中圖分類號：TN918.91 文獻標識碼：A DOI：10.7535/hbkd.2025yx04006

CSI-based symmetric encryption end-to-end communication system

AN Yongli12，LI Zongrui1，BAI Haifei1，MI Xueyu2，3 （1.CollgeofArticial Inteligence，North ChinaUniversityof ScienceandTechnology，Tangshan，Hebei O630oo，China; 2.Tangshan Key Laboratory of Air and Ground Smart Transportation，Tangshan，Hebei O63Ooo，China; 3.College of Emergency Management and Safety Enginering，North China Universityof Science and Technology， Tangshan，Hebei O630oo，China）

Abstract：Toaddress the isueof information leakage caused bykeytheftduring transmision，asymmetric encryptio endto-endcommunicationsystem basedonchannel stateinformation（CSI）was proposed.The proposedsystem employed convolutional neural networks toconstructthetransmiter，receiver，andkeygenerator，optimizing theencodinganddecoding process in anend-to-end manner.Atthesame time，itleveragedthereciprocity，random time-variability，andspatial uniquenessofwirelesschannels to measure the CSIandgenerate keys fromlegitimateusers，encryptingtheoriginal information.ThesimulationresultsdemonstratethatunderRayleighfading，Ricianfading，andfrequency-selectivemultipath fadingchanels，thebiterorrates（BER）of theproposedsystemislowerthanthatofbaselinemodelssuchasthesymmetric encryptionsystem basedondepconvolutional generative adversarial networks within thetested signal-to-noiseratio（SNR） range.In high-SNR scenarios，theimprovementof BERcanreach18dB.Aditionally，infouratack scenarios，suchas brute force andkey leakageattacks，theBERof eavesdropperisapproximatelyO.5，indicatinganinabilitytodecrypt the information.The proposed systemeliminates thenedforkeydistribution，reducing theBER whileenhancing eavesdropping resistance，thus providing a novel approach for secure communication.

Keywords：wireless communication technology；end-to-end communication；physical layer security；AutoEncoder；symmetric encryption

近年來，深度學習（deep learning，DL）發(fā)展迅速，許多學者將其引人到無線通信領域中，從物理層的角度對通信系統(tǒng)進行優(yōu)化[1]。DL在物理層通信的應用主要分為2類：一類是對通信系統(tǒng)的子模塊進行優(yōu)化，如調(diào)制識別[2-3]、信道估計[4]及信道建模[5]；另一類是構(gòu)建端到端通信系統(tǒng)，使用神經(jīng)網(wǎng)絡聯(lián)合設計發(fā)射機和接收機，對系統(tǒng)性能進行直接優(yōu)化[6]。

模塊化通信系統(tǒng)的局限在于子模塊的單獨優(yōu)化無法實現(xiàn)整體性能最優(yōu)，而基于DL的端到端通信系統(tǒng)可聯(lián)合全局網(wǎng)絡參數(shù)，獲得更高的性能上限。O'SHEA等[6]將通信系統(tǒng)表示為自編碼器（AutoEncoder，AE）形式，以神經(jīng)網(wǎng)絡構(gòu)建端到端通信系統(tǒng)，提升了系統(tǒng)的誤碼率（bit error rate，BER）性能。文獻[7-10]使用卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）構(gòu)建端到端通信系統(tǒng)，提升了系統(tǒng)的泛化能力。ZHANG等[11]引入殘差網(wǎng)絡和長短期記憶網(wǎng)絡，提升了系統(tǒng)的收斂速度和魯棒性。劉喬壽等[12]使用二維卷積處理信號，提升了系統(tǒng)在多徑信道下的性能。盡管上述模型降低了系統(tǒng)的BER，但其安全性能較差，尤其是在面對強大竊聽者時，信息易被破解。

為提升系統(tǒng)的防竊聽能力，許多研究者開始探索基于DL的安全通信技術[13]。李晶晶[14]提出一種基于互信息估計的安全通信系統(tǒng)，設計具有權重因子的損失函數(shù)，在一定程度上平衡了通信性能和安全性能，但此系統(tǒng)對信道變化的魯棒性較差，合法用戶的BER性能易受影響。SUN等[15J利用無線信道特性設計端到端通信系統(tǒng)，并為竊聽者設置特定的損失函數(shù)，竊聽者破譯的信息幾乎完全錯誤，存在比特反轉(zhuǎn)的安全隱患。為進一步提升系統(tǒng)的安全性，許多學者嘗試將傳統(tǒng)加密機制與DL結(jié)合。ABADI等[16]訓練神經(jīng)網(wǎng)絡以對稱加密的方式進行通信，結(jié)果表明，無需規(guī)定具體加密算法，神經(jīng)網(wǎng)絡可自行學習如何保護信息。文獻[17-19]分析了對抗神經(jīng)密碼學的安全性，并指出強大對手可使系統(tǒng)學習更安全的加密算法。然而，此類方法依賴于人工設計的對抗訓練機制，訓練成本較高，不適用于物理層通信。AN等[20]提出一種基于深度卷積生成對抗網(wǎng)絡的對稱加密端到端通信系統(tǒng)（DCGAN-based symmetric encryption end-to-end communicationsystem，DCGAN-E2E），通過密鑰生成器實現(xiàn)消息與密鑰之間的不可逆映射，提高了系統(tǒng)的加密強度。AN等[21]提出一種基于CNN 的非對稱加密端到端通信系統(tǒng)（CNNs-based end-to-end asymmetric encryptedcommunication system，CAE-E2E），通過改進損失函數(shù)，在不同信道下保護信息。

