Generazione di Chiave mediante Tecniche IA su Canali Asimmetrici

Physical-Layer Security (PLS) represents a critical frontier for the protection of wireless communications. This thesis focuses on the Advantage Distillation (AD) process within the framework of Physical-Layer Key Generation (PKG) extracted from the observable characteristics of the radio channel. The extraction of shared keys is hindered by the presence of additive noise and hardware asymmetries known as Hardware Impairments (HWI). These asymmetries compromise the reciprocity of observations between the legitimate parties (Alice and Bob), reducing the Key Agreement Rate. To overcome these limitations, this work proposes and implements an architecture based on Neural Networks and Adversarial Machine Learning techniques. The system utilizes a structure composed of two distinct encoders for Alice and Bob and a shared discriminator. The objective is twofold: to maximize the reciprocity between the generated keys and to ensure their randomness through a training process based on a competitive loss function. Experimental results demonstrate that the proposed approach effectively compensates for severe channel asymmetries. Through simulations conducted at various Signal-to-Noise Ratio (SNR) levels, a significant improvement in bit-by-bit Key Agreement Probability (KAP) was observed, while simultaneously maintaining an entropy level close to the theoretical maximum.

La sicurezza al livello fisico (Physical-Layer Security, PLS) rappresenta una frontiera fondamentale per la protezione delle Comunicazioni Wireless. Il lavoro di tesi si concentra sul processo di Advantage Distillation (AD) nell'ambito della generazione di chiavi segrete (Physical-Layer Key Generation - PKG) estratte dalle caratteristiche osservabili del canale radio. L’estrazione di chiavi condivise è ostacolata dalla presenza di Rumore Additivo e da asimmetrie hardware note come Hardware Impairments (HWI). Tali asimmetrie compromettono la reciprocità delle osservazioni tra le due parti legittime (Alice e Bob), riducendo il Tasso di Accordo della chiave estratta. Per superare tali limitazioni, la tesi propone e implementa un'architettura basata su Reti Neurali e tecniche di Adversarial Machine Learning. Il sistema utilizza una struttura composta da due Encoder distinti per Alice e Bob e un Discriminatore comune. L'obiettivo è duplice: massimizzare la Reciprocità tra le chiavi generate e garantire la Randomicità delle stesse tramite un processo di addestramento basato su una Funzione di Loss Competitiva. I risultati sperimentali dimostrano che l'approccio proposto è in grado di compensare le forti asimmetrie di canale. Attraverso simulazioni condotte a diversi livelli di Signal-to-Noise Ratio (SNR), è stato osservato un miglioramento significativo della Key Agreement Probability (KAP) bit-a-bit, mantenendo al contempo un'entropia prossima al valore teorico massimo.