鲁棒网络切片：多智能体策略，对抗攻击和防御策略

MMNov, 2023

鲁棒网络切片：多智能体策略，对抗攻击和防御策略

Robust Network Slicing: Multi-Agent Policies, Adversarial Attacks, and Defensive Strategies

Feng Wang, M. Cenk Gursoy, Senem Velipasalar

TL;DR该论文提出了一个在多个基站和多个用户的动态环境中实现网络切片的多智能体深度强化学习框架。通过模拟评估了所提出的深度强化学习算法的性能，然后设计了一种基于深度强化学习的干扰器，用于最小化网络切片实现的传输速率并降低网络切片代理的性能，最后提出一种纳什均衡监督策略集合混合策略配置来进行网络切片和干扰器的防御策略。

Abstract

In this paper, we present a multi-agent deep reinforcement learning (deep RL) framework for network slicing in a dynamic environment with multiple base stations and multiple users. In particular, we propose a nov

multi-agent deep reinforcement learning network slicing deep rl algorithm jammer nash-equilibrium-supervised policy ensemble

发现论文，激发创造

使用深度强化学习的 QoS 和干扰感知无线网络

提出一种抵御干扰攻击的无线网络建模方案，通过干扰感知的路由协议和基于深度强化学习的分布式合作框架实现有效通讯以及网络安全防御，并优化吞吐量，能效，时延和安全指标。通过实验表明，提出的方案在对抗干扰攻击和实现优化吞吐量方面具有很好的鲁棒性和有效性。

Oct, 2019

使用 GAN 的深层分布式强化学习进行网络切片的资源管理

本文介绍了如何使用深度强化学习（DRL）解决无线接入网络中多个切片共享物理资源，且包含多种不同要求的服务，针对此类场景中的需求感知资源分配问题，作者提出了一种基于生成式对抗网络（GAN）和 DDQN 算法的切片联网资源优化方法。实验表明，所提出的算法可以有效地提高网络切片的资源利用率和服务性能。

May, 2019

用于欺骗无线网络中反应干扰器的强化学习

本文提出了一种新颖的反干扰策略，基于诱骗干扰者攻击受害者通道的想法，在保持合法用户在安全通道中通信的同时欺骗干扰者。通过使用强化学习算法提出了最优信道选择方案和次优功率分配方式，并通过求解接收总功率（TRP）的统计下界来评估其性能。仿真结果表明，与已有的两种基于强化学习算法的反干扰技术和随机信道分配策略相比，该方法表现更优，能够获得接近最优的 TRP。

Mar, 2021

一种针对无线网络的协作多智能体强化学习抗干扰算法

本文研究多用户场景中的防干扰问题，提出了基于马尔可夫博弈模型的协作式多智能体抗干扰算法，能够有效解决干扰问题。模拟结果表明该算法优于传统方法，能够最大化性能指标。

Sep, 2018

通过深度对抗神经网络架构和环境背散射增强通信来打败干扰器

本研究通过使用神经网络、环境背散射通信等技术，设计了一种新型的深度强化学习算法，实现了优秀的反制干扰效果，提高了平均吞吐量 426% 并减少了 24% 的数据包丢失率，可以应用于 URLLC 和军事场景。

Apr, 2019

基于注意力的深度强化学习的开放式无线接入网络切片管理

本文介绍了一种基于 O-RAN 模块和分布式代理合作，利用注意力机制的深度强化学习（ADRL）技术，以实现更好的网络性能，通过有效信息提取和实现泛化，提出了在分布式代理之间引入值 - 注意力网络来实现可靠和最优决策。模拟结果证明，与其他深度强化学习基线方法相比，该方法显著提高了网络性能。

Jun, 2023

应对异构资源需求和时变流量动态的网络切片深度强化学习

本研究提出了一种基于深度强化学习的网络分片动态资源分配问题解决方案，模拟数据和真实负载驱动跟踪的模型评估表明，相比于基准均等分片策略，我们的解决方案提高了总资源利用率，降低了时延性能，并满足了更多的需求。

Aug, 2019

快速可扩展的深度学习与拉格朗日方法集成的网络切片

我们提出了一种新颖的框架，将约束优化方法和深度学习模型相结合，从而实现了强大的泛化能力和优越的逼近能力，基于该框架，我们设计了一种新的神经辅助算法，以在切片之间的资源限制下最大化网络效用，该算法具有高可扩展性，轻松适应不同数量的切片和切片配置，通过与深度强化学习方法等最先进的解决方案进行比较，我们在系统级网络模拟器中实施了该解决方案，并通过大量评估结果表明，在不同网络切片场景下，我们的解决方案获得了近乎最优的服务质量满意度和有希望的泛化性能。

Jan, 2024

深度对抗神经网络实现最优和快速实时资源切片

本文提出了一种具有先进的深度弈算法的网络切片方法，用于快速实时的网络资源分配，该方法在动态用户需求时，通过将各种类型的资源切片到不同的用户类别下的虚拟切片中来最大化网络提供商的长期回报，并能够在多资源同时优化时更快地获得最优平均回报。

Feb, 2019

网络分片资源管理的深度强化学习

本研究探讨了深度强化学习在网络切片资源管理中的应用，并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时，从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。

May, 2018