增强 O-RAN 安全性：对基于图强化学习的连接管理的逃避攻击和健壮防御

May, 2024

增强 O-RAN 安全性：对基于图强化学习的连接管理的逃避攻击和健壮防御

Enhancing O-RAN Security: Evasion Attacks and Robust Defenses for Graph Reinforcement Learning-based Connection Management

PDF

Ravikumar Balakrishnan, Marius Arvinte, Nageen Himayat, Hosein Nikopour, Hassnaa Moustafa

TL;DR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。

Abstract

adversarial machine learning, focused on studying various attacks and defenses on machine learning (ML) models, is rapidly gaining importance as ML is increasingly being adopted for optimizing wireless systems su

adversarial machine learning open radio access networks (o-ran)security threats adversarial attacks defenses

发现论文，激发创造

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

一种安全且加速的基于深度强化学习的 O-RAN 切片的混合迁移学习方法

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

O-RAN 中网络切片的高效资源分配的半监督学习方法

我们提出了一种创新的方法，旨在协调 Open Radio Access Network（O-RAN）中的多个独立 xAPPs，以实现网络切片和资源分配，并优化用户设备（UE）之间的加权吞吐量和物理资源块（PRB）的分配。通过设计 power control xAPP 和 PRB allocation xAPP，我们的方法通过监督学习和无监督学习的组合实现了高效的网络切片问题解决方案。与其他方法相比，我们的方法在不同场景中展现出更高的性能和效果。

Jan, 2024

面向 O-RAN 的演员 - 评论家网络资源分配：xApp 设计，部署和分析

本文介绍了一种针对 O-RAN 的端到端设计和评估过程，探讨了如何利用两种不同的强化学习方法开发基于强化学习的 xApp，并考虑了最新发布的 O-RAN 架构和接口。

Sep, 2022

基于深度强化学习的智能 O-RAN URLLC 流量引导

该研究提出基于机器学习的交通引导方案以预测网络拥塞并在避免其的基础上通过优化设置来服务具备低延迟和高可靠性需求的 URLLC 应用。在 O-RAN 中，比传统反应式交通引导方法平均减少 15.81％的排队延迟。

Mar, 2023

ColO-RAN：在可编程实验平台上开发基于机器学习的 xApps，用于开放式 RAN 闭环控制

这篇论文介绍了 ColO-RAN，是一个能够解决缺少数据和实验测试基础设施的具有大规模的 O-RAN 测试框架，用于设计，训练，测试和评估基于深度强化学习 (DRL) 的闭环控制。它可以在真实网络上延迟进展，并提供了关于开发无线 DRL 管道的见解，从数据分析到 DRL 代理的设计，并在实际环境中展示了 ColO-RAN 的可移植性。

Dec, 2021

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

O-RAN 动态切片管理的演化深度强化学习

本文介绍了一种新的管理网络切片的框架，该框架使用了基于演化的深度强化学习 (EDRL) 方法，将 O-RAN 切片表示为马尔可夫决策过程 (MDP)，并通过对资源分配的最优解来满足服务需求，模拟结果表明，所提出的方法比 DRL 基线提高了 62.2% 的服务质量。

Aug, 2022

RLOps: 基于强化学习协助的开放式无线接入网开发生命周期

本文介绍了机器学习在 Open RAN 技术中的应用，提出了一种名为 RLOps 的系统化模型开发、测试和验证生命周期，探讨了该方法的最佳实践，并设计实现了一个基于 O-RAN 部署的数据分析平台。

Nov, 2021

在开放式无线接入网络中，保护机器学习驱动应用程序的数据隐私

通过深度学习和数据加密技术，本文提出了一种解决隐私泄漏问题的方法，以保护机器学习模型在共享数据库中的准确性和性能，并在频谱共享和干扰抑制应用中取得显著改进。

Feb, 2024