्क कहते हैं। यह बोलने में काफी कठिन है, तो आइए इसे एक अराजक डांस पार्टी की कहानी के माध्यम से समझते हैं।

समस्या: उबाऊ, अनुमानित नृत्य

कई वर्तमान वायरलेस सिस्टम में, संदेशों को छिपाने के लिए उपयोग किया जाने वाला "अराजकता" (chaos) एक निश्चित बीट वाले डांस रूटीन की तरह है। नर्तक (डेटा) उन नियमों (पैरामीटर्स) द्वारा निर्धारित पैटर्न में चलते हैं जो एक विशिष्ट सेट द्वारा तय किए जाते हैं। जब तक नियम बदलते नहीं हैं, एक चालाक जासूसी करने वाला व्यक्ति जो कोने में खड़ा है, अंततः कदमों को सीख सकता है। उन्हें तुरंत सही अंदाज़ा नहीं लग सकता है, लेकिन यदि संगीत लंबे समय तक एक जैसा रहता है, तो वे भविष्यवाणी करना शुरू कर सकते हैं कि नर्तक आगे कहाँ जाएंगे।

लेखक इन निश्चित नियमों पर निर्भर रहने के विरुद्ध तर्क देते हैं। वे सुझाव देते हैं कि यदि आप "अराजकता" के मापदंडों को स्थिर रखते हैं, तो एक हमलावर धीरे-धीरे आपके संदेश को पुनर्गठित करने के लिए सांख्यिकीय युक्तियों का उपयोग कर सकता है। लेखक स्पष्ट रूप से कहते हैं कि उनकी विधि उन सक्रिय हमलावरों से सुरक्षा प्रदान नहीं करती है जो सिग्नल को जाम करते हैं या फर्जी डेटा डालते हैं; यह केवल पैटर्न का अनुमान लगाने वाले निष्क्रिय श्रोताओं से बचाव करती है।

समाधान: आकार बदलने वाला डांस फ्लोर

लेखकों का समाधान यह है कि डांस फ्लोर के नियमों को लगातार बदला जाए, लेकिन इस तरह से कि वास्तविक नर्तक (वैध उपयोगकर्ता) तालमेल बनाए रख सकें, जबकि जासूसी करने वाला पूरी तरह से भ्रमित हो जाए।

यहाँ बताया गया है कि उनका "केओटिक मॉड्यूलेशन" (chaotic modulation) तीन ट्रिक्स का उपयोग करके कैसे काम करता है:

1. मिला-जुला डांस क्रू (Heterogeneous Maps)
एक ऐसी डांस पार्टी की कल्पना करें जहाँ कुछ लोग "लॉजिस्टिक्स" डांस कर रहे हैं, कुछ "टेंट" डांस, कुछ "चेबिशेव" डांसर हैं, और कुछ "साइन" डांसर हैं। सभी एक ही तरह का मूव करने के बजाय, सिस्टम इन विभिन्न अराजक शैलियों को अलग-अलग उपयोगकर्ताओं में फैला देता है।

यह कैसे मदद करता है: यह समग्र शोर को अनुमान लगाने में बहुत कठिन बना देता है। यह एक ऐसे कमरे में अगले कदम का अनुमान लगाने जैसा है जहाँ हर कोई अलग गाने पर नाच रहा है। पेपर में इसे 64 वैध उपयोगकर्ताओं और 30 निष्क्रिय जासूसों के साथ सिम्युलेट किया गया है, जिसमें पाया गया कि इन शैलियों को मिलाने से केवल एक व्यक्ति को देखकर पैटर्न समझने की संभावना कम हो जाती है।

2. "एन्ट्रॉपी" थर्मोस्टेट (Dynamic Adaptation)
यह सबसे शानदार हिस्सा है। सिस्टम में एक अंतर्निहित "थर्मोस्टेट" है जो यह मापता है कि नृत्य कितना अप्रत्याशित है। विज्ञान की भाषा में, इसे एन्ट्रॉपी (entropy) कहा जाता है।

