计算机科学 > 信息论
[提交于 2025年8月7日
]
标题: 神经网络在安全通信系统设计中的信息泄露估计
标题: Neural Estimation of Information Leakage for Secure Communication System Design
摘要: 低估泄漏可能会损害保密性,而高估泄漏可能导致系统设计效率低下。 因此,一个可靠的泄漏估计器是必不可少的。 基于神经网络的估计器提供了一种数据驱动的方法来估计互信息,而无需完全了解信道或源分布。 在本工作中,我们的目标是扩展窃听码的块长度,使得估计器仍能可行运行。 我们提出了一种改进的互信息估计器,基于变分对比对数比上界框架,适用于离散和连续变量。 通过使用由神经网络参数化的伯努利专家混合模型,该估计器能够量化采用复杂数据处理(如通用哈希族)的通信系统中的信息泄漏。 我们进一步提出了一种方法,利用所提出的估计器来设计窃听码或密钥生成的通用哈希族。 仿真结果表明,先前的方法在使用通用哈希族进行较高块长度时($n\gg$16)显著低估了互信息。 所提出的方法可以将块长度扩展到255,我们推测,只要有足够的训练数据和模型规模,该设计可以很好地扩展到更高的块长度。 此外,我们认为我们提出的估计器和自适应哈希设计框架为将物理层安全考虑扩展到有限块长度领域提供了一种实用的方法。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.