Control and Management of Multiple RATs in Wireless Networks: An SDN Approach
电信运营商正在使用各种无线电接入技术(RAT)来向移动订户提供服务。这种发展强调了对不同RAT的统一控制和管理的需求。虽然多种RAT共存于当今的蜂窝网络中,但是每种RAT由一组不同的实体控制。这可能导致整个网络资源的次优利用。在这篇文章中,我们回顾了工业界和学术界提出的多RAT控制的各种架构。我们还提出了一种新的基于SDN的网络架构,用于端到端的控制和管理不同的RAT。该架构是可扩展的,并提供了一个框架,以提高网络性能,在目前的架构和建议,在现有的文献。我们的架构还提供了一个框架,在RAT不可知的方式部署应用程序。它有助于网络切片,并能够向最终用户提供服务质量(QoS)保证。我们还开发了一个基于ns-3的评估平台来评估该架构所提供的性能。使用该平台获得的实验结果表明,我们的架构所提供的好处。
2018-12-06 eess.SP
Hacking the Waveform: Generalized Wireless Adversarial Deep Learning
本文通过提出针对无线深度学习系统的对抗性学习攻击的第一次全面分析和实验评估,推进了最新技术水平。我们假设了一系列的对抗攻击,并制定了一个广义无线对抗机器学习问题(GWAP),我们分析了无线信道和对抗波形对攻击的有效性的综合影响。我们提出了一种新的神经网络架构,称为FIRNet,它可以被训练成只根据其输出来“破解”分类器。我们广泛评估了(i)1,000个设备的无线电指纹数据集和(ii)24类调制数据集的性能。几种信道条件下获得的结果表明,我们的算法可以降低分类器的准确性高达3倍。我们还在无线电测试平台上对FIRNet进行了实验评估,并表明我们的数据驱动黑盒方法可以混淆高达97%的分类器,同时将波形失真保持在最低限度。
2020-05-05 cs.NI eess.SP
A deep adversarial approach based on multi-sensor fusion for remaining useful life prognostics
多传感器系统正在资产管理行业和结构健康管理社区中迅速发展。资产管理人员开始需要一个动态和健康管理系统来预测和评估维护决策。这些系统处理大型机械数据和多传感器融合,并集成剩余使用寿命预测功能。我们引入了一种深度对抗学习方法来进行损伤识别。提出了一种基于变分推理的非马尔可夫模型,并结合对抗训练算法框架。该框架被应用到一个公共的多传感器数据集的涡扇发动机,以证明其预测剩余使用寿命的能力。我们发现,使用基于深度对抗的方法可以实现更高性能的剩余使用寿命预测。
2019-09-24 eess.SP
Jamming Identification with Differential Transformer for Low-Altitude Wireless Networks
针对低空无线网络中深度学习干扰识别易受对抗样本攻击的问题,本文提出差分Transformer框架,结合随机掩码训练和双分支一致性正则化,有效提升干扰识别鲁棒性。
2025-08-17 eess.SP
Delay Management Using Packet Fragmentation in Wireless Industrial Automation Systems
Millennium Institute of Technology(千年理工学院);DHA Suffa University(DHA苏法大学)
针对工业自动化的时延管理需求,本文对比了FROG-MAC与FPS-MAC两种异构无线网络MAC方案,在Contiki平台的单跳星型拓扑仿真中验证了FROG-MAC在能效和时延上的优势。
2025-10-21 eess.SP
LoRa-RL: Deep Reinforcement Learning for Resource Management in Hybrid Energy LoRa Wireless Networks
LoRa无线网络被认为是下一代物联网(IoT)系统的关键技术。新的物联网部署(例如,智能城市场景)每平方公里可能具有数千个设备,导致提供连接的巨大功耗。在本文中,我们研究了由电网和可再生能源混合供电的绿色LoRa无线网络,它可以在处理间歇性供应的同时受益于收获的能量。本文提出了有限数量的信道和扩频因子(SF)的资源管理方案,以提高LoRa网关的能量效率。首先,在满足系统的服务质量需求的同时使电网功耗最小化的问题被公式化。具体而言,这两种情况下的不相关和时间相关的信道进行了研究。最优的资源管理问题是通过解耦成两个子问题:信道和SF分配问题和能量管理问题。由于最优解的获得具有较高的复杂性,在线资源管理启发式算法,最大限度地减少电网的能源消耗。最后,考虑到信道和能量的相关性,自适应资源管理方案的基础上强化学习(RL),开发。仿真结果表明,所提出的资源管理方案提供了在LoRa无线网络中的可再生能源的有效利用。
2021-09-06 cs.NI eess.SP
Joint Wireless and Edge Computing Resource Management with Dynamic Network Slice Selection
网络切片是在边缘计算系统中实现低延迟计算卸载的一种有前途的方法。在本文中,我们考虑了网络切片下的边缘计算系统,其中无线设备生成延迟敏感的计算任务。我们解决的问题,联合动态分配的计算任务的切片,跨切片的无线电资源的管理和切片内的无线电和计算资源的管理。我们制定的联合切片选择和边缘资源管理(JSS-ERM)问题作为一个混合整数问题的目标,以最大限度地减少计算任务的完成时间。我们表明,JSS-ERM问题是NP-难的,并开发了一个近似算法与有界的逼近比的基础上的博弈论处理的问题。我们提供了大量的仿真结果表明,网络切片可以提高系统的性能相比,没有切片,所提出的解决方案可以实现显着的收益相比,平等的切片政策。我们的研究结果还表明,所提出的算法的计算复杂性是近似线性的设备的数量。