上述模型為提升通信的可靠性和防竊聽能力提供了重要思路，但仍存在不足之處：密鑰傳輸過程的安全性未得到充分關注，一旦密鑰被竊取，竊聽者即可破譯信息；在增強防竊聽能力時，忽視了通信性能的同步優(yōu)化，導致二者之間缺乏有效平衡。為此，本文提出一種基于CSI的對稱加密端到端通信系統(tǒng)（CSI-basedsymmetric encryption end-to-end communication，CSE-E2E）。CSE-E2E 系統(tǒng)包括發(fā)射機、接收機及密鑰生成器3部分，通信雙方自行測量CSI并生成密鑰，利用神經(jīng)網(wǎng)絡完成加密通信。

1 CSE-E2E系統(tǒng)設計

1.1 系統(tǒng)工作原理

如圖1b）所示，在端到端通信系統(tǒng)中，通信過程不再被劃分為圖1a）中的調(diào)制、解調(diào)、編碼、解碼等部分，而是將AE的編碼器、解碼器分別用作發(fā)射機、接收機。發(fā)射機將消息轉(zhuǎn)化為發(fā)射信號，經(jīng)信道傳輸后，接收機對接收信號進行解碼。在訓練階段，系統(tǒng)通過梯度反向傳播更新自身參數(shù)，直至性能達到最優(yōu)。CSE-E2E系統(tǒng)同樣使用AE為基礎框架，以端到端的方式優(yōu)化網(wǎng)絡參數(shù)，學習如何使用密鑰進行加密通信。

CSE-E2E系統(tǒng)利用合法信道的CSI生成密鑰，從而省去傳輸密鑰的步驟，提升防竊聽能力。這是因為無線信道具有互易性、隨機時變性及空間唯一性，可確保合法用戶所測CSI高度相似，而竊聽者無法測量合法信道的CSI。此外，CSI生成的密鑰含有深層信道特征，可幫助系統(tǒng)更準確地恢復信息。

CSE-E2E系統(tǒng)的工作過程如圖2所示，其包括信道估計和加密通信2部分。在信道估計階段，用戶A和用戶B同時發(fā)送導頻，雙方在接收導頻后，分別執(zhí)行最小二乘（leastsquare，LS）信道估計[22]，為便于理解，只在圖中表示用戶A向用戶B發(fā)送導頻信號的過程。用戶B收到經(jīng)信道干擾的導頻后，執(zhí)行LS信道估計，計算出CSI的估計值 h_AB 。同時，用戶A計算出 h_BA 。完成信道估計后，用戶A使用 h_BA 生成密鑰對信息進行加密，并將密文發(fā)送給用戶B，用戶B使用 生成密鑰對信息進行解密。此工作過程可省去密鑰傳輸?shù)牟襟E，增強密鑰的私密性。

1.2 CSE-E2E系統(tǒng)模型及4種攻擊情況

CSE-E2E系統(tǒng)模型及4種攻擊情況如圖3所示。將合法通信雙方記為Alice和Bob，Eve、Evel、Attackerl及 Attacker2分別代表暴力破解攻擊、密鑰泄露攻擊、選擇明文攻擊（chosen plaintext attack，CPA）及選擇密文攻擊（chosenciphertextattack，CCA）。

在CSE-E2E系統(tǒng)中， s 是具有 k 比特信息的二進制傳輸碼元。在發(fā)送端，Alice將 h_BA 輸人到密鑰生成器中，得到密鑰 ?_A 。Alice對 s 和 ?_A 進行運算，得到發(fā)射信號 _x，x 占用 n 個信道時隙。 x 經(jīng)合法信道后變?yōu)?y 。在接收端，Bob 將 h_AB 輸入到密鑰生成器中，得到密鑰 ?_B 。Bob對接收信號 y_?CSI 估計值 h_AB 及密鑰 ?_B 進行拼接，然后將其輸入到自注意力模塊中，獲得注意力加權的結(jié)果，再將該結(jié)果輸入到神經(jīng)網(wǎng)絡中進行解碼，得到原始信息的估計值 。

