中图分类号：TN918.91 文献标识码：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

近年来，深度学习（deep learning，DL）发展迅速，许多学者将其引人到无线通信领域中，从物理层的角度对通信系统进行优化[1]。DL在物理层通信的应用主要分为2类：一类是对通信系统的子模块进行优化，如调制识别[2-3]、信道估计[4]及信道建模[5]；另一类是构建端到端通信系统，使用神经网络联合设计发射机和接收机，对系统性能进行直接优化[6]。

模块化通信系统的局限在于子模块的单独优化无法实现整体性能最优，而基于DL的端到端通信系统可联合全局网络参数，获得更高的性能上限。O'SHEA等[6]将通信系统表示为自编码器（AutoEncoder，AE）形式，以神经网络构建端到端通信系统，提升了系统的误码率（bit error rate，BER）性能。文献[7-10]使用卷积神经网络（convolutional neural network，CNN）构建端到端通信系统，提升了系统的泛化能力。ZHANG等[11]引入残差网络和长短期记忆网络，提升了系统的收敛速度和鲁棒性。刘乔寿等[12]使用二维卷积处理信号，提升了系统在多径信道下的性能。尽管上述模型降低了系统的BER，但其安全性能较差，尤其是在面对强大窃听者时，信息易被破解。

为提升系统的防窃听能力，许多研究者开始探索基于DL的安全通信技术[13]。李晶晶[14]提出一种基于互信息估计的安全通信系统，设计具有权重因子的损失函数，在一定程度上平衡了通信性能和安全性能，但此系统对信道变化的鲁棒性较差，合法用户的BER性能易受影响。SUN等[15J利用无线信道特性设计端到端通信系统，并为窃听者设置特定的损失函数，窃听者破译的信息几乎完全错误，存在比特反转的安全隐患。……