2020-01-22 cs.NI eess.SP
Evolution Toward 6G Wireless Networks: A Resource Management Perspective
在本文中,我们首先介绍了6 G无线网络的愿景、关键性能指标、关键使能技术(KCN)和服务。然后,我们强调了一系列的一般资源管理(RM)的挑战,以及独特的RM挑战对应于每个KET。6 G中独特的RM挑战需要将现有的基于优化的解决方案转变为人工智能/机器学习授权的解决方案。在续集中,我们制定了一个联合网络选择和子信道分配问题的6 G多频带网络,提供进一步增强的移动宽带(FeMBB)和极端超可靠低延迟通信(eURLLC)服务的地面和空中用户。我们的解决方案突出了多频段网络的有效性,并展示了与深度Q网络和双深度Q网络算法相比,深度Q学习在获得高效RM解决方案方面的鲁棒性,收敛速度更快。
2021-08-14 cs.NI eess.SP
Dynamic Uplink/Downlink Resource Management in Flexible Duplex-Enabled Wireless Networks
灵活双工是为了适应未来无线网络的信道和业务不对称性而提出的。在本文中,我们提出了两种新的算法在灵活的双工框架内的联合上行链路和下行链路的资源分配在多小区的情况下,命名为SAFP和RMDI,基于无线链路之间的干扰耦合的意识。数值结果表明,显著的性能增益的基线系统与固定的上行链路/下行链路资源配置,并在动态TDD方案,独立适应的配置,在每个小区随时间变化的业务量。所提出的算法实现了两倍的增长时,与基线方案相比,测量的最坏情况下的服务质量满意度水平,在低水平的流量不对称。当流量高度不对称时,增益更显着,因为它实现了三倍的增长。
2017-09-11 cs.CE eess.SP
Spectrum Coexistence, Network Dimensioning, and Cell-Free Architectures in 5G and 5G-Advanced Wireless Networks
University of Maryland, College Park(马里兰大学帕克分校)
本文综述了5G及5G-Advanced无线网络中的频谱共存、网络维度设计和无细胞架构等关键技术与挑战。
2026-02-06 eess.SP
Multi-Frequency Channel Modeling for Millimeter Wave and THz Wireless Communication via Generative Adversarial Networks
现代蜂窝系统越来越多地依赖于在多个不连续频带中的同时通信,以实现宏分集和增加的带宽。多频通信在毫米波(mmWave)和太赫兹(THz)频率中尤其重要,因为这些频带通常与较低频率耦合以实现鲁棒性。这些系统的评估需要统计模型,可以捕捉跨多个频率的信道路径的联合分布。本文提出了一种基于神经网络的多频双向统计信道模型训练方法。在所提出的方法中,每个被描述为一个多集群集,生成对抗网络(GAN)被训练来生成随机多集群配置文件,其中生成的集群数据包括集群的角度和延迟以及不同频率下的随机接收功率、角度和延迟扩展的向量。该模型可方便地应用于多频链路或网络层仿真。该方法被证明在28和140 GHz的训练从广泛的射线跟踪数据的城市微蜂窝链路建模。该方法使最小的统计假设和实验表明,该模型可以捕捉有趣的频率之间的统计关系。
2022-12-22 eess.SP
Autonomous Energy Management system achieving piezoelectric energy harvesting in Wireless Sensors
无线传感器网络(WSNs)广泛用于监测应用,例如智能建筑中的湿度和温度传感、工业自动化和预测作物健康。传感器节点被部署在遥远的地方,从环境中感知数据信息,并将感知数据传输到基站(BS)。当传感器耗尽能量时,如果没有替代能源,它将无法再发挥其作用。然而,传感器电池中的有限能量阻碍了此类应用中的长期过程。此外,更换传感器的电池和重新部署传感器在时间和预算方面非常昂贵。为了在不改变传感器尺寸的情况下克服能量限制,研究人员提出了使用能量收集来通过电力重新加载可充电电池。因此,需要有效的功率管理来增加具有额外环境能量的益处。本文提出了一种新的能量自我管理的基础上的比例积分微分控制器(PID)调整的能量收集和微处理器控制器单元(MCU)控制的传感器模式。
2019-09-17 cs.NI eess.SP
Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training
Indian Institute of Technology Guwahati(印度理工学院古瓦哈蒂分校);Linköping University(林雪平大学)
深度学习(DL)在无线系统应用中的成功出现引发了人们对新的安全相关挑战的担忧。其中一个安全挑战是对抗攻击。虽然已经有很多工作证明了基于DL的分类任务对对抗攻击的敏感性,但从攻击的角度来看,迄今为止还没有研究无线系统背景下基于回归的问题。本文的目的是双重的:(i)我们考虑在无线环境中的回归问题,并表明对抗攻击可以打破基于DL的方法,(ii)我们分析了对抗训练作为对抗环境中的防御技术的有效性,并表明基于DL的无线系统对攻击的鲁棒性显着提高。具体而言,本文考虑的无线应用是基于DL的功率分配在下行链路的多小区大规模多输入多输出系统,其中攻击的目标是产生一个不可行的解决方案的DL模型。我们扩展了基于梯度的对抗攻击:快速梯度符号法(FGSM),动量迭代FGSM,和投影梯度下降方法来分析所考虑的无线应用程序的敏感性,并没有对抗训练。我们分析了深度神经网络(DNN)模型对这些攻击的性能,其中对抗性扰动是使用白盒和黑盒攻击来制作的。