4種非法用戶的攻擊模式為被動攻擊，即非法用戶接收到的信號遭受到更嚴重的噪聲污染。具體而言，信號 y 在通過竊聽信道后，轉(zhuǎn)換為信號 z 。Eve對信號 z 進行暴力破解，得到 。Evel模擬密鑰泄露攻擊，其在擁有 h_AB 的前提下，自行生成密鑰，并對信號 z 進行破譯，得到 。Attackerl模擬CPA，其輸人包括信號 z 對應的明文 s 、隨機生成的明文 S₁ 及信號 z 。輸出 τ₁ 和 τ₂，τ₁ 代表 s 是 z 對應明文的概率， τ₂ 代表 S₁ 是 z 對應明文的概率；Attacker2模擬CCA，其輸人包括信號 z 、Alice隨機生成的密文 z₁ ，以及信號z 對應的明文 s 。輸出 π₁ 和 π₂，π₁ 代表 z 是 s 對應密文的概率， π₂ 代表 z₁ 是 s 對應密文的概率。

經(jīng)仿真驗證，一維CNN可高效處理長比特序列，所以選擇CNN為CSE-E2E系統(tǒng)的核心架構(gòu)，同時引入自注意力模塊和殘差連接，分別用于增強特征提取和優(yōu)化梯度傳播。對于網(wǎng)絡結(jié)構(gòu)，遵循“升維到降維\"的原則，通過“升維\"擴展特征空間捕獲更多信息，再通過“降維\"保留關鍵特征，并降低計算量。

為更好地測試CSE-E2E 系統(tǒng)的防竊聽能力，設置Eve、Evel的網(wǎng)絡結(jié)構(gòu)與Bob一致，對于執(zhí)行分類任務的Attackerl和Attcker2，其結(jié)構(gòu)以文獻[19]中的攻擊者為基礎，通過調(diào)整張量形狀后實現(xiàn)。各模塊的結(jié)構(gòu)如表1所示，其中，k和 n 的含義已在上文給出，表示符號長度， q 表示密鑰攜帶的比特數(shù)量。

1.3 自注意力模塊

在CSE-E2E系統(tǒng)中，除接收信號和密鑰外，接收方的輸人還包括CSI，這是因為CSI可輔助接收方解碼信息。但是，較大的輸入數(shù)據(jù)量意味著較多的噪聲，故接收方需要關注其中的重要特征，從而高效地重建信息?；诖耍贐ob中加入自注意力模塊，其結(jié)構(gòu)如圖4所示。

該模塊的具體運算過程是：將輸人序列本身作為其在查詢空間、鍵空間、值空間的映射結(jié)果，分別記作 Q，K，V 。首先， 與 K^T 相乘，得到注意力分數(shù)矩陣，計算輸入序列的自相關性;隨即將其輸入到Softmax函數(shù)中，得到注意力權重矩陣;將該矩陣與 V 相乘，得到加權數(shù)據(jù)，其代表各元素之間的關聯(lián)性;最后，將加權數(shù)據(jù)歸一化，與輸人序列執(zhí)行殘差連接[23]。該模塊的運算過程與基礎自注意力模塊[24相似，但在其基礎上添加了歸一化和殘差連接操作，可以更快地學習數(shù)據(jù)深層特征。

1.4CSE-E2E系統(tǒng)的損失函數(shù)

CSE-E2E系統(tǒng)包括Alice、Bob和密鑰生成器3部分。Alice和Bob的目標是最大程度地解碼信息，密鑰生成器的目標是使 ?_A 和 p_B 盡可能一致，并輔助解碼。因此，可將CSE-E2E系統(tǒng)的損失函數(shù)記作：

Bob 的解碼工作可看作一個二分類任務，因此，選擇交叉熵為Alice和Bob的損失函數(shù)，使 s 和 的分布接近，如式（2）所示。

式中： M 為總元素數(shù)量； S_m 和 分別表示 s 和 的第 Ψ_m 個元素。

為提升 s 和 的絕對相似性，加入曼哈頓距離（L1距離）為 Alice和 Bob 的損失函數(shù)，如式（3）所示。

為提升CSE-E2E 系統(tǒng)在較差信道環(huán)境下的 BER 性能，加人均方根誤差（root mean square error，RMSE）至Alice和Bob的損失函數(shù)中。RMSE給大的誤差賦予較高的權重，有利于提升系統(tǒng)在低信噪比（signal-to-noiseratio，SNR）情況下的性能，該損失函數(shù)如式（4）所示。

由上可知，Alice和Bob的損失函數(shù)為

密鑰生成器的目標是降低 ?_A 和 ?_B 之間的差距，并輔助解碼信息，因此，密鑰生成器的損失函數(shù)為

L_{Key-Generator}=d_p+L_Alice-Bob，

式中：dp ，其中 ?_Am 和 P_Bm 分別代表 ?_A 和 ?_B 的第 Σ_m 個元素。

2 仿真設置

2.1仿真參數(shù)及性能指標

設置密鑰攜帶的比特數(shù)量為8，通信速率 R=k/n=1 。訓練集和測試集是隨機生成的二進制序列，訓練集大小為10000，測試集大小為1000。仿真的軟件環(huán)境為Tensorflow1.14.0，硬件環(huán)境為NVIDIAGTX 1650。

