Sistema de comunicación al azar seguro asistido por aprendizaje automático

Área de la Ciencia:

• Ingeniería de sistemas de comunicación
• Aplicaciones de aprendizaje automático
• Seguridad de la información

Sus antecedentes:

• El aprendizaje automático (ML) avanza significativamente en la seguridad de la capa física (PLS) en los sistemas de comunicación.
• Optimizar el rendimiento y la seguridad de las redes de comunicación modernas sigue siendo un desafío clave.

Objetivo del estudio:

• Proponer el primer sistema de comunicación aleatoria asistido por aprendizaje automático (ML-RCS).
• Mejorar la seguridad y la velocidad de transmisión de datos de los sistemas de comunicación que utilizan el ML y los portadores de ruido no convencionales.

Principales métodos:

• Desarrolló un receptor de árbol de decisión (DT) preentrenado para extraer información binaria de señales de ruido aleatorias.
• Se utiliza el ruido sesgado alfa estable (α-estable) como portador aleatorio seguro para la codificación de bits binarios.
• Utilizó una clave predeterminada (longitud de pulso) y el modelo DT para la decodificación segura por el receptor legítimo.

Principales resultados:

• Se logró una tasa de error de bits (BER) de 10, confirmando una comunicación segura exitosa.
• Demostró una mayor velocidad de datos en comparación con los sistemas de comunicación aleatoria existentes.
• Demostró el fracaso de las escuchas para decodificar la información (tasa de falsos negativos del 50,2%) sin la clave y el conjunto de datos.

Conclusiones:

• El ML-RCS establece efectivamente una comunicación segura con velocidades de datos mejoradas.
• La seguridad del sistema se valida por su resistencia a los intentos de espionaje.
• Los ML-RCS no convencionales son prometedores para el desarrollo de dispositivos de comunicación seguros de próxima generación con PLS integrado.