Concept Drift Aware Wireless Key Generation in Dynamic LiFi Networks
Notice bibliographique
Résumé
This paper studies the generation of cryptographic keys from wireless channels in light-fidelity (LiFi) networks. Unlike existing studies, we account for several practical considerations (a) realistic indoor multi-user mobility scenarios, (b) non-ideal channel reciprocity given the unique characteristics of the downlink visible light (VL) and uplink infrared (IR) channels, (c) different room occupancy levels, (d) different room layouts, and (e) different receivers’ field-of-view (FoV). Since general channel models in dynamic LiFi networks are inaccurate, we propose a novel deep learning-based framework to generate secret keys with minimal key disagreement rate (KDR) and maximal key generation rate (KGR). However, we find that wireless channels in LiFi networks exhibit different statistical behaviors under various conditions, leading to concept drift in the deep learning model. As a result, key generation suffers from (a) a deterioration in KDR and KGR up to 29% and 38%, respectively, and (b) failing the NIST randomness test. To enable a concept drift aware framework, we propose an adaptive learning strategy using the similarity of channel probability density functions and the mix-of-experts ensemble method. Results show our adaptive learning strategy can achieve stable performance that passes the NIST randomness test and achieves 8% KDR and 89 bits/s KGR for a case of study with 60° FoV.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,009 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».