यदि नृत्य बहुत अधिक अनुमानित (कम एन्ट्रॉपी) हो जाता है, तो सिस्टम स्वचालित रूप से नियमों को बदलकर इसे फिर से रोमांचक बना देता है।
यदि सिस्टम महसूस करता है कि जासूसी करने वाला अनुमान लगाने में बहुत अच्छा हो रहा है (यह मापकर कि उनका अनुमान वास्तविक सिग्नल से कितनी निकटता से मेल खाता है), तो यह एक "इंट्रूज़न अलर्ट" ट्रिगर करता है और तुरंत अराजकता को बढ़ा देता है।
पेपर दिखाता है कि यह अनुकूलन सख्त गणितीय सीमाओं के भीतर होता है ताकि वास्तविक नर्तक एक-दूसरे से टकराकर गिर न जाएं। उन्होंने गणितीय रूप से सिद्ध किया कि सिस्टम स्थिर रहता है और नियंत्रण से बाहर नहीं होता।

3. गुप्त हाथ मिलाना (Synchronization)
वास्तविक उपयोगकर्ताओं के पास एक विशेष "हैंडशेक" (सिंक्रोनाइज्ड सीड्स) होता है जो उन्हें यह बताता है कि किसी भी क्षण नियम कैसे बदल रहे हैं। हालाँकि, जासूसी करने वाला व्यक्ति केवल अनुमान लगा रहा है। क्योंकि अराजक प्रणालियाँ सूक्ष्म अंतरों के प्रति अत्यंत संवेदनशील होती हैं, इसलिए पैरामीटर्स में एक छोटी सी त्रुटि (जैसे $10^{-3}$ का अंतर) भी जासूसी करने वाले के अनुमान को बहुत तेज़ी से निरर्थक बना देती है।

सिमुलेशन ने क्या दिखाया

लेखकों ने केवल कल्पना नहीं की; उन्होंने यह देखने के लिए बड़े कंप्यूटर सिमुलेशन (MATLAB का उपयोग करके) चलाए कि यह वास्तविक दुनिया में कैसा प्रदर्शन करता है। उन्होंने इसे सभी प्रकार के "मौसम" में टेस्ट किया:

AWGN: मानक स्थिर शोर।
रेले और रिशियन फेडिंग (Rayleigh & Rician Fading): इमारतों से टकराते या चलती कारों से टकराते संकेतों की तरह।
इम्पल्सिव नॉइज़ (Impulsive Noise): अचानक, तेज़ हस्तक्षेप (जैसे फैक्ट्री मशीन की चिंगारी)।
कलर्ड नॉइज़ (Colored Noise): शोर जिसमें एक पैटर्न हो।
नैरोबैंड इंटरफेरेंस (Narrowband Interference): एक विशिष्ट, परेशान करने वाली फ्रीक्वेंसी जो सिग्नल को बाधित करती है।

परिणाम:

अच्छे लोग: वैध उपयोगकर्ताओं (वास्तविक नर्तकों) ने अपनी एरर रेट को कम रखा, उपयोगकर्ताओं की संख्या 64 तक बढ़ने के बावजूद 0.238 और 0.275 (बिट एरर रेट) के बीच बनी रही।
बुरे लोग: जासूसी करने वाले केवल अनुमान लगाते रह गए। उनकी एरर रेट 0.5 के करीब रही, जिसका अर्थ है कि वे संदेश का अनुमान लगाने के लिए मूल रूप से सिक्का उछालने जैसा काम कर रहे थे। वे रैंडम चांस से बेहतर नहीं हो सके।
गुप्त स्कोर: "सीक्रेसी कैपेसिटी" (कितनी गुप्त जानकारी सुरक्षित रूप से भेजी जा सकती है) हर टेस्ट में सकारात्मक रही। वास्तव में, उनके नए तरीके ने पुराने, स्थिर-पैरामीटर वाले तरीकों को सीक्रेसी कैपेसिटी में लगभग 3.7% से 24% तक पीछे छोड़ दिया।

मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि "एन्ट्रॉपी" (अप्रत्याशितता) को एक ऐसे नॉब की तरह उपयोग करके जिसे आप ऊपर या नीचे घुमा सकते हैं, आप एक ऐसा वायरलेस सिस्टम बना सकते हैं जिसे तोड़ना बहुत कठिन है। यह एक ऐसे ताले की तरह है जो हर बार उसे खोलने की कोशिश करने पर अपना आकार बदल लेता है, लेकिन चाबी रखने वाले को पता होता है कि उसे कैसे घुमाना है।

