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

针对 Open Radio Access Networks (O-RAN) 的机器学习模型进行各种攻击和防御的对抗性机器学习研究，描述了威胁建模、逃逸攻击以及训练防御等内容，并展示了防御措施相较于无防御情况下将覆盖率提高 15% 的结果。

May, 2024

本文综述了深度学习中面临的隐私问题，以及已经提出的解决这些问题的技术，并提出了未来研究方向。

Apr, 2020

提出了使用深度强化学习 (DRL) 算法的开放无线接入网络 (O-RAN) 切片的转移学习 (TL) 辅助方法，通过政策复用和蒸馏转移学习方法实现了快速收敛和改进泛化能力，显著提高了初始奖励值和收敛场景百分比，减少了奖励方差。

Sep, 2023

利用 O-RAN 的智能和灵活的网络控制，本研究介绍了一种基于开放和可重构网络的用例，以预测切换事件，并理解此类预测对所有依赖通信网络进行业务的利益相关者的价值。我们提出了一种基于长短期记忆机器学习方法，使用标准无线接入网络测量数据来预测切换事件。通过在真实网络数据上进行训练，我们的结果表明所提出的方法可以根据应用层目标进行优化，以提高精度或召回率。我们还将机器学习算法的性能与网络运营成本联系起来，结果表明相比长期资源购买，基于机器学习的资源匹配可以将运营成本降低 80% 以上。

Apr, 2024

本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

Mar, 2020

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

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

本文介绍了如何通过发动一种空中成员推理攻击（MIA）来从无线信号分类器泄露私人信息的。攻击者可以使用泄露的信息利用机器学习模型的漏洞，这证明了无线信号分类器容易成为隐私威胁

Jun, 2020

本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

Sep, 2019