2022-06-14 cs.AI cs.LG eess.SP
Resource Allocation for a Wireless Coexistence Management System Based on Reinforcement Learning
OWL University of Applied Sciences(东威斯特伐利亚应用科学大学);Institute of Industrial Information Technologies(工业信息技术研究所)
在工业环境中,使用越来越多的无线设备,这些设备利用免许可频带。由于这些相互干扰的无线系统可能会降低共存的状态。因此,需要一种中央共存管理系统,其将无冲突资源分配给无线系统。为了确保无冲突的资源利用,在分配资源之前预测预期的介质利用是有用的。本文提出了一种基于强化学习的自学习概念。基于神经网络的强化学习代理的模拟评估,称为深度Q网络和双深度Q网络,实现了示例性和实际相关的共存场景。对双深度Q网络的评估表明,在所有调查的情况下,预测准确率至少可以达到98%。
2018-05-24 cs.LG cs.NI eess.SP
AI Empowered Resource Management for Future Wireless Networks
资源管理在无线网络中起着关键的作用,不幸的是,这导致了具有挑战性的NP难题。人工智能(AI),特别是深度学习技术,最近已经成为以实时方式解决此类挑战性问题的颠覆性技术。然而,尽管已经报告了有希望的结果,但基于AI的方法的实用设计指南和性能保证仍然缺失。在本文中,我们努力解决两个基本问题:1)与经典技术相比,基于AI的方法的主要优势是什么?2)对于给定的资源管理任务,我们应该选择哪种神经网络。对于第一个问题,确定并讨论了四个优点。对于第二个问题,\emph{optimality gap},即,的差距,最佳性能,提出了作为一种措施,选择模型架构,以及,使不同的基于AI的方法之间的理论比较。具体来说,对于$K$ -用户干扰管理问题,我们从理论上证明了图神经网络(GNNs)优于多层感知器(MLP),并且这两种方法之间的性能差距随着$\sqrt{K}$而增长。
2021-06-11 cs.IT eess.SP math.IT
State-Augmented Learnable Algorithms for Resource Management in Wireless Networks
University of Pennsylvania(宾夕法尼亚大学);Intel Labs, Intel Corporation(英特尔公司英特尔实验室)
我们认为,在多用户无线网络中的资源管理问题,这可以被铸造为优化网络范围内的效用函数,受到整个网络的用户的长期平均性能的约束。我们提出了一种状态增强算法,用于解决上述无线电资源管理(RRM)问题,其中,除了瞬时网络状态,RRM策略作为输入的一组对应于约束的双变量,这取决于在执行过程中违反了多少约束。我们从理论上表明,所提出的状态增强算法导致可行的和接近最优的RRM决策。此外,专注于使用图神经网络(GNN)参数化的无线功率控制的问题,我们证明了所提出的RRM算法的优越性在一套数值实验的基线方法。
2022-12-11 cs.IT cs.LG eess.SP
Adversarial Attacks and Defenses for Wireless Signal Classifiers using CDI-aware GANs
本文提出CDI感知GAN,通过生成服从高斯分布且考虑真实信道效应的对抗扰动,既能作为攻击者有效欺骗无线信号调制分类器,也能作为防御者显著提升分类器的对抗鲁棒性。
2023-11-30 cs.IT cs.NI eess.SP
Vision-Assisted mmWave Beam Management for Next-Generation Wireless Systems: Concepts, Solutions and Open Challenges
本文提出了一种基于视觉数据的毫米波波束管理综合框架,利用机器学习算法在无需信道信息的情况下为用户设备选择最佳波束,并构建仿真平台验证了其在下一代无线系统中的有效性。
2023-03-31 cs.IT eess.SP math.IT
Evaluating Adversarial Evasion Attacks in the Context of Wireless Communications
Virginia Tech(弗吉尼亚理工大学)
射频机器学习(RFML)的最新进展已经证明了将原始同相和正交(IQ)样本用于多个频谱感测任务。然而,在其他应用中,深度学习技术已被证明容易受到对抗性机器学习(ML)技术的影响,这些技术试图制造添加到输入中的小扰动以导致错误分类。目前的工作根据攻击的执行位置区分了对抗性ML对RFML系统构成的威胁:直接访问分类器输入,通过空中同步传输(OTA)或从单独的设备异步传输。此外,目前的工作开发了一种方法来评估对抗成功的背景下,无线通信,其中感兴趣的主要指标是误比特率,而不是人类的感知,是在图像识别的情况下。该方法使用著名的快速梯度符号方法来评估基于原始IQ的自动调制分类的漏洞,并得出结论RFML容易受到对抗性的例子,即使在OTA攻击。然而,在OTA攻击中会遇到的RFML域特定接收器效应可以对对抗规避造成重大损害。
2019-03-01 cs.LG eess.SP stat.ML
Adversarial Robustness of Distilled and Pruned Deep Learning-based Wireless Classifiers