हालाँकि, लेखक सावधानी बरतते हुए नोट करते हैं कि यह वर्तमान में एक सिमुलेशन है। उन्होंने अभी तक कोई भौतिक उपकरण नहीं बनाया है। वे सुझाव देते हैं कि भविष्य के काम में वास्तविक हार्डवेयर पर परीक्षण करने की आवश्यकता है ताकि यह देखा जा सके कि "ऑसिलेटर ड्रिफ्ट" (जब वास्तविक इलेक्ट्रॉनिक्स थोड़े आउट ऑफ ट्यून हो जाते हैं) जैसे कारक सिस्टम को कैसे प्रभावित करते हैं। वे यह भी संकेत देते हैं कि यह इंटरनेट ऑफ थिंग्स (IoT) और भविष्य के 6G नेटवर्क के लिए उपयोगी हो सकता है, जहाँ लाखों उपकरणों को हल्के वजन वाली सुरक्षा की आवश्यकता होती है।

इसलिए, भले ही यह आज खरीदने के लिए कोई तैयार उत्पाद नहीं है, लेकिन गणित और सिमुलेशन एक बहुत ही आशाजनक तरीका सुझाते हैं जिससे हम शोर-शराबे वाली, भीड़भाड़ वाली दुनिया में अपने डिजिटल रहस्यों को सुरक्षित रख सकते हैं।

तकनीकी सारांश: भौतिक-परत सुरक्षा के लिए एंट्रॉपी-अनुकूली मल्टी-मैप अराज (Chaotic) मॉड्यूलेशन

समस्या विवरण
यह शोध पत्र सघन मल्टी-यूजर वायरलेस और IoT नेटवर्क में मौजूदा अराज-आधारित (chaos-based) भौतिक-परत सुरक्षा (PLS) योजनाओं की सीमाओं को संबोधित करता है। पारंपरिक दृष्टिकोण आमतौर पर स्थिर अराज मापदंडों (static chaotic parameters) पर निर्भर करते हैं, जहाँ सुरक्षा केवल वैध ट्रांससीवर और निष्क्रिय जासूसी करने वालों (passive eavesdroppers) के बीच मापदंडों के बेमेल होने से प्राप्त होती है। लेखक इस मॉडल में दो महत्वपूर्ण कमजोरियों की पहचान करते हैं:

स्थिर पूर्वानुमेयता (Static Predictability): यदि अराज मापदंड लंबे समय तक ट्रांसमिशन के दौरान स्थिर रहते हैं, तो सांख्यिकीय अनुमान विधियाँ (statistical inference methods) हमलावरों को धीरे-धीरे पूर्वानुमान और सिंक्रोनाइज़ेशन में सुधार करने की अनुमति देती हैं।
सीमित एंट्रॉपी आयामीता (Limited Entropy Dimensionality): मल्टी-यूजर सिस्टम अक्सर सभी उपयोगकर्ताओं के लिए एक ही परिवार के अराज मानचित्रों (chaotic maps) का उपयोग करते हैं, जो एंट्रॉपी आयामीता को सीमित करता है और अंतर-उपयोगकर्ता सांख्यिकीय सहसंबंध (cross-user statistical correlations) उत्पन्न कर सकता है, जिससे क्रॉस-यूजर इन्फरेंस के माध्यम से मापदंड अनुमान लगाना आसान हो जाता है।

मूल समस्या यह है कि बिना सिंक्रोनाइज़ेशन या स्केलेबिलिटी से समझौता किए, वेवफॉर्म की पूर्वानुमेयता को कम करने के लिए एक सीमित और स्थिर तरीके से अराज सिग्नल की एंट्रॉपी और मापदंड विकास को कैसे विनियमित किया जाए।

कार्यप्रणाली (Methodology)
लेखक मल्टी-मैप डायनेमिक-एंट्रॉपी इंट्रूज़न-अवेयर अराज मॉड्यूलेशन (MU-DE-IAEACM-MM) फ्रेमवर्क प्रस्तावित करते हैं। यह आर्किटेक्चर एंट्रॉपी को केवल अराजता के उपोत्पाद के रूप में नहीं, बल्कि एक स्पष्ट, विनियमित सुरक्षा नियंत्रण चर (control variable) के रूप में मानता है। कार्यप्रणाली में तीन एकीकृत घटक शामिल हैं:

