本文主要研究深度学习在无线系统应用中的安全问题，重点探讨了对回归问题的攻击和防御机制，研究对象为多个输入输出系统下行链路的功率分配问题，从白盒和黑盒的攻击角度构建了对抗性扰动攻击，进一步分析了深度神经网络的鲁棒性以及通过对抗训练提高深度学习模型的对抗性能。

Jun, 2022

本文研究了基于 DL 的模型在无线系统下行功率分配问题中的回归应用，并提出了通用对抗扰动（UAP）制造方法作为白盒和黑盒攻击。通过对 UAP 的性能测试，展示了其白盒和黑盒攻击成功率分别可以达到 60％和 40％。提出的 UAP 攻击方法与传统的白盒攻击相比更具实用性和现实性。

Oct, 2021

本论文研究基于对手机器学习的对功率分配的攻击，其中基站通过使用深度神经网络（DNN）将其传输功率分配给多个正交子载波来为多个用户设备（UE）提供服务。 训练相应于回归模型的 DNN 以通道增益为输入并返回传输功率作为输出。研究了对单个 UE 或所有 UE 进行的攻击，并与基准进行比较，表明对手攻击在减少通信速率方面比基准攻击更有效。

Sep, 2021

本文探讨在分布式多输入多输出网络中，通过神经网络进行最大功率最小化公平性控制，发现 AI 技术对抗性攻击的风险高于传统攻击，并提出了智能防御技术。

Jan, 2023

本文研究了深度学习在无线电信号分类中的应用和安全性问题，通过白盒和黑盒对抗攻击使模型分类性能显著下降，与传统的干扰攻击相比，这些攻击更加强大。

Aug, 2018

本文介绍了在 6G 无线网络中使用深度神经网络进行波束成形预测的深度学习安全漏洞，并提供两种改善方法，使其能够有效地抵御对人工智能模型的对抗攻击。

Feb, 2022

本文提出了一种基于深度学习的功率控制算法，用于解决无蜂窝网络下具有最大最小用户公平性问题的大规模多输入多输出系统中的最大最小速率优化问题，使用无监督学习的方法使深度神经网络学习最佳用户功率分配方案，模型训练快速且灵活，性能显著且具有较低的计算复杂度和快速实现优势，同时提出了一个在线学习阶段，在处理速度较快的情况下实现了接近最优的性能。

Feb, 2021

通过使用深度学习在大规模 MIMO 网络下行链路中执行最小最大功率分配和最大乘积功率分配，神经网络可以通过学习用户设备（UE）的位置和最优功率分配策略之间的映射，预测新的 UE 位置的功率分配配置，并比传统的优化方法具有更好的性能 - 复杂度平衡，不需要计算任何统计平均值，能够保证接近最优的性能。

Dec, 2018

评估了深度学习信息恢复模型 DeepReceiver 在对抗环境下的鲁棒性及其容易受到的攻击方法，发现 DeepReceiver 容易受到各种攻击方法的影响，建议采取防御措施来增强其鲁棒性。

Aug, 2023

本研究提出了两种方法进行对电力系统的对抗攻击，并利用对抗训练提高系统的鲁棒性。实验分析表明，相比 FGSM，我们的信号特定攻击方法提供更少的扰动，信号不可知攻击方法可以很高的概率欺骗大多数自然信号。此外，基于通用信号不可知算法的攻击方法具有更高的黑盒传输速率，而不是基于信号特定算法的攻击方法。

Feb, 2022