Indian Institute of Technology Guwahati(印度古瓦哈蒂印度理工学院)
针对无线信号自动调制分类在边缘应用中易受对抗攻击的问题,提出结合知识蒸馏与网络剪枝的优化模型并辅以高效对抗训练,在提升干净样本准确率的同时显著增强了对抗鲁棒性。
2024-04-11 cs.CR cs.IT cs.LG
Optimal Energy Management Strategies in Wireless Data and Energy Cooperative Communications
本文提出了一种新的协作无线通信网络策略,结合能源合作和数据合作。该协议的模型建立,设计目标配方,和算法的吞吐量最大化的提出和说明使用一个三节点网络,两个能量收集(EH)的用户节点和一个目的节点。传输模型是建立从性能分析,共四个场景。基于该模型,我们寻求找到最佳的能源管理策略,通过联合优化每个用户的时间分配,在这些时间间隔的功率分配,以及在用户节点的数据吞吐量,以最大限度地提高总吞吐量,或者,在所有情况下,两个用户的最小吞吐量。提出了一种加速牛顿障碍算法和一种基于传输模型局部二次近似的替代算法来求解上述优化问题。在实际环境下的数值实验提供了支持的意见,我们的性能分析。
2018-01-28 cs.IT eess.SP math.IT
Optimal Resource Management for Hierarchical Federated Learning over HetNets with Wireless Energy Transfer
针对工业物联网异构网络中资源受限设备开展分层联邦学习的能效挑战,提出结合无线能量传输的启发式资源管理算法H2RMA,在训练损失和电网能源成本上实现更优性能。
2023-05-03 cs.NI eess.SP
Channel-Aware Adversarial Attacks Against Deep Learning-Based Wireless Signal Classifiers
University of Maryland(马里兰大学);Intelligent Automation, a BlueHalo Company(Intelligent Automation(BlueHalo 旗下公司));Virginia Tech(弗吉尼亚理工大学)
本文提出了针对基于深度学习的无线信号分类器的信道感知对抗攻击。有一种发射机,它发射具有不同调制类型的信号。在每个接收器处使用深度神经网络来将其空中接收信号分类为调制类型。同时,对手发送对抗性扰动(受到功率预算的影响)以欺骗接收器在将接收到的信号分类为发送信号和对抗性扰动的叠加时出错。首先,这些规避攻击失败时,不考虑设计对抗扰动的渠道。然后,现实的攻击,提出了考虑从对手到每个接收机的信道效应。在表明信道感知攻击是选择性的(即,它只影响其信道在扰动设计中被考虑的接收机),通过制作共同的对抗性扰动以同时欺骗不同接收机处的分类器来呈现广播对抗性攻击。调制分类器对空中对抗攻击的主要脆弱性通过考虑关于信道、发射机输入和分类器模型的不同水平的可用信息来显示。最后,一个认证的防御随机平滑的基础上,增加训练数据与噪声的调制分类器鲁棒对抗扰动。
2021-12-20 cs.LG cs.NI eess.SP
To Supervise or Not: How to Effectively Learn Wireless Interference Management Models?
University of Minnesota(明尼苏达大学);Shenzhen Research Institute of Big Data(深圳市大数据研究院);Michigan State University(密歇根州立大学)
机器学习已经成功地解决了无线干扰管理问题。不同类型的深度神经网络(DNN)已经被训练来完成关键任务,如功率控制,波束成形和准入控制。对于这种基于DNN的干扰管理模型,存在两种流行的训练范例:监督学习(即,拟合由优化算法生成的标签)和无监督学习(即,直接优化某些系统性能测量)。虽然这两种范式在实践中得到了广泛的应用,但由于缺乏对这两种方法的理论理解,如何系统地理解和比较它们的性能还不清楚。在这项工作中,我们进行了理论研究,以提供一些深入了解这两个培训范式。首先,我们展示了一个有点令人惊讶的结果,对于一些特殊的功率控制问题,无监督学习的表现可能比有监督学习差得多,因为它更有可能停留在一些低质量的局部解上。然后,我们提供了一系列的理论结果,以进一步了解这两种方法的属性。一般来说,我们表明,当高质量的标签可用时,监督学习比无监督学习更不可能停留在解决方案上。此外,我们开发了一种半监督学习方法,该方法适当地整合了这两种训练范式,并且可以有效地利用有限数量的标签来找到高质量的解决方案。据我们所知,这些是第一组理论成果,试图了解不同的培训方法,在基于学习的无线通信系统设计。
2021-12-28 cs.LG eess.SP
A State-Augmented Approach for Learning Optimal Resource Management Decisions in Wireless Networks
University of Pennsylvania(宾夕法尼亚大学);Intel Corporation(英特尔公司)
我们认为在多用户无线网络中的无线电资源管理(RRM)的问题,其中的目标是优化网络范围内的效用函数受到约束的遍历平均性能的用户。我们提出了一个状态增强参数化的RRM政策,其中旁边的瞬时网络状态,RRM政策作为输入的一组对偶变量对应的约束。我们提供了理论上的理由的可行性和近最优的RRM决定所提出的状态增强算法。专注于RRM政策参数化的图神经网络(GNN)和双变量的双下降动态的功率分配问题,我们数值证明,所提出的方法实现了优越的平均值,最小值和第5百分位率之间的权衡比基线方法。
