Sep, 2022

基于人工智能的蜂窝网络信号频谱感知中的攻击缓解

PDF
TL;DR本文通过使用基于人工智能的语义分割模型，对用于识别受攻击的移动网络信号的频谱感知方法进行漏洞分析，并证明缓解方法可以显著减少基于人工智能的频谱感知模型面对敌对攻击的漏洞。
cellular networksspectrum sensingartificial intelligenceadversarial attacksmitigation methods
发现论文，激发创造
  • 认知无线电网络的宽带频谱感知：一项调查

    介绍了各种宽带频谱感知算法及其优缺点和挑战问题，并特别关注了子奈奎斯特技术的应用，包括压缩感知和多通道子奈奎斯特采样技术。

    Feb, 2013

  • 以敌对深度学习的视角看 IoT 网络安全

    探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

    May, 2019

  • SATSense：卫星合作框架下的频谱感知

    利用多颗卫星的多样数据进行协作感知以及利用图神经网络进行有效的频谱感知，同时采用联合子 - Nyquist 采样和自动编码器数据压缩框架以及对丢失数据进行对比学习，以实现高效的频谱感知性能并在频谱感知准确性上超越传统深度学习算法。

    May, 2024

  • 机器学习与无线蜂窝网络结合：部署，挑战和应用

    本文概述了人工智能在 5G 及以后无线网络中的应用，包括网络智能类型、机器学习以及应用案例，重点介绍了物理层、移动性管理、无线安全和定位方面的应用。

    Nov, 2019

  • 基于深度学习分类的认知无线电频谱感知

    该研究介绍了一种基于深度学习分类的频谱感知方法，通过对接收信号功率进行归一化处理来克服噪声功率不确定性，使用尽可能多的信号类型和噪声数据训练模型，使得训练的网络模型能够适应未经训练的新信号，并使用迁移学习策略来改进实际信号的性能，实验证明该方法的性能超过了传统的频谱感知方法，并且适应不同类型的新信号，对于彩色噪声有更优越的检测性能。

    Sep, 2019

  • 无线网络中的战略需求规划：生成式人工智能能否节省频谱和能源？

    无线通信与人工智能相互促进发展，尤其在第六代移动网络技术标准中，生成式人工智能（GenAI）通过需求塑造的概念在无线网络中提供了显著的潜力，并能在各种使用场景中提高性能和节约能源和频谱。

    Jul, 2024

  • 6G 联邦学习动态频谱共享的安全与隐私

    6G 无线通信中的频谱共享越来越重要，机器学习技术的应用在感知频谱空洞方面发生了显著变化，通过联邦学习实现的频谱感知技术引起了广泛关注，但协作训练的完整性和本地用户频谱信息的隐私安全问题仍然未被充分探索。本文首先研究了适用于 6G 场景的联邦学习优势频谱共享的最新发展，并指出了其中的安全和隐私威胁。最后，本研究提出了未来的发展方向，包括实际防御挑战和指导。

    Jun, 2024

  • 智能网络管理：利用人工智能进行网络服务检测

    利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。

    Oct, 2023

  • 人工智能启用的蜂窝网络：通往 5G 和 6G 之外的关键路径

    移动网络运营商正试图使用人工智能技术在 5G 及其以后的网络中，部署一种更加有机和费用效益高效的网络操作方式，但这需要克服技术上的重大障碍。该研究提出了未来的研究方向、确定了前 5 个挑战，并提出了一种可能的路线图以实现人工智能实现的 Beyond-5G 和 6G 蜂窝网络的愿景。

    Jul, 2019

  • 研究反对抗联邦学习模型在物联网频谱传感器中检测网络攻击的鲁棒性

    该论文介绍了一种联邦学习方法，以检测针对由资源受限的频谱传感器管理的数据的攻击，通过创建适合 FL 的新数据集，将肆意加入的参与者调整到 33％以及四种聚合函数来提高模型的鲁棒性。

    Jan, 2022