विषम मानचित्र आवंटन (Heterogeneous Map Allocation): उपयोगकर्ताओं को विभिन्न अराज मानचित्र परिवारों (Logistic, Tent, Chebyshev, और Sine) को आवंटित किया जाता है। यह वितरण सिस्टम की समग्र एंट्रॉपी आयामीता को बढ़ाता है और अंतर-उपयोगकर्ता सांख्यिकीय सहसंबंध को कम करता है, जिससे क्रॉस-यूज़र इन्फरेंस के माध्यम से मापदंड अनुमान का जोखिम कम हो जाता है।
एंट्रॉपी-संचालित मापदंड अनुकूलन (Entropy-Driven Parameter Adaptation): स्थिर योजनाओं के विपरीत, अराज जनरेटर के नियंत्रण मापदंड ( $r_u$ $r_{u}$ ) गतिशील रूप से विकसित होते हैं। सिस्टम एक स्लाइडिंग विंडो के ऊपर अराज अवस्था की अनुभवजन्य शैनन एंट्रॉपी ( $H_u$ $H_{u}$ ) का अनुमान लगाता है। एक अनुकूली अपडेट नियम वर्तमान एंट्रॉपी और एक लक्षित एंट्रॉपी ( $H_t$ $H_{t}$ ) के बीच के अंतर के आधार पर नियंत्रण मापदंड को समायोजित करता है, जिसमें ठहराव (stagnation) को रोकने के लिए एक सीमित अवस्था-निर्भर विक्षोभ (perturbation) शामिल है।
- अपडेट नियम को इस प्रकार परिभाषित किया गया है: $r_{u,n+1} = r_{u,n} + \alpha x_{u,n} + \mu(H_{t(u)} - H_u)$ ।
- एक ल्यापुनोव फंक्शन (Lyapunov function) का उपयोग करके स्थिरता विश्लेषण बाउंडेड कन्वर्जेंस स्थितियों ( $0 < \mu < 2/\beta$ और $|\beta\alpha| < 1$ ) को स्थापित करता है, यह सुनिश्चित करता है कि अनुकूलन प्रक्रिया सिस्टम को अस्थिर न करे।
इंट्रूज़न-अवेयर एस्केलेशन (Intrusion-Aware Escalation): सिस्टम एक सहसंबंध-आधारित घुसपैठ मेट्रिक (intrusion metric) को शामिल करता है। यदि किसी ईव्सड्रॉपर का पुनर्निर्माण सामंजस्य (reconstruction coherence - जिसे नॉर्मलाइज्ड कोरिलेशन द्वारा मापा जाता है) एक थ्रेशोल्ड से अधिक हो जाता है, तो सिस्टम घुसपैठ के स्तर का अनुमान लगाता है और गतिशील रूप से लक्षित एंट्रॉपी ( $H_t$ ) को बढ़ाता है। यह "एंट्रॉपी एस्केलेशन" अराज प्रक्षेपवक्र (trajectory) को उच्च-जटिलता वाले क्षेत्रों में धकेलता है, जिससे हमलावर के सिंक्रोनाइज़ेशन प्रयासों में व्यवधान उत्पन्न होता है।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक दावों के साथ मौजूदा साहित्य से स्वयं को अलग करता है:

गतिशील एंट्रॉपी विनियमन (Dynamic Entropy Regulation): स्थिर मापदंड गोपनीयता से आगे बढ़ते हुए, यह ढांचा सिंक्रोनाइज़ेशन स्थिरता बनाए रखते हुए दीर्घकालिक सांख्यिकीय अनुमान को दबाने के लिए सक्रिय रूप से अराज जटिलता को नियंत्रित करता है।
विषम मल्टी-मैप आर्किटेक्चर: विभिन्न अराज मानचित्र प्रकारों को उपयोगकर्ताओं के बीच वितरित करके, यह प्रणाली एंट्रॉपी आयामीता को बढ़ाती है और अंतर-उपखी सांख्यिकीय निर्भरता को कम करती है, जो सघन मल्टी-यूजर डिप्लॉयमेंट की कमी को दूर करती है।
प्रमाणित स्थिर अनुकूलन (Provably Stable Adaptation): लेखक अनुकूलित अपडेट प्रक्रिया के लिए विश्लेषणात्मक स्थिरता स्थितियाँ प्रदान करते हैं, यह प्रदर्शित करते हुए कि एंट्रॉपी-संचालित मापदंड विकास बाउंडेड और स्थिर हो सकता है, जो अनियंत्रित अराज अनुकूलन के विपरीत है जिसमें विचलन (divergence) का जोखिम होता है।

परिणाम
इस फ्रेमवर्क का मूल्यांकन MATLAB में विविध चैनल स्थितियों (AWGN, Rayleigh, Rician, Impulsive, Colored, और Narrowband interference) और विविध नेटवर्क घनत्वों (64 वैध उपयोगकर्ताओं और 30 निष्क्रिय ईव्सड्रॉपर्स तक) के तहत मोंटे कार्लो सिमुलेशन के माध्यम से किया गया।