在訓練階段，將信道的SNR設置為 15dB ，選用Adam優(yōu)化器，學習率為0.001。設置 l=160×128 ，其代表每次訓練包括160個信息塊，每個信息塊含有128個碼元。在測試階段，將信道的SNR推廣至0～20 dB，分析系統(tǒng)在不同信道條件下的性能，設置 l=103×128 ，使用1000個信息塊進行測試。

本文以BER為性能指標，其代表錯誤比特所占解碼信息的比例，可由式（8）描述。

式中： U 表示比特總數(shù)； S_u 和 分別表示原始信息和解碼結(jié)果的第 u 個元素； ）表示第 u 個比特錯誤的概率。

2.2 基準模型

為評估CSE-E2E系統(tǒng)的性能，設置2組對比實驗，分別對比合法通信的BER及系統(tǒng)的防竊聽能力。在選擇基準模型時，考慮到二進制相移鍵控（binary phase shift keying，BPSK）是一種經(jīng)典算法，且常被用作基準模型[25-30]，所以將CSE-E2E系統(tǒng)與其進行對比。其次，由于DCGAN-E2E 系統(tǒng)[20]、CAE-E2E[21]系統(tǒng)與研究主題較貼切，具有較高的性能，故被選作基準模型。最后，設置隨機密鑰對稱加密端到端通信系統(tǒng)（random key symmetric encryption end-to-end communication system，SE-E2E）。SE-E2E 系統(tǒng)與 CSE-E2E系統(tǒng)的區(qū)別僅在于密鑰生成方式的不同，前者使用隨機密鑰，后者使用CSI生成密鑰，二者的對比可驗證利用CSI生成密鑰對系統(tǒng)的影響。

綜上，在通信性能的對比實驗中，以BPSK系統(tǒng)、SE-E2E系統(tǒng)、DCGAN-E2E系統(tǒng)及CAE-E2E系統(tǒng)為基準模型；在防竊聽能力的對比實驗中，以SE-E2E系統(tǒng)、DCGAN-E2E系統(tǒng)及CAE-E2E系統(tǒng)為基準模型。

3 結(jié)果分析

仿真分為3部分：一是在3種信道下對比不同系統(tǒng)中Bob的BER，評估CSE-E2E系統(tǒng)的合法通信性能；二是對自注意力模塊進行消融實驗，分析其對CSE-E2E系統(tǒng)通信性能的影響；三是對比不同加密系統(tǒng)的防竊聽能力，對CSE-E2E系統(tǒng)在4種攻擊情況下的表現(xiàn)進行分析。

3.1 合法通信性能對比

3.1.1瑞利衰落信道

瑞利衰落信道是一種窄帶信道模型，常用于描述密集城市環(huán)境等沒有明顯直射路徑的情況。信號經(jīng)過該信道的過程可用 表示。 y_i 代表接收信號，信道系數(shù) h_Rayleigh 服從瑞利分布， x_i 代表發(fā)射信號， w_i 代表高斯噪聲。

如圖5所示，相比于傳統(tǒng)的BPSK系統(tǒng)，CSE-E2E系統(tǒng)中Bob的BER性能提升了 1.96～4.02dB 0說明CSE-E2E系統(tǒng)可以在瑞利信道下正常工作。相比于SE-E2E系統(tǒng)，CSE-E2E系統(tǒng)中Bob的BER性能提升了 0.27～4.14dB ，這表明以CSI為種子密鑰可以提升系統(tǒng)的通信性能。相比于CAE-E2E系統(tǒng)和DCGAN-E2E系統(tǒng)，CSE-E2E系統(tǒng)的BER性能提升了 0.06～5.33dB 。由圖5可知，隨著SNR的增加，CSE-E2E系統(tǒng)與其他系統(tǒng)之間的優(yōu)勢也逐漸增大。這是因為當SNR較大時，LS信道估計的精度較高，故密鑰所包含的信道特征也更準確，降低了CSE-E2E系統(tǒng)中Bob的BER。

3.1.2萊斯衰落信道

萊斯衰落信道描述了城市郊區(qū)等具有強直射信號的多徑傳播環(huán)境，其對信號的作用形式與瑞利信道相似。該信道包含非直射路徑（nonlineofsight，NLOS）和直射路徑（lineofsight，LOS），其信道系數(shù)

（20 代表 LOS 對信號強度的影響，通常為 1;h_NLOS 代表 NLOS 對信號強度的影響，服從復高斯分布； ∴λ 是萊斯因子，代表信道的衰落程度，通常為 10^[31] 。

如圖6所示，相比于BPSK系統(tǒng)，CSE-E2E系統(tǒng)的BER性能提升了 1.7～11.38dB ，相比于SE-E2E系統(tǒng)，CSE-E2E系統(tǒng)的BER性能提升了 0.41～ 23.72dB ，相比于CAE-E2E系統(tǒng)和DCGAN-E2E系統(tǒng)，CSE-E2E系統(tǒng)的BER性能提升了 0.53～ 18.09dB 。對比結(jié)果表明，CSE-E2E系統(tǒng)的BER明顯低于基準模型，有更小的數(shù)量級，展現(xiàn)了其合法通信的可靠性。

