In de fysieke laag van netwerken – waar radiosignalen of kabels digitale informatie dragen – ontwikkelde Gansekoele een nieuwe generatie neurale ontvangers. Die kunnen flexibeler omgaan met verschillende soorten signalen. Dat is belangrijk omdat netwerken steeds meer verschillende apparaten en toepassingen tegelijk moeten bedienen, ieder met zijn eigen snelheid en betrouwbaarheid. Een flexibele ontvanger maakt het netwerk robuuster en efficiënter.
Daarnaast onderzocht hij hoe deep learning kan helpen om geluiden onder water te herkennen. Denk aan het onderscheid tussen scheepsmotoren, walvissen of natuurlijke ruis. Zulke technieken kunnen zowel gebruikt worden om verstoring van zeeleven in kaart te brengen als om betere onderwatercommunicatie te ontwikkelen, bijvoorbeeld voor sensoren of robotica.
Videostreaming: kwetsbaarheden zichtbaar
Maar waar deep learning communicatie kan versterken, kan het ook zwakke plekken zichtbaar maken. Bij videostreaming ontdekte Gansekoele dat de huidige beveiliging minder waterdicht is dan vaak wordt aangenomen. Video’s via platforms als YouTube worden normaal gesproken versleuteld en in losse stukjes verstuurd. Toch ontdekte Gansekoele dat de manier waarop die stukjes binnenkomen herkenbare patronen verraadt.
Met een deep learning-model kan een derde partij – bijvoorbeeld een internetprovider – achterhalen welke video iemand bekijkt, zonder de versleuteling te kraken. Eerder was dit alleen theoretisch bekend, maar de nieuwe aanpak maakt het veel eenvoudiger en schaalbaarder. Daarmee blijkt dat protocollen als HTTPS niet volledig bestand zijn tegen slimme analysemethoden.
Gansekoele benadrukt dat dit niet betekent dat gebruikers nu direct onveilig zijn, maar wel dat protocollen zoals MPEG-DASH en HTTPS beter bestand moeten worden gemaakt tegen dit soort analyses. Zijn aanbevelingen variëren van kleine technische aanpassingen in de manier waarop video’s worden gecodeerd tot structurele verbeteringen in de standaarden zelf.
Privacy en eerlijkheid
Tot slot onderzocht Gansekoele federated learning, een methode waarbij verschillende organisaties samen een AI-model trainen zonder dat zij hun data hoeven te delen. Dit is relevant voor gevoelige toepassingen zoals gezichtsherkenning. Hij laat zien dat deze aanpak vooral zwakkere partijen – organisaties met minder of ongelijksoortige data – helpt om toch betere prestaties te behalen, wat zorgt voor eerlijker uitkomsten.
Vervolg
De bevindingen maken duidelijk dat deep learning zowel kansen als risico’s biedt voor de communicatiesystemen van de toekomst. Vooral het videostreamingonderzoek benadrukt de noodzaak om bestaande protocollen beter bestand te maken tegen deep learning-methoden die versleuteld dataverkeer toch herkenbaar maken.
Headerfoto: Shutterstock