2022-11-09 cs.IT cs.LG eess.SP
How to Make 5G Communications "Invisible": Adversarial Machine Learning for Wireless Privacy
University of Maryland(马里兰大学);Intelligent Automation, Inc.(智能自动化公司)
我们考虑的问题隐藏无线通信从窃听者,采用深度学习(DL)分类器来检测是否存在任何感兴趣的传输。存在一个发射机,在窃听者存在的情况下向其接收机发送,而合作干扰机(CJ)通过空中发送精心制作的对抗性扰动,以欺骗窃听者将接收到的信号叠加归类为噪声。CJ对扰动信号的强度设置上限,以限制其对接收机处的误比特率(BER)的影响。我们表明,这种对抗性的扰动导致窃听者误分类接收到的信号作为噪声的概率很高,而增加的BER只有轻微的。另一方面,CJ无法像传统干扰那样通过简单地传输高斯噪声来欺骗窃听者,而是需要通过对抗性机器学习构建扰动信号来实现隐蔽通信。我们的研究结果表明,具有不同调制类型的信号以及最终的5G通信可以有效地隐藏在窃听者的视线之外,即使它配备了DL分类器来检测传输。
2020-05-15 cs.LG cs.NI eess.SP
Average Reward Reinforcement Learning for Wireless Radio Resource Management
University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
针对无线资源管理中折扣报酬强化学习与无折扣优化目标不匹配的问题,提出平均报酬离策略软演员评论家方法,仿真显示系统性能较传统方法提升15%。
2025-01-12 cs.IT cs.LG cs.NI
Over-the-Air Adversarial Attacks on Deep Learning Based Modulation Classifier over Wireless Channels
University of Maryland(马里兰大学);Intelligent Automation, Inc.(智能自动化公司)
我们考虑一个无线通信系统,它由一个发射机,一个接收机,和一个对手。发射机发射具有不同调制类型的信号,而接收机使用基于深度学习的分类器将其接收的信号分类为调制类型。与此同时,对手进行空中传输,这些传输被接收为与发射机的信号叠加,以欺骗接收机处的分类器出错。虽然这种规避攻击最近受到了越来越多的关注,从对手到接收器的信道效应已被忽略到目前为止,使以前的攻击机制不能在现实的信道效应下应用。在本文中,我们提出了如何通过考虑从对手到接收器的信道来发起一个现实的规避攻击。我们的研究结果表明,调制分类是容易受到对抗性攻击的无线信道,建模为瑞利衰落路径损耗和阴影。我们提出了各种对抗性攻击的可用性信息的渠道,发射机输入,分类器架构。首先,我们提出了两种类型的对抗性攻击,即有针对性的攻击(具有最小功率)和非有针对性的攻击,其目的是分别将分类更改为目标标签或真实标签以外的任何其他标签。两者都是白盒攻击,是发射机输入特定的,并使用信道信息。然后,我们介绍了一种算法来生成对抗性攻击使用有限的信道信息,对手只知道的信道分布。最后,我们提出了一个黑盒通用对抗扰动(UAP)攻击的对手有有限的知识,信道和发射机输入。
2020-02-13 cs.LG cs.NI eess.SP
Human-in-the-Loop Wireless Communications: Machine Learning and Brain-Aware Resource Management
以人为中心的应用,如虚拟现实和沉浸式游戏将是未来无线网络的核心。这些服务的共同特征包括:a)它们依赖于人类用户的行为和状态,以及b)与传统蜂窝应用相比,它们需要更多的网络资源。为了在无线和蜂窝系统上成功地部署这样的应用,网络必须不仅认识到应用的服务质量(QoS)需求,而且认识到人类用户对该QoS的感知。在本文中,通过明确建模的局限性,人类用户在无线网络中的延迟感知的具体措施。然后,提出了一种新的学习方法,称为概率分布识别,找到一个概率模型,这种延迟感知的基础上的人类用户的大脑特征。所提出的学习方法使用监督和无监督学习技术来建立一个高斯混合模型的人脑功能。给出了一个人脑延迟感知模型,提出了一种基于李雅普诺夫优化的脑感知资源管理算法,在最小化发射功率的同时,兼顾机器设备和用户的可靠性,为用户分配无线资源.该算法具有较低的复杂度。此外,一个封闭的形式之间的关系的可靠性措施和无线物理层度量的网络。使用来自实际人类用户的真实数据的模拟结果表明,与系统相比,大脑感知方法可以节省高达78%的功率
2019-07-10 cs.IT eess.SP math.IT
ADL-ID: Adversarial Disentanglement Learning for Wireless Device Fingerprinting Temporal Domain Adaptation
Oregon State University(俄勒冈州立大学)
随着5G标准化的旅程即将结束,学术界和工业界已经开始考虑第六代(6 G)无线网络,旨在满足未来十年的服务需求。基于深度学习的RF指纹识别(DL-RFFP)最近被认为是实现关键无线网络应用和服务(例如频谱策略实施和网络访问控制)的潜在解决方案。当使用从与用于训练数据的域不同的域提取的数据进行测试时,最先进的DL-RFFP框架遭受显著的性能下降。在本文中,我们提出了ADL-ID,一个无监督的域自适应框架,它是基于对抗解纠缠表示,以解决RFFP任务的时间领域自适应。我们的框架已经在真实的LoRa和WiFi数据集上进行了评估,与短期时间适应的基线CNN网络相比,准确性提高了约24%。它还将长期时间适应的分类精度提高了9%。此外,我们还发布了从50台Pycom设备收集的为期5天、2.1TB的大规模WiFi 802.11b数据集,以支持研究社区开发和验证强大的RFFP方法。