3.1.3 頻率選擇性多徑衰落信道

在多徑傳輸?shù)那闆r下，最長路徑與最短路徑之間的傳播時間差被定義為多徑時延擴展。若多徑時延擴展大于碼元周期，接收端的信號會被早期信號干擾，產(chǎn)生碼間串擾（inter-symbolinterference，ISI），此信道被稱為頻率選擇性多徑衰落信道。基帶復信道脈沖響應可以表示為

式中： R_e 為路徑數(shù)量路徑； b_r、θ_r 和 δ_r 分別為第 r 條路徑的增益、相移和時延； a（t） 為整形脈沖。在仿真中，設置平均功率相等的三抽頭信道，在此信道下，將正交頻分復用（orthogonal frequency division multiple-xing，OFDM）技術引人至BPSK系統(tǒng)中，記作OFDM-BPSK系統(tǒng)。

在對OFDM-BPSK系統(tǒng)進行仿真時，若采用LS信道估計方法，該系統(tǒng)的BER均在0.5左右，即系統(tǒng)無法正常進行通信。因此，為更好地將CSE-E2E系統(tǒng)與OFDM-BPSK系統(tǒng)進行對比，假設OFDM-BPSK系統(tǒng)使用完美的CSI（perfectCSI，PC）進行信道均衡，將此系統(tǒng)記為OFDM-BPSK（PC）。仿真結(jié)果如圖7所示，相比于SE-E2E系統(tǒng)，CSE-E2E系統(tǒng)的BER性能提升了 1.59～7.68 dB，相比于CAE-E2E系統(tǒng)和DCGAN-E2E系統(tǒng)，CSE-E2E系統(tǒng)的BER性能提升了 0.95～8.59dB 。CSE-E2E系統(tǒng)的BER性能與OFDM-BPSK（PC）系統(tǒng)相近，最多僅落后約3.31dB。在CSI誤差較大的情況下，相較于其他基準模型，CSE-E2E系統(tǒng)的BER更接近理想狀態(tài)下的傳統(tǒng)方法，表明CSE-E2E系統(tǒng)具有更高的性能上限。

在瑞利衰落信道、萊斯衰落信道以及頻率選擇性多徑衰落信道下，當SNR為 0～20 dB時，CSE-E2E系統(tǒng)的BER均低于基準模型，且隨著SNR升高，信道噪聲對信號的干擾逐漸減弱，信道衰落效應的影響愈發(fā)顯著，CSE-E2E 系統(tǒng)BER性能的提升幅度也隨之增大。在衰落效應最顯著的頻率選擇性多徑衰落信道下，CSE-E2E系統(tǒng)在整個SNR測試范圍內(nèi)均明顯優(yōu)于基準模型。究其原因，一是CSI生成的密鑰含有深層信道特征，其準確性對密鑰輔助Bob解碼的效率起到了關鍵作用；二是CSE-E2E系統(tǒng)的網(wǎng)絡設計較合理，可以高效地優(yōu)化編解碼方案。

3.2自注意力模塊消融實驗

為驗證自注意力模塊的作用，測試了沒有自注意力模塊的CSE-E2E 系統(tǒng)（CSI-based symmetricencryption end-to-end communication system with no self-attention module，CSE-E2E-NSA）在3種信道下的 BER性能。

如圖8所示，在瑞利衰落信道下，CSE-E2E系統(tǒng)的BER優(yōu)于CSE-E2E-NSA系統(tǒng) 0.37～3.83dB ；在萊斯衰落信道下，在 0～8 dB，CSE-E2E-NSA系統(tǒng)與CSE-E2E系統(tǒng)具有相近的BER性能，在 9～20 dB，CSE-E2E系統(tǒng)的BER性能領先 1.07～15.56dB ；在頻率選擇性多徑衰落信道下，CSE-E2E系統(tǒng)的BER性能具有 1.53～6.56 dB的優(yōu)勢。在3種信道下，CSE-E2E-NSA系統(tǒng)的BER均高于CSE-E2E系統(tǒng)，這表明所構(gòu)造的自注意力模塊能有效捕捉信號特征，降低Bob的BER。

3.3不同系統(tǒng)的安全性能對比結(jié)果

為增強非法用戶的攻擊能力，假設非法用戶已知CSE-E2E系統(tǒng)的結(jié)構(gòu)及訓練方式，選用對信號干擾最小的高斯信道為竊聽信道。

3.3.1暴力破解攻擊

竊聽者Eve只能對接收信號 z 進行暴力破解。如圖9a）所示，在SNR為0、1O、20dB和無噪聲4種狀態(tài)的竊聽信道下，Eve竊聽CSE-E2E系統(tǒng)的BER均在O.5左右，接近對消息進行隨機猜測的結(jié)果。如圖9b）所示，當竊聽信道無噪聲時，Eve竊聽CSE-E2E系統(tǒng)的BER最接近0.5，表明CSE-E2E系統(tǒng)對暴力破解攻擊有更強的抵抗能力，可以抵抗暴力破解攻擊。

