基于联邦学习的 MARL 用于强化 B5G 网络的物理层安全
信号处理
2025-07-10 v1 新兴技术
机器学习
网络与互联网体系结构
摘要
本文探讨了基于联邦学习的多主体强化学习（MARL）策略用于提升 beyond 5G 网络中多细胞网络的物理层安全（PLS）。在每个细胞中，基站（BS）作为深度强化学习（DRL）智能体，与周围环境交互以最大化合法用户的保密率，同时应对窃听者。该窃听者试图窃取在 BS 与其授权用户之间共享的机密信息。认为 DRL 智能体是联邦式的，因为它们仅与中心服务器共享网络参数而不共享其合法用户的私有数据。我们探索了两种 DRL 方法：深度 Q 网络（DQN）和强化学习深层策略梯度（RDPG），并进行比较。结果表明 RDPG 收敛速度更快于 DQN。此外，我们展示了所提方法优于分布式 DRL 方法。进一步地，结果说明了安全性与复杂度之间的权衡。
引用
@article{arxiv.2507.06997,
title = {Federated Learning-based MARL for Strengthening Physical-Layer Security in B5G Networks},
author = {Deemah H. Tashman and Soumaya Cherkaoui and Walaa Hamouda},
journal= {arXiv preprint arXiv:2507.06997},
year = {2025}
}