सुरक्षा प्रदर्शन: सभी चैनल मॉडलों में, वैध बिट एरर रेट (BER) स्थिर (0.238–0.255) रहा, जबकि ईव्सड्रॉपर का BER 0.5 (रैंडम डिसीजन लेवल) के करीब रहा। यह निरंतर अंतर पुष्टि करता है कि मापदंड बेमेल और एंट्रॉपी एस्केलेशन प्रभावी रूप से पुनर्निर्माण सामंजस्य को रोकने में सक्षम हैं।
सीक्रेसी कैपेसिटी (Secrecy Capacity): प्रस्तावित योजना ने AWGN के तहत 0.198 bits/use की सीक्रेसी कैपेसिटी प्राप्त की, जो प्रतिनिधि फिक्स्ड-पैरामीटर अराज योजनाओं (जैसे, पैरामीटर-डिवीजन मल्टीपल एक्सेस के लिए 0.159 bits/use) से बेहतर है। सबसे मजबूत बेसलाइन की तुलना में सुधार लगभग 3.7% था, और कम प्रदर्शन करने वाले बेंचमार्क की तुलना में लाभ 24% तक था।
स्केलेबिलिटी (Scalability): जैसे-जैसे उपयोगकर्ता घनत्व बढ़कर 64 हुआ, वैध BER में केवल एक नियंत्रित वृद्धि देखी गई (0.275 तक), और सीक्रेसी कैपेसिटी सकारात्मक (>0.15 bits/use) बनी रही। नेटवर्क घनत्व बढ़ने के साथ ईव्सड्रॉपर का प्रदर्शन नहीं सुधरा, जो दर्शाता है कि विषम मानचित्र आवंटन सफलतापूर्वक क्रॉस-यूज़र इन्फरेंस को सीमित करता है।
स्थिरता: सिमुलेशन ने पुष्टि की कि अनुभवजन्य एंट्रॉपी गतिशील रूप से समायोजित लक्ष्य का बिना किसी दोलनी विचलन (oscillatory divergence) के अनुसरण करती है, जो सैद्धांतिक स्थिरता सीमाओं को मान्य करती है।

महत्व और दावे
शोध पत्र निष्कर्ष निकालता है कि एंट्रॉपी-विनियमित मल्टी-मैप अराज मॉड्यूलेशन एक स्केलेबल और सिंक्रोनाइज़ेशन-स्टेबल दृष्टिकोण प्रदान करता है। इस कार्य का महत्व स्थिर मापदंड गोपनीयता से बाउंडेड एंट्रॉपी इवोल्यूशन की ओर इसके बदलाव में निहित है। एंट्रॉपी को एक विनियमित चर के रूप में मानकर, यह ढांचा जटिल ऊपरी-स्तर के क्रिप्टोग्राफी की आवश्यकता के बिना या अत्यधिक विलंबता (latency) पेश किए बिना, निष्क्रिय सांख्यिकीय पुनर्निर्माण के विरुद्ध अराज मॉड्यूलेशन को मजबूत करता है।

लेखक इस कार्य को अगली पीढ़ी के वायरलेस और IoT नेटवर्क के लिए एक व्यवहार्य समाधान के रूप में देखते हैं, विशेष रूप से सघन डिप्लॉयमेंट में जहाँ संसाधन-बाधित उपकरणों को हल्के वजन वाले, वेवफॉर्म-स्तरीय संरक्षण की आवश्यकता होती है। परिणाम बताते हैं कि अनुकूलित एंट्रॉपी नियंत्रण विविध चैनल बाधाओं और कई निष्क्रिय ईव्सड्रॉपर्स की उपस्थिति में भी सकारात्मक सीक्रेसी दर बनाए रख सकता है। जैसा कि लेखकों द्वारा उल्लेख किया गया है, भविष्य के कार्य में व्यावहारिक ऑसिलेटर ड्रिफ्ट के तहत हार्डवेयर सत्यापन और उच्च-आयामी या फ्रैक्शनल-ऑर्डर अराज प्रणालियों का अन्वेषण शामिल है।

समस्या: उबाऊ, अनुमानित नृत्य

समाधान: आकार बदलने वाला डांस फ्लोर

सिमुलेशन ने क्या दिखाया

मुख्य निष्कर्ष

इसी तरह के और पेपर