3.3.2 密鑰泄露攻擊

假設竊聽者Eve1以某種方法得到種子密鑰 h_AB ，從而生成密鑰 p_B 并解密接收信號 z 。如圖10a所示，在不同狀態(tài)的竊聽信道下，Eve1竊聽CSE-E2E系統(tǒng)的BER為 0.51～0.54 ，說明Evel無法破譯CSE-E2E系統(tǒng)傳輸?shù)男畔?。如圖 ^10b 所示，在無噪聲的竊聽信道下，Evel竊聽CSE-E2E系統(tǒng)的BER接近0.51，高于其他基準模型。與DCGAN-E2E系統(tǒng)、SE-E2E相比，在密鑰泄露的情況下，CSE-E2E系統(tǒng)的防竊聽能力受影響較小。分析認為，在CSE-E2E系統(tǒng)訓練穩(wěn)定后，其密鑰生成器、Alice、Bob是一一對應的。即使Evel采用與 Bob相同的網(wǎng)絡結(jié)構(gòu)，且使用相同的密鑰生成器進行訓練，但CSE-E2E系統(tǒng)的初始參數(shù)是隨機生成的，故Evel幾乎無法獲得與Bob相同的參數(shù)。因此，在擁有密鑰的情況下，Evel不但無法破譯信息，反而被密鑰干擾，導致其竊聽CSE-E2E系統(tǒng)的 BER 高于DCGAN-E2E等基準模型。由圖10及結(jié)果分析可得，CSE-E2E系統(tǒng)的安全性不完全依賴于密鑰，其可以抵抗密鑰泄露攻擊。

3.3.3 選擇明文攻擊

Attackerl的輸入包括密文 z 、對應明文 s 及隨機生成的明文 S₁ 。Attackerl輸出2個概率值 τ₁ 和 τ₂ ，τ₁ 代表 s 是 z 對應明文的概率， τ₂ 代表 S₁ 是 z 對應明文的概率，二者相加為1。Attackerl的目標是根據(jù)給定密文查找對應明文，從密文中提取明文信息。在測試階段，為降低Attackerl的攻擊難度，將竊聽信道設置為無噪聲狀態(tài)。如圖11所示，在不同SNR的主信道下， τ₁ 和 τ₂ 分別在0.52和0.48左右，Attackerl無法匹配對應的明文。這表明Attackerl未能捕捉密文中的明文信息，CSE-E2E系統(tǒng)可以抵抗CPA。

3.3.4選擇密文攻擊

Attacker2的輸入包括明文S、對應密文 z 及隨機生成的密文 z₁ 。Attacker2輸出2個概率值 π₁ 和 π₂ ，二者相加為1。 π₁ 代表 z 是 s 對應密文的概率， π₂ 代表 z₁ 是S對應密文的概率。Attacker2的目標是根據(jù)給定明文選擇對應密文，從而推斷出CSE-E2E系統(tǒng)的加密算法。在測試階段，將竊聽信道設置為無噪聲狀態(tài)，從而降低Attacker2的攻擊難度。仿真結(jié)果如圖12所示，在不同SNR的主信道下， π₁ 和 π₂ 分別在0.52和0.48左右，Attacker2無法推斷從明文到密文的映射關系。這說明CSE-E2E系統(tǒng)生成的密文具有不可區(qū)分性，該系統(tǒng)可以抵抗CCA。

CSE-E2E系統(tǒng)面對4種攻擊場景（暴力破解、密鑰泄露、CPA、CCA）時，非法用戶的BER及輸出概率均在0.5左右，這說明CSE-E2E系統(tǒng)具有較好的信息保護能力，其防竊聽能力不完全依賴于密鑰。通過模擬CPA和CCA，驗證了CSE-E2E系統(tǒng)可學習較好的加密、解密算法，攻擊者無法推斷明文和密文之間的映射關系。CSE-E2E系統(tǒng)可以在復雜攻擊場景中提供通信保障。

綜合所有仿真結(jié)果可知，CSE-E2E系統(tǒng)的網(wǎng)絡設計較為合理，通過引人自注意力模塊增強了特征提取能力，有效降低了系統(tǒng)的BER。在信道衰落效應顯著的情況下，CSE-E2E 系統(tǒng)的BER 性能明顯優(yōu)于DCGAN-E2E等基準模型。但在噪聲干擾較強時，CSI誤差較大，導致密鑰中的信道特征難以高效輔助系統(tǒng)解碼，這表明系統(tǒng)的去噪能力有待提升。在暴力破解、密鑰泄露等4種攻擊場景中，非法用戶的BER 和輸出概率均接近0.5，幾乎無法破譯信息。然而，在密鑰泄露攻擊中，若竊聽者所處環(huán)境噪聲較大，其BER接近0.55，這可能為竊聽者提供比特翻轉(zhuǎn)等破譯線索?？傮w而言，通過將CSI用于密鑰生成，CSE-E2E系統(tǒng)實現(xiàn)了對安全性能和通信性能的同步優(yōu)化，體現(xiàn)出其在復雜通信環(huán)境下的良好適用性。

