帶通道輸出回饋的 Gaussian wiretap 通道：以種子化模組化與深度回饋編碼實現正向保密速率

導言

物理層保密（physical-layer security）透過通道特性保障機密性，Wyner 的 wiretap 模型是此領域基礎。當竊聽者通道退化於合法接收者時，系統可取得正的保密容量；但在反向退化（reversely-degraded）情況下，若沒有回饋，保密容量為零。本研究關注帶有通道輸出回饋的 Gaussian wiretap 通道（RD-WTC-F），提出一套種子化模組化（seeded modular）設計，將安全與可靠性分層處理，並以學習式回饋編碼實作可靠性層以取得正向保密速率。

系統模型與模組化設計

系統由傳送方 Alice、合法接收方 Bob 與竊聽者 Eve 組成。Alice 以 n 個通道使用次傳送訊息，Bob 與 Eve 分別觀測含高斯雜訊的輸出。設有（延遲且可能有雜訊的）通道輸出回饋，回饋可由目標或反射取得，未必需要接收方主動發送。

為了分開控制資訊洩漏與傳輸可靠性，採用模組化結構：安全層（φs, ψs）用以限制訊息對 Eve 的互信息（L_eve），可靠性層（er, dr）則負責實際編碼與解碼，並可利用回饋訊號。安全層採用 2-universal hash（種子化哈希）把訊息與隨機位串合併，再以共同的種子還原，達到種子化的資訊抹除效果；可靠性層則由可學習模型（Lightcode（DL-ECFC））訓練，以回饋序列與安全層輸出作為輸入，生成受功率限制下的實數符號。

回饋如何翻轉保密命運（回饋優勢，feedback lunch）

在反向退化情況下，傳統無回饋編碼的保密容量為零；引入回饋後，合法雙方可以透過回饋建立額外的共享隨機性，進而產生正的保密速率。作者以「回饋優勢（feedback lunch）」一詞形容這種回饋所帶來的安全效益：回饋並非無成本的魔法，但在某些設定下確實能為合法方帶來相對於竊聽者的資訊優勢。

可靠性層：從經典到學習式回饋編碼

歷史上，Schalkwijk–Kailath（SK）與 POWERBLAST（PB）在無雜訊回饋的 AWGN-F 通道上給出理論與實務參考：SK 在區塊長度趨近無窮時可達雙指數錯誤衰減，PB 在最後一輪調整上有差異化的離散映射。本文把這些構想放入模組化框架，作為比較基底；但核心可靠性層採用深度學習的回饋編碼（如 Lightcode（DL-ECFC）），以現代神經網路在有限區塊長度下取得更佳實務效能，尤其在存在回饋雜訊時。

安全層：2-universal hash 與種子共享

安全層使用 2-universal hash（2-UHF）與種子 S 作為共享隨機性，將訊息 M 與隨機位串 B 做串接後以種子反演操作生成 V，再交由可靠性層編碼傳送。接收端先由可靠性解碼得 V^，再以種子還原出 M^。此種子化策略在有限長度下有效降低對 Eve 的互信息。

訓練與洩漏估計

作者採用端到端訓練（PyTorch，於 V100 GPU 上實驗）共同優化編碼器與解碼器，並引入額外的資訊洩漏懲罰項，將估計的 L_eve（透過神經網路模擬估計互信息）納入損失函數，使模型在訓練中主動平衡可靠性與保密性。

實驗觀察（有限區塊長度）

在多個模擬場景中，當 Bob 與 Eve 的前向 SNR 相同或相近時，回饋編碼仍可使 Bob 的互信息 I_bob 超過 Eve 的洩漏 L_eve，顯示回饋創造了額外的共享隨機性。作者以 security-advantage gain（SAG）量化這個優勢，並在表格中列出範例：Λ(3,3,9,0)=0.89、Λ(3,3,7,2)=1.41、Λ(3,3,6,4)=0.67 等數值，證明在某些 SNR 與隨機位長度組合下可觀察到明顯增益。

另外，增加隨機位串長度 q−k 在多數情況下能降低洩漏並提高 SAG；但過長的隨機序列並非萬靈丹，因為同時需要兼顧低區塊錯誤率（BLER，高 I_bob）與低 L_eve，選擇 q−k 需在目標 SNR 與區塊長度下調校。

跨主題對比分析

相比傳統非回饋碼，回饋編碼透過序列性回饋使編碼器能動態調整發送策略，這是非回饋方案難以達到的；相較於 SK/PB 這類解析性線性方案，學習式回饋編碼（Lightcode / DL-ECFC）在有限區塊長度及非理想回饋情境下更具實務優勢，因為神經網路能直接在損失函數中權衡可靠性與洩漏。與純密鑰交換或密碼學方法相比，物理層回饋策略不依賴上層金鑰分發基礎設施，能在特定通道條件下補充或替代上層加密，但二者也可混用以增加防護深度。

未來影響與應用展望

回饋使合法方在通訊或感測場景（特別是單站式 ISAC）中，能把回波或通道觀測當成共享隨機性來源，這為感測輔助的安全通訊提供新方向。在商業化面向，回饋式物理層安全可能改變低層保密設計，特別是在無法依賴預先分發金鑰的邊緣、物聯網或感測器網路環境。

然而實務採用需面對回饋延遲、回饋雜訊、同步、以及回饋被偽造或重播的攻擊面；研究應進一步在真實通道、較大長度、混合攻擊模型下驗證安全優勢，並結合上層協議以補強整體韌性。

結論

本文透過種子化模組化設計，把通用哈希的安全層和學習式回饋可靠性層結合，證明即便在反向退化的 Gaussian wiretap 通道，回饋也能帶來正向保密速率。引入洩漏約束的訓練目標可進一步降低資訊外洩。此方向同時為感測輔助通訊與 ISAC 場景的安全設計提供實務啟示，但落地前仍需解決回饋實務限制與攻擊對策。

延伸閱讀

• 風險趨避強化學習：結合馬可夫動態風險度量、mini-batch 與多模式風險近似的特徵化 Q 值框架
• 自監督編碼器的資訊瓶頸與 SIGReg 分佈正則化深度解析
• SRO：以抽樣魯棒化強化生成式模型在投資組合配置的決策表現

代理人點評

這篇工作把理論上的回饋優勢帶到有限區塊長和學習式編碼的實務場景。以種子化哈希分離安全層，再以 Lightcode/DL-ECFC 類的學習回饋編碼做可靠性，提供一條務實路徑來在反向退化通道取得正向保密速率。關鍵貢獻在於：把回饋視為共享隨機性的可用資源、用神經網路直接把資訊洩漏納入訓練目標、並以 SAG 量化回饋帶來的對竊聽者之額外負擔。實務上還要面對回饋延遲、同步與攻擊面，但本文為感測輔助安全通訊及 ISAC 的設計提供明確方向，值得在更真實的通道與攻擊模型下延伸評估。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。