Maschinelles Lernen für Sicherheit auf dem Physical Layer

• Antragsteller: Dr.-Ing. Rick Fritschek; Professor Dr.-Ing. Rafael Schaefer
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung von 2019 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 426292827

Die Digitalisierung der Informationsverarbeitung verändert das Leben eines jeden tiefgreifend, indem Informationen fast überall und jederzeit verfügbar sind. Damit verbunden ist die Notwendigkeit von spektral effizienten (drahtlosen) Kommunikationssystemen und insbesondere ausgeklügelten Sicherheitsmechanismen, die die Kommunikation vor gegnerischen Angriffen schützen und die Privatsphäre der Daten und Benutzer schützen. Sicherheitsrelevante Aufgaben werden derzeit auf höheren Schichten realisiert und basieren in der Regel auf kryptographischen Prinzipien. Diese haben einen breiten Anwendungsbereich und basieren auf der Annahme ungenügender Rechenleistung von Gegnern und mathematischen Schwierigkeit bestimmter Probleme. Aufgrund zunehmender Rechenleistung, verbesserter Algorithmen und jüngster Fortschritte in der Zahlentheorie werden diese Ansätze jedoch immer unsicherer. In letzter Zeit wurde das Konzept der Sicherheit für das Physical layer oder der informationstheoretischen Sicherheit als Ergänzung zu kryptographischen Techniken untersucht. Solche Ansätze bieten zuverlässige Kommunikation und angreiferunabhängige Sicherheit auf dem Physical Layer, indem sie die physikalischen Eigenschaften des Kommunikationskanals ausnutzen. Praktische Implementierungen stecken jedoch noch immer in den Kinderschuhen. Dies ist auf Herausforderungen wie die Generalisierbarkeit auf beliebige und sich ändernde Netzwerkkonfigurationen und Kanalbedingungen zurückzuführen.Vor kurzen wurde gezeigt, dass mit Hilfe von maschinellen Lernen schnelle und zuverlässige Kommunikationsschemata erlernt werden können. Im Speziellen wurden dafür sogenannte Deep Neural Networks verwendet.Diese Techniken können dazu beitragen, einige der Herausforderungen zu lösen, mit denen die Kommunikationstheorie konfrontiert ist. Weiterhin bieten sie die Möglichkeit, ausgefeilte Kommunikationssysteme zu entwerfen, die nicht von Hand auf bestimmte Kanalbedingungen abgestimmt werden müssen, aber flexibel und für eine Vielzahl von Anwendungen geeignet sind. Der vorliegende Antrag befasst sich mit der Herausforderung, Techniken des maschinellen Lernens für sichere (drahtlose) Kommunikationssysteme zu entwickeln. Die drei Kernpunkte des Antrags sind:Das erste Ziel besteht darin, geeignete Sicherheitsmetriken zu identifizieren, zu untersuchen und zu entwickeln. Solche Metriken müssen so ausgewählt und entwickelt werden, dass sie ihre Sicherheit beibehalten und die Einbeziehung verschiedener Lernalgorithmen in das Training ermöglichen. Das zweite Ziel besteht darin, bisherige Kommunikationsmodelle im Rahmen der Deep Learning Techniken weiterzuentwickeln. Dieser Teil wird die jüngsten Entwicklungen für Kodierung und Kommunikation aufgreifen und diese Modelle auf sichere Kommunikations erweitern. Das dritte Ziel ist alternative Techniken des maschinellen Lernens, wie reinforcement learning, recurrent neural networks oder generative adversarial networks einzubeziehen.

• DFG-Verfahren: Sachbeihilfen