4結(jié)語

提出一種基于CSI的對稱加密端到端通信系統(tǒng)，該系統(tǒng)使用CNN構(gòu)建發(fā)射機、接收機和密鑰生成器，并在接收機中引入自注意力模塊和殘差塊，從而增強特征提取能力，同時利用無線信道特性，以合法信道的CSI為種子密鑰，從而省去傳輸密鑰的步驟。對比實驗表明，在瑞利信道、萊斯信道及瀕率選擇性多徑信道下，CSE-E2E系統(tǒng)的BER 均低于 DCGAN-E2E、CAE-E2E 等基準模型。尤其在信道衰落效應較顯著時，CSE-E2E系統(tǒng)的BER優(yōu)勢更加明顯，這說明CSE-E2E 系統(tǒng)具有較強的抗衰落能力。CSE-E2E系統(tǒng)自行學習加密、解密算法，可以抵抗暴力破解、密鑰泄露、CPA及CCA，相比于DCGAN-E2E等加密通信模型，CSE-E2E系統(tǒng)具有較強的防竊聽能力。

本文僅關注系統(tǒng)的防竊聽能力，但實際通信中還存在惡意干擾、數(shù)據(jù)投毒等威脅。因此，后續(xù)研究將重點提升系統(tǒng)的魯棒性，通過引入人工噪聲、協(xié)同干擾等技術，進一步提升系統(tǒng)應對主動攻擊的能力。

參考文獻/References：

[1]QINZhijin，EHaoLIGY，etal.Deeplearing inysicallayercommunicatios].IEE WirelessCommunications，29，62）： 93-99.

[2]LIN ShangaoZENG Yuan，GONG Yi.Learningof ime-frequencyatentionmechanismforautomaticmodulationrecognition].EEE Wireless CommunicationsLetters，2022，11（4）：707-711.

[3]WANGYu，LIUMiaoYANGJie，etal.DatadrivendeplearningforautomaticmodulationrecognitioninognitiverdiosJ].IEEE Transactions on Vehicular Technology，2019，68（4）：4074-4077.

[4]LIUCangUXumgNGDWK，talepsialngfomatitellgrefligurfacesli user communications[J].IEEE Transactions on Wireless Communications，2022，21（2）：898-912.

[5]YEHao，LANGLe，LIGY，etal.Deplearing-bsedend-toendwirelesscommunicationsystemswithonditioalGANsasunnown channels[J].IEEE Transactions on Wireless Communications，2020，19（5）：3133-3143.

[6]O'SHEAT，HOYDSJ.AnintroductiontodeeparingforthepyicallayerJ].IETransactiosoCognitieCommuniatiosand Networking，2017，3（4）：563-575.

[7]WUNan，WANGXudong，LINBin，etal.ACNN-basedend-toendlearingframeworktowardinteligentcommunicationsstesJ]. IEEE Access，2019，7：110197-110204.

[8]LIJiaye，LINBi，WUNan，etal.Designofaned-tondautoencoderformaritiecomunicationsystemtowardsinteetofeels LCJ//20Z1

[9]夏杉，王旭東，吳楠，等.一種適用多種空時編碼方案的 MIMO自編碼器通信系統(tǒng)[J].電訊技術，2022，62（1）：81-88. XIA Shan，WANG Xudong，WU Nan，et al.AMIMOautoencodercommunicationsystem suitableformultiplespace-timecodingshemes [J].Telecommunication Engineering，2022，62（1）：81-88.

[10]曹明華，王瑞，張悅，等.CNN-AE 在超奈奎斯特無線光通信端到端系統(tǒng)中的性能[J].重慶郵電大學學報（自然科學版），2024，36（1）： 181-190. CAO Mingua，ANGRui，HANGYue，etalEd-tendperforanceofaC-AEbasedfster-tha-Nqustratefresaceotical cationsystemJ].JoualofChongqing UniversityofPostsandTelecommunications（NaturalSinceEdition）0246）-190.

[11]ZHANG Haotian，ZHANGinJIANGYuan，etal.LSTandResNetsdeepaingaidedend-tondintellgentcommunicationsyte [C]//2021 2nd Information Communication Technologies Conference（ICTC）.Nanjing：[s.n.]，2021：156-160.

[12]劉喬壽，劉俊杰，蔚淦丞，等.基于二維卷積的端到端無線通信系統(tǒng)研究[J].電子學報，2023，51（7）：1725-1733. LIUQiaoshouIUJunjieYUGancheng，etal.Researchoendtoendwireesscommunicationsytembasedontwo-dimesioloo lution[J].Acta Electronica Sinica，2023，51（7） ：1725-1733.

