面向6G赋能物联网的边缘学习：漏洞、数据集与防御综述
密码学与安全
2024-02-09 v2
摘要
第五代(5G)无线网络的持续部署不断揭示其作为万物互联(IoE)应用关键驱动者原始概念相关的局限性。这些5G挑战推动了全球范围内使未来网络（如第六代(6G)网络）有效支持从自动驾驶能力到元宇宙等复杂应用的努力。边缘学习是一种在新的且强大的跨分布式客户端训练模型同时保护其数据隐私的方法。该方法有望嵌入包括6G在内的未来网络基础设施中，以解决资源管理和行为预测等挑战性问题。本综述文章对聚焦于6G赋能物联网(IoT)的边缘学习漏洞与防御的最新研究进行了整体回顾。我们总结了关于6G IoT安全的机器学习和机器学习相关威胁的现有综述，涵盖三种不同学习模式：集中式、联邦式和分布式。然后，我们概述了面向6G IoT智能的赋能新兴技术。此外，我们对针对机器学习的现有攻击研究进行了整体综述，并将威胁模型分为八类，包括后门攻击、对抗样本、组合攻击、投毒攻击、女巫攻击、拜占庭攻击、推断攻击和丢弃攻击。另外，我们对最先进的针对边缘学习漏洞的防御方法进行了全面详细的分类和并排比较。最后，随着新攻击和防御技术的实现，讨论了6G赋能IoT的新研究和未来整体展望。
引用
@article{arxiv.2306.10309,
title = {Edge Learning for 6G-enabled Internet of Things: A Comprehensive Survey of Vulnerabilities, Datasets, and Defenses},
author = {Mohamed Amine Ferrag and Othmane Friha and Burak Kantarci and Norbert Tihanyi and Lucas Cordeiro and Merouane Debbah and Djallel Hamouda and Muna Al-Hawawreh and Kim-Kwang Raymond Choo},
journal= {arXiv preprint arXiv:2306.10309},
year = {2024}
}
备注
This paper has been accepted for publication in IEEE Communications Surveys \& Tutorials