2023-01-29 cs.CR cs.LG eess.SP
Deep Reinforcement Learning for Radio Resource Allocation and Management in Next Generation Heterogeneous Wireless Networks: A Survey
下一代无线网络预计将非常复杂,因为它们在所包含的网络架构类型、所服务的智能物联网设备的类型和数量以及所支持的新兴应用类型方面具有巨大的异质性。在这样的大规模异构网络(HetNet)中,无线电资源分配和管理(RRAM)成为系统设计和部署过程中遇到的主要挑战之一。在这种情况下,新兴的深度强化学习(DRL)技术预计将成为未来无线HetNet中解决RRAM的主要技术之一。在本文中,我们进行了系统的深入,全面调查的应用DRL技术在RRAM的下一代无线网络。为此,我们首先概述了现有的传统RRAM方法,并确定其局限性,激励在RRAM中使用DRL技术。然后,我们提供了一个全面的审查最广泛使用的DRL算法来解决RRAM问题,包括基于值和策略的算法。每个算法的优点,局限性和用例提供。然后,我们进行了全面和深入的文献综述和现有的相关工作进行分类的基础上,他们正在解决的无线电资源和类型的无线网络,他们正在调查。为此,我们仔细识别在每个相关工作中使用的DRL算法的类型,这些算法的元素,以及每个相关工作的主要发现。最后,我们强调了重要的开放性挑战,并提供了深入了解基于DRL的RRAM的背景下,未来的几个研究方向。本调查旨在引导和激励更多的研究工作,为未来的无线网络构建高效和细粒度的基于DRL的RRAM方案。
2021-05-25 cs.SY eess.SP eess.SY
Decision Transformers for Wireless Communications: A New Paradigm of Resource Management
针对DRL在无线资源管理中样本效率低、泛化差且收敛慢的问题,提出基于Decision Transformer的云边协同自适应决策架构,在智能反射面与无人机场景下实现3至6倍收敛加速及更优性能。
2024-10-14 cs.IT eess.SP math.IT
Channel Effects on Surrogate Models of Adversarial Attacks against Wireless Signal Classifiers
University of Maryland(马里兰大学);Intelligent Automation, Inc.(智能自动化公司)
我们考虑一个无线通信系统,包括一个背景发射器,一个发射器,和一个对手。发射器配备有深度神经网络(DNN)分类器,用于检测来自背景发射器的正在进行的传输,并且如果频谱空闲则发送信号。同时,对手通过观察频谱来训练自己的DNN分类器作为代理模型,以检测背景发射器的正在进行的传输,并生成对抗性攻击,以欺骗发射器将信道错误分类为空闲。该代理模型可能与发射机的分类器显著不同,因为对手和发射机经历来自背景发射机的不同信道,因此它们的分类器是用不同的输入分布来训练的。该系统模型可以表示背景发射器是主要用户、发射器是次要用户并且即使信道被主要用户占用对手也试图欺骗次要用户进行发射的设置。我们考虑不同的拓扑结构来研究对手训练的不同代理模型(取决于对手所经历的信道效应的差异)如何影响对抗性攻击的性能。仿真结果表明,用不同分布的信道诱导输入训练的代理模型严重限制了攻击性能,并表明对抗性攻击的可转移性既不容易获得也不容易实现,因为用于无线应用的代理模型可能与目标模型显著不同,这取决于信道效应。
2021-03-09 cs.LG cs.NI eess.SP
Generative Adversarial Network for Wireless Signal Spoofing
Intelligent Automation, Inc.(智能自动化公司)
本文提出了一种新的方法欺骗无线信号通过使用一般的对抗网络(GAN)生成和发送合成信号,不能可靠地区分从预期的信号。在无线信号通过接收器链之前,在PHY层对无线信号进行认证至关重要。为此,需要捕获原始无线信号固有的各种波形、信道和无线电硬件特征。与此同时,对手变得更加成熟,拥有在欺骗之前记录、分析和操纵信号的认知无线电能力。基于深度学习技术,本文介绍了一种欺骗攻击,由一个发送器和一个接收器组成的对手对承担GAN中的生成器和发送器角色,并进行极大极小博弈以生成最佳欺骗信号,旨在欺骗最训练有素的防御机制。这种方法的结果是双重的。从攻击者的角度来看,基于深度学习的欺骗机制被训练成可能欺骗防御机制,如RF指纹识别。从防御者的角度来看,当发送器和接收器的对手对合作时,基于深度学习的防御机制被训练以对抗潜在的欺骗攻击。针对随机信号、重放和基于GAN的欺骗攻击,测量欺骗信号被误分类为预期信号的概率。结果表明,即使使用深度学习分类器作为防御,基于GAN的欺骗攻击也大大提高了无线信号欺骗的成功概率。
2019-05-07 cs.LG cs.NI eess.SP
LORM: Learning to Optimize for Resource Management in Wireless Networks with Few Training Samples
Hong Kong University of Science and Technology(香港科技大学);ShanghaiTech University(上海科技大学);The Hong Kong Polytechnic University(香港理工大学)
