Marco de descifrado de red neuronal feedforward en cascada para comunicación óptica caótica

Área de la Ciencia:

• Optoelectrónica
• Seguridad de la información
• Inteligencia artificial

Sus antecedentes:

• Los métodos existentes de descifrado de comunicación óptica caótica a menudo dependen de la sincronización del caos, que es vulnerable a la interferencia y a problemas de rendimiento.
• Estos métodos tradicionales pueden ser complejos y requieren sincronización, alineación y operaciones diferenciales.

Objetivo del estudio:

• Proponer un nuevo marco de descifrado para la comunicación óptica caótica que supere las limitaciones de los métodos existentes dependientes de la sincronización.
• Mejorar la precisión y la robustez del descifrado de señales caóticas utilizando inteligencia artificial.

Principales métodos:

• Se desarrolló un marco de red neuronal feedforward en cascada (CFNN) para el descifrado.
• Se construyó una matriz bidimensional de características intermedias utilizando BiMatch dentro de la red neuronal.
• La inferencia continua de la CFNN extrae progresivamente las características de la señal cifrada.

Principales resultados:

• El marco CFNN recupera con éxito los mensajes sin requerir sincronización del caos, alineación u operaciones diferenciales.
• La CFNN propuesta logró una tasa de error de bit (BER) inferior a 3,8 × 10^-3 en la mayoría de los casos.
• El método demostró un tamaño de parámetro y una complejidad computacional comparables a los modelos tradicionales.

Conclusiones:

• El marco de descifrado basado en CFNN ofrece ventajas significativas en precisión y robustez para la comunicación óptica caótica.
• El análisis de seguridad y la validación experimental confirman la aplicabilidad práctica del método propuesto.
• Este enfoque proporciona una solución más resistente y eficiente para la comunicación óptica segura.