Securing IoT Communication using Physical Sensor Data — Graph Layer Security with Federated Multi-Agent Deep Reinforcement Learning

要約

モノのインターネット (IoT) デバイスは、多くの場合、デジタル ワイヤレス チャネルを介して物理センサー データを送信するために使用されます。
従来の物理層セキュリティ (PLS) ベースの暗号化アプローチは、正確なチャネル推定と鍵生成のための情報交換に依存しており、鍵の品質をデジタル チャネル推定の品質と不可逆的に結び付けます。
最近、デジタルキーが物理的なセンサーの読み取り値から派生する、Graph Layer Security (GLS) と呼ばれる新しい概念を提案しました。
正当なユーザー間のセンサーの読み取り値は、共通のバックグラウンド インフラストラクチャ環境 (共通の配水ネットワークや配電網など) を通じて関連付けられます。
GLS の課題は、分散鍵生成をどのように実現するかということでした。
この論文では、物理ダイナミクスの共通機能を十分に活用して正当なユーザー間で秘密鍵を確立する、フェデレーテッド マルチエージェント深層強化学習支援分散鍵生成スキーム (FD2K) を紹介します。
フェデレーテッド ラーニングを使用した GLS の最初の実験結果を初めて提示し、鍵合意率 (KAR) と鍵のランダム性に関してかなりのセキュリティ パフォーマンスを達成しました。

要約(オリジナル)

Internet-of-Things (IoT) devices are often used to transmit physical sensor data over digital wireless channels. Traditional Physical Layer Security (PLS)-based cryptography approaches rely on accurate channel estimation and information exchange for key generation, which irrevocably ties key quality with digital channel estimation quality. Recently, we proposed a new concept called Graph Layer Security (GLS), where digital keys are derived from physical sensor readings. The sensor readings between legitimate users are correlated through a common background infrastructure environment (e.g., a common water distribution network or electric grid). The challenge for GLS has been how to achieve distributed key generation. This paper presents a Federated multi-agent Deep reinforcement learning-assisted Distributed Key generation scheme (FD2K), which fully exploits the common features of physical dynamics to establish secret key between legitimate users. We present for the first time initial experimental results of GLS with federated learning, achieving considerable security performance in terms of key agreement rate (KAR), and key randomness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google