有效的资源管理在无线网络中起着至关重要的作用,不幸的是,在大多数情况下,这会导致具有挑战性的混合整数非线性规划(MINLP)问题。基于机器学习的方法最近已经成为一种破坏性的方式,以获得接近最佳性能的MINLP与负担得起的计算复杂性。已经有一些尝试将这样的方法应用于无线网络中的资源管理,但是这些尝试需要大量的训练样本并且缺乏处理约束问题的能力。此外,当网络参数发生变化时,它们会遭受严重的性能恶化,这通常会发生,被称为任务不匹配问题。在本文中,为了降低样本的复杂性和解决可行性问题,我们提出了一个学习优化资源管理(LORM)的框架。LORM通过一种样本有效的方法,即模仿学习,而不是在以前的研究中采用的端到端的学习方法,学习MINLP的分支定界算法中的最优剪枝策略。为了进一步解决任务不匹配的问题,我们在LORM中通过自我模仿开发了一种迁移学习方法,称为LORM-TL,它可以快速地使预训练的机器学习模型适应新任务,只需少量额外的未标记训练样本。数值模拟将证明,LORM优于专门的最先进的算法,并实现接近最佳的性能,同时实现显着的加速比相比,分支定界算法。此外,LORM-TL依靠一些未标记的样本,实现了与使用足够标记样本从头开始训练的模型相当的性能。
2019-05-16 cs.IT cs.LG eess.SP
Learning to Optimize: Training Deep Neural Networks for Wireless Resource Management
在过去的几十年里,数值优化在解决无线资源管理问题(如功率控制和波束形成器设计)方面发挥了核心作用。然而,优化算法往往带来相当大的复杂性,这造成了理论设计/分析和实时处理之间的严重差距。为了应对这一挑战,我们提出了一种新的基于学习的方法。其关键思想是将资源分配算法的输入和输出视为未知的非线性映射,并使用深度神经网络(DNN)对其进行近似。如果非线性映射可以通过中等规模的DNN准确学习,那么资源分配几乎可以实时的完成-因为通过DNN传递输入只需要少量的简单操作。在这项工作中,我们解决的理论和实践方面的DNN为基础的算法近似与无线资源管理的应用。我们首先确定了一类优化算法,这些算法在理论上可以通过完全连接的DNN“学习”。然后,我们专注于基于DNN的近似的一个流行的功率分配算法命名为WMMSE(石{ \it等} 2011)。我们表明,使用DNN近似WMMSE可以是相当准确的-近似误差$ε$依赖于温和的[在$\log(1/ε)$的顺序]上的神经元和层的DNN的数量。在实现方面,我们使用大量的数值模拟来证明,与基于优化的最先进的功率分配算法相比,DNN可以在计算时间上实现数量级的加速。
2017-10-25 cs.IT eess.SP math.IT
Deep Learning for Distributed Optimization: Applications to Wireless Resource Management
Pukyong National University(釜庆国立大学);Korea University(高丽大学);Singapore University of Technology and Design(新加坡科技设计大学);Kyung Hee University(庆熙大学)
本文研究了一种深度学习(DL)框架来解决无线网络中的分布式非凸约束优化问题,其中多个计算节点通过回程链路互连,希望根据本地观测值确定其状态的有效分配。两种不同的配置被认为是:第一,一个无限容量的回程使节点以无损的方式进行通信,从而获得集中计算的解决方案。其次,一个实际的有限容量的回程导致部署分布式求解器配备随着量化器通过容量有限的回程通信。分布的性质和非凸性的优化,使解决方案的识别笨拙。为了处理它们,引入深度神经网络(DNN)来精确地近似解的未知计算。因此,原始问题被转换为DNN的训练任务,受到非凸约束,其中现有DL库无法直接扩展。基于原对偶方法提出了一种约束训练策略。对于分布式实现,一种新的二值化技术,在输出层的量化在每个节点。我们提出的分布式DL框架中检查各种网络配置的无线资源管理。数值结果验证了我们提出的方法比现有的优化技术的有效性。
2019-05-31 cs.IT cs.LG eess.SP
Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks
ShanghaiTech University(上海科技大学);Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学);University of Waterloo(滑铁卢大学)
资源受限的无线网络中的联邦学习(FL)最近引起了广泛的关注。然而,大多数现有的研究考虑一个FL任务在单小区无线网络中,忽略了下行链路/上行链路小区间干扰对学习性能的影响。在本文中,我们调查FL在多小区无线网络,其中每个小区执行不同的FL任务和空中计算(AirComp),使快速上行链路梯度聚合。我们进行了AirComp-assisted FL系统的收敛分析,考虑到下行链路和上行链路模型/梯度传输中的小区间干扰,这表明失真的模型/梯度交换会导致间隙,从而阻碍FL的收敛。我们描述了错误诱导间隙区域的Pareto边界,以量化不同FL任务之间的学习性能权衡,基于此,我们用公式表示优化问题,以最小化所有小区中的误差引起的间隙的总和。为了解决下行链路和上行链路传输之间的耦合以及多个小区之间的耦合,我们提出了一个合作的多小区FL优化框架,以实现有效的干扰管理的下行链路和上行链路传输设计。结果表明,我们所提出的算法在多个细胞比非合作基线计划取得更好的平均学习性能。
2022-06-06 cs.IT cs.LG eess.SP