[13]MANNZA，WEINERTCCHABALD，etal.Towardspractical secure neuralnetwork inference：Thejourneysofarandtheroadhead [J].ACM Computing Surveys，2023，56（5）：1-37.

[14］李晶晶.基于端到端學習的安全通信技術研究[D].北京：北京郵電大學，2022. LIJingjing.ResearchonSecurityCommunicationTechnologyBasedonEnd-toEndLearningD].Bejing：BeijingUniversityofostsand Telecommunications，2022.

[15]SUNZuoWUHengmaoZOChenglin，etalEndtndleaingofureirelessommnicatios：ofidentialtramiod authentication[J].IEEE Wireless Communications，202o，27（5）：88-95.

[16]ABADIMDERSEDGLearingtoProtectComuniatiswithAdversarialNeuralCryptogahyEB/OL].（2016-- 01-10].https：//arxiv.org/abs/161o.06918.

[17]COUTINHO M，de OLIVEIRA ALBUQUERQUE R，BORGESF，et al.Learning perfectlysecure cryptography to protectcommunications with adversarial neural cryptography[J].Sensors，2018.DOI：10.3390/s18051306.

[18]LI Zengze，YANG Xiaoyuan，SHEN Kangqing，etal.Informationencryptioncommunicationsystembasedonthe adversarialetworks foundation[J].Neurocomputing，2020，415：347-357.

[19]MERAOUCHE1，DUTTAS，TANHaowen，etal.LearningasymmetricencryptionusingadversarialneralnetworksJ].Eginering Applications of Artificial Intelligence，2023.DOI：10.1016/j. engappai. 2023.106220.

[20]ANYongli，WANGMengtao，CHENLei，etal.DCGAN-basedsymmetricecrytionend-toendcommunicationsystemsJ.AEU-nte national Journal of Electronics and Communications，2022.DOI：10.1016/j.aeue. 2022.154297.

[21]ANYongl，HUZbingCHaanetalCNsbasedndtdasmmetricnryedcomunicatiosstemJItellgentadCo verged Networks，2023，4（4）：313-325.

[22]BEEK JV，EDFORSO，SANDELL M，et al.Onchannel stimation in OFDMsystems[C]/1995 IEEE45th Vehicular TechnologyConference.Countdown to the Wireless Twenty-First Century. Chicago：[s.n.]，1995：815-819.

[23]李春華，付睿智，劉玉坤，等.基于改進 DCGAN輪胎缺陷圖像生成方法[J].河北科技大學學報，2023，44（4）：346-355. LI Chunhua，F(xiàn)URuizhiLIUYukun，etal.AmethodforgeneratingtiredefectimagesbasedonimprovedDCGANJ].JouralofHebei University of Science and Technology，2023，44（4）：346-355.

[24]VASWAAZEERNARNetalAtetioisallyounedC/Proedgsofte3stIteatioalCofeceN ral Information Processing Systems（NIPS'17）.Red Hook：[s.n.]，2017：6000-6010.

[25]曹秋語.基于自編碼器模型的端到端通信系統(tǒng)及其魯棒性研究[D].南京：東南大學，2022. CAO QiuyuEnd-tEndCommunicatioSsteBasedonutoecoderandItsRbusessResearchD.NanjingSoutheastUni2.

[26]杜昆剛.基于深度學習的通信系統(tǒng)物理層研究設計與實現(xiàn)[D].西安：西安電子科技大學，2022. DUKungang.ResearchDesignandImplementationofPhsicalLarofComuicationSstemBasedonDepLeaingD.Xi'anXidUive sity，2022.

[27]LUMin，ZHOUBin，BUZongAtentioempoeredresidualtoencoderforendtendomuicationsstems].IEECoi cationsLetters，2023，27（4）：1140-1144.

[28]DAVEYCP，SHARMAIDEORCetal.End-toendlearingofdaptivecodedmodulationsemesforeslientwirelessunica tions[J]. Applied Soft Computing，2024. DOI：10.1016/j.asoc.2024.111672.

[29]LINBin，WANG Xudong，YUANWeihaoetal.AnovelOFDMautoencoderfeaturingCNN-basedchanelestimationforIteetofves sels[J].IEEE Internet of Things Journal，202o，7（8）：7601-7611.

[30]任嘉欣，王旭東，吳楠.一種基于CNN自編碼器的空間調(diào)制技術[J].電訊技術，2024（11）;1772-1779. RENJiaxin，WANGXudong，WUNan.ACNNautoencoderbasedspatialmodulationtechnologyschemeJ].TelecommunicationEng neering，2024（11）：1772-1779.

[31]GUOHuayan，LIANGYingchang，CHEJie，etalWeightedsumratemaximizatioforrecofigurable ntellgentsurfaceidedwie networks[J].IEEE Transactions on Wireless Communications，2020，19（5）：3064-3076.