基于联邦强化学习的小区休眠控制中的分布式攻击
网络与互联网体系结构
2023-11-28 v1
摘要
联邦学习(FL)因其分布式实现和隐私保护特性在无线网络中尤为有用。然而,作为一个分布式学习系统,FL可能易受来自内部和外部的恶意攻击。我们的工作旨在研究启用FL的无线网络中的攻击模型。具体而言,我们考虑小区休眠控制场景,并应用联邦强化学习来提高能效。我们设计了三种攻击,即搭便车攻击、拜占庭数据投毒攻击和后门攻击。仿真结果表明,所设计的攻击会降低网络性能并导致更低的能效。此外,我们还探索了缓解上述攻击的可能方法。我们设计了一种称为refined-Krum的防御模型,通过在全球服务器上实现安全聚合来抵御攻击。所提出的refined-Krum方案优于现有的Krum方案,能够有效防止无线网络遭受恶意攻击,提升系统能效表现。
引用
@article{arxiv.2311.15894,
title = {Distributed Attacks over Federated Reinforcement Learning-enabled Cell Sleep Control},
author = {Han Zhang and Hao Zhou and Medhat Elsayed and Majid Bavand and Raimundas Gaigalas and Yigit Ozcan and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2311.15894},
year = {2023}
}