6G 无线网络智能信任管理的生成对抗学习
提出了 TrustGAIN,一个新的可信的 AI 生成内容(AIGC)范式,以确保未来 6G 网络中可信的大规模 AIGC 服务。讨论了 6G 网络中 AIGC 系统面临的敌对攻击和隐私威胁,以及相应的保护问题,并强调了在未来智能网络中确保移动生成服务的公正性和公平性的重要性。通过实例说明 TrustGAIN 可以有效地抵御恶意或生成的虚假信息。认为 TrustGAIN 是支持 AIGC 服务的智能可信的 6G 网络的必要范式,以确保 AIGC 网络服务的安全性,隐私性和公平性。
May, 2024
这篇文章提出了一种基于人工智能的 6G 网络智能架构,用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用,并详细阐述了如何利用 AI 技术有效地优化网络性能,包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外,作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案,包括算法鲁棒性、计算效率、硬件开发和能源管理等。
Dec, 2019
本综述旨在探讨可解释人工智能在 6G 系统中的应用,包括公共和法律动机、解释性定义、性能与解释性权衡、提高可解释性的方法以及将可解释性纳入未来无线系统的框架,由 PHY 和 MAC 层的优化案例研究支持。
Nov, 2019
本文提出了一种基于生成对抗网络(GAN)的信任管理机制,用来解决对新型攻击的标记数据缺失以及传统机器学习算法训练数据集大小对系统安全性能的影响问题,在工业无线传感器网络中采用了二阶模糊逻辑来评估传感器节点的信誉,并建立了基于 GAN 的编解码结构来收集信任向量和检测恶意节点,同时构建了基于 GAN 的信任赎回模型来提高信任管理的鲁棒性。该机制可应用于可靠实时数据传输的安全聚类,实验结果表明具有高达 96% 的检测率和低于 8% 的误报率。
Oct, 2022
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
Nov, 2021
数字孪生通过同步数字复制品实现物理实体的仿真、评估和优化,在复杂的无线网络中作为一项有前景的技术引起了越来越多的关注。本文讨论了在 6G 时代中,考虑到复杂的网络架构、巨大的网络规模、广泛的覆盖范围和多样化的应用场景,对无线网络数字孪生的新要求,并进一步探讨了生成式人工智能,如变压器和扩散模型等在多个方面强化 6G 数字孪生的应用,包括实施、物理 - 数字同步和切片能力。随后,我们提出了一个基于分层生成式人工智能的无线网络数字孪生,包括消息层和策略层,并通过数值结果提供了一个典型的应用案例来验证其有效性和效率。最后,我们讨论了 6G 时代无线网络数字孪生的开放性研究问题。
Nov, 2023
将生成式人工智能(GAI)与边缘计算网络结合,提出了生成式移动边缘网络的概念,并概述了广泛采用的 GAI 技术及其在移动边缘网络中的应用。在资源受限场景下,通过设计资源高效的方法、制定适当的激励机制以及利用生成扩散模型(GDMs)找到最优的激励机制解决方案,解决了生成式移动边缘网络面临的挑战。通过案例研究提出了一种模型分区的方法以实现智能任务卸载,并提出了基于 GDM 的 Stackelberg 模型来激励边缘设备为移动边缘智能提供计算资源。最后,提出了几个能够促进生成式移动边缘网络未来发展的方向。
Dec, 2023
本文旨在探讨 6G 边缘本地人工智能网络中的关键需求和挑战,并介绍了一种基于自我监督生成对抗网络的自学习体系结构,可以在网络边缘实现自动数据学习和合成,实现较大的性能提升。最后,讨论了自学习可实现的未来趋势和关键研究问题。
Oct, 2020