Resource Management in Wireless Networks via Multi-Agent Deep Reinforcement Learning
HRL Laboratories, LLC(HRL实验室);Intel Corporation(英特尔公司);VMware, Inc.(VMware公司)
我们提出了一种使用多代理深度强化学习(RL)在无线网络中进行分布式资源管理和干扰缓解的机制。我们为网络中的每个发射机配备了一个深度RL代理,该代理接收来自其关联用户的延迟观测,同时还与其相邻代理交换观测,并决定在每个调度间隔服务哪个用户以及使用什么发射功率。我们提出的框架,使代理同时作出决定,并在一个分布式的方式,不知道其他代理的并发决策。此外,我们的代理的观察和动作空间的设计是可扩展的,在这个意义上说,一个代理训练的情况下,具有特定数量的发射机和用户可以应用到不同数量的发射机和/或用户的情况。仿真结果表明,我们提出的方法相比,分散的基线在平均和$5^{th}$百分位用户率之间的权衡方面的优越性,同时实现性能接近,甚至在某些情况下优于,集中式信息理论基线。我们还表明,我们训练有素的代理是强大的,并保持他们的性能增益时,遇到训练和测试部署之间的不匹配。
2021-01-11 cs.IT cs.LG cs.MA
Wireless Resource Management in Intelligent Semantic Communication Networks
James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院);University of Electronic Science and Technology of China(电子科技大学)
针对智能语义通信异构网络,本文引入知识库与消息系统吞吐量指标,联合优化用户关联和带宽分配,并提出随机规划与启发式算法相结合的两阶段方案。
2022-02-15 cs.AI cs.NI eess.SP
Adversarial Attacks against Deep Learning Based Power Control in Wireless Communications
University of Maryland(马里兰大学);Intelligent Automation, Inc.(智能自动化公司)
我们考虑基于对抗机器学习的功率分配攻击,其中基站(BS)通过使用深度神经网络(DNN)将其发射功率分配给多个正交子载波以服务多个用户设备(UE)。对应于回归模型的DNN是用信道增益作为输入来训练的,并返回发射功率作为输出。虽然BS向UE分配发射功率以最大化所有UE的速率,但是存在旨在最小化这些速率的对手。对手可以是外部发射机,其目的是通过干扰被发送以测量信道增益的导频信号来操纵DNN的输入。或者,对手可以是向BS发送伪造的信道估计的流氓UE。在这两种情况下,对手仔细地制造对抗性扰动,以操纵BS的DNN的输入,这些扰动的强度上界。我们考虑针对单个UE或所有UE的攻击。我们将这些攻击与基准进行比较,其中对手缩小了DNN的输入。我们证明了对抗性攻击在降低通信速率方面比基准攻击有效得多。我们还表明,对抗性攻击对对手的不确定性具有鲁棒性,包括对信道增益的错误认识以及完全按照指定进行攻击的潜在错误。
2021-10-12 cs.LG cs.NI eess.SP
Trojan Attacks on Wireless Signal Classification with Adversarial Machine Learning
Intelligent Automation, Inc.(智能自动化公司)
我们提出了一种特洛伊木马(后门或陷阱)攻击,目标是无线通信中的深度学习应用程序。深度学习分类器被认为使用原始(I/Q)样本作为特征并且使用调制类型作为标签来对无线信号进行分类。对手通过插入木马(即,触发器)通过修改它们的相位并将这些样本的标签改变为目标标签而仅对少数训练数据样本进行控制。该中毒的训练数据用于训练深度学习分类器。在测试(推断)时间,对手发送具有相同相移的信号,该相移在训练期间作为触发器添加。虽然接收器可以在没有触发器的情况下准确地对干净(未中毒)信号进行分类,但它不能可靠地对有触发器的中毒信号进行分类。这种隐形攻击保持隐藏,直到被有毒输入(特洛伊木马)激活以绕过信号分类器(例如,用于认证)。我们证明了这种攻击在不同的信道条件下是成功的,并且不能通过简单地用随机相位变化对训练数据和测试数据进行预处理来减轻。为了检测这种攻击,基于激活的离群值检测被认为是统计和聚类技术。我们发现,后者可以检测木马攻击,即使很少的样本中毒。
2019-10-23 cs.CR cs.LG cs.NI
Deep Learning For Experimental Hybrid Terrestrial and Satellite Interference Management
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)(加泰罗尼亚电信技术中心(CTTC/CERCA));Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
干扰管理是许多学科中存在的一个广泛主题。大多数无线标准都存在干扰入侵和网络效率下降的缺点。传统上,通过提出局部地最小化干扰影响的信号处理技术来解决干扰管理。然而,未来通信的快速发展使其难以适应新的时代。在本文中,我们提出使用深度学习技术来提供一个紧凑的干扰管理系统。特别是,我们描述了两个子系统能够检测干扰的存在,即使在高信号干扰比(SIR),和干扰分类在几个无线电标准。最后,我们根据从地面和卫星网络捕获的真实信号给出了结果,结论揭示了人工智能和无线通信的勇敢未来。
2019-06-07 cs.IT cs.LG eess.SP