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

1. Problema e Contexto

As redes de próxima geração (NextG ou Beyond 6G) exigem taxas de dados extremamente altas (até Tbps) e latência ultrabaixa, integrando comunicações e sensoriamento (como radar) em espectro compartilhado. O uso de Inteligência Artificial (IA) e Aprendizado de Máquina (ML) é crucial para otimizar essas redes, mas introduz riscos significativos de segurança:

• Privacidade de Dados: O treinamento centralizado de modelos requer a coleta de dados brutos, violando a privacidade.
• Vulnerabilidades do Aprendizado Federado (FL): Embora o FL permita treinar modelos sem centralizar dados, a troca de atualizações de modelos (gradientes/pesos) entre clientes e servidor pode ser interceptada. Um servidor curioso ou um eavesdropper (escutador) pode inferir informações sensíveis dos dados originais a partir dessas atualizações.
• Necessidade de Segurança Incondicional: Métodos criptográficos clássicos podem ser vulneráveis a ataques futuros (incluindo computação quântica). É necessário um mecanismo de segurança com garantias teóricas de informação.

2. Metodologia Proposta

O artigo propõe um framework de Aprendizado Federado (FL) seguro por Distribuição Quântica de Chaves (QKD), aplicado a duas tarefas críticas em 6G: estimativa de canal e sensoriamento de espectro de radar.

Arquitetura do Sistema

• Protocolo QKD (Estilo BB84): Utiliza-se uma abstração do protocolo BB84 para estabelecer chaves secretas compartilhadas entre os participantes (clientes e servidor) com segurança baseada em princípios da física quântica.
  • O protocolo inclui preparação de estado, medição, peneiramento (sifting) e amplificação de privacidade.
  • A Taxa de Erro de Bit Quântico (QBER) é monitorada. Se a QBER ultrapassar um limiar ($\tau_{QBER}$), indica-se a presença de um espião (Eve) e a rodada é abortada.
• Mascaramento Aditivo Pares (Pairwise Additive Masking):
  • Em vez de realizar sessões QKD independentes para cada par, uma "semente secreta" é gerada via QKD a cada rodada de FL.
  • Chaves de mascaramento para pares de clientes ($k_{ij}$) são derivadas deterministicamente dessa semente usando uma Função de Derivação de Chave (KDF).
  • Cada cliente $i$ mascara sua atualização de modelo local ($\theta^{(i)}$) adicionando máscaras derivadas das chaves com outros clientes ($m_{ij}$).
  • Cancelamento de Máscaras: Durante a agregação no servidor, as máscaras se cancelam mutuamente ($\sum m_{ij} - \sum m_{ji} = 0$), permitindo que o servidor obtenha a média global correta sem jamais ver os parâmetros individuais não mascarados.
• Modelos de Aprendizado:
  • Estimativa de Canal: Utiliza uma Rede Neural Convolucional (CNN) para prever a magnitude do canal a partir de espectrogramas de pilotos OFDM.
  • Sensoriamento de Espectro de Radar: Utiliza uma arquitetura U-Net para segmentação semântica pixel a pixel de espectrogramas, classificando sinais em: Ruído, LTE, NR (5G) e Radar.

3. Principais Contribuições

1. Modelo de Sistema Integrado: Formalização de um modelo que acopla QKD (estilo BB84) com mascaramento aditivo para FL seguro, derivando condições de correção de reconstrução e abortos baseados em QBER.
2. Aplicação em Tarefas 6G: Validação prática do framework em dois cenários reais: estimativa de canal (CNN) e sensoriamento de radar (U-Net), demonstrando que a segurança não compromete a utilidade do modelo.
3. Análise de Ameaças: Demonstração de que o mecanismo de abortagem baseado em QBER previne eficazmente a agregação quando chaves são comprometidas por um eavesdropper.
4. Caracterização de Ruído e Vazamento: Avaliação da sensibilidade da QBER ao ruído do canal de depolarização e medição de proxies de vazamento (correlação de Pearson e similaridade de cosseno) para validar a eficácia do mascaramento.

4. Resultados Experimentais

Os experimentos foram conduzidos com conjuntos de dados sintetizados (MATLAB 5G Toolbox e Phased Array System Toolbox) variando o número de clientes ($K = 3, 10, 20$).

• Desempenho de Utilidade (Sem Ataques):

  • Estimativa de Canal: O FL seguro (QKD-SA) alcançou um NMSE (Erro Quadrático Médio Normalizado) de 0,216, praticamente idêntico ao FL padrão (não mascarado), confirmando que o mascaramento não introduz viés de agregação.
  • Sensoriamento de Radar: O modelo seguro alcançou 92,1% de precisão e 0,72 mIoU (Interseção sobre União Média), superando ou igualando o desempenho do baseline em vários cenários.
  • Erro de Reconstrução: A diferença entre a média dos modelos mascarados e não mascarados foi negligenciável ($\sim 10^{-5}$ a $10^{-7}$), confirmando a correção matemática da agregação.

• Resiliência a Ataques (Modelo de Ameaça):

  • Quando um eavesdropper (Eve) foi introduzido (ataque interceptar-retransmitir), a QBER aumentou para ~25%, superando o limiar de segurança.
  • Resultado: Todas as rodadas foram abortadas automaticamente. O modelo não foi atualizado com dados comprometidos, mantendo-se no estado anterior (ou nível de adivinhação aleatória, ~6,96% de precisão para radar), garantindo que o servidor não agregou informações falsas ou vazadas.

• Sensibilidade ao Ruído:

  • Aumentar o ruído do canal quântico ($\eta$) elevou a QBER monotonicamente. O sistema abortou consistentemente quando a QBER excedeu o limiar, definindo uma fronteira de segurança clara.

• Proxies de Vazamento:

  • A correlação entre as atualizações reais e as mascaradas diminuiu ao longo das rodadas, indicando que o mascaramento efetivamente ofusca as atualizações individuais, tornando impossível para o servidor ou espiões recuperarem os dados brutos sem as chaves.

5. Significado e Conclusão

Este trabalho demonstra a viabilidade técnica de integrar segurança quântica (QKD) com Aprendizado Federado para aplicações críticas em redes 6G.

• Segurança Incondicional: Oferece proteção contra eavesdropping baseada em leis físicas, superior à criptografia computacional tradicional.
• Preservação de Utilidade: Prova que é possível ter privacidade forte sem sacrificar a precisão dos modelos de IA para tarefas complexas como estimativa de canal e sensoriamento de radar.
• Mecanismo de Defesa Ativa: O uso da QBER como gatilho para abortar rodadas cria um sistema resiliente que se recusa a operar sob condições inseguras.

O estudo sugere que, embora existam desafios para implementação física (como canais de fibra óptica ou espaço livre e ruído real), o framework proposto é um passo fundamental para garantir a confiança e a privacidade em sistemas de comunicação e sensoriamento integrados do futuro. Trabalhos futuros devem focar na integração com QKD independente de dispositivo de medição (MDI-QKD) e em análises de privacidade formal (como Privacidade Diferencial).