FRIEND：面向 B5G 网络中多-RIS 配置与信耱智能检测的联合优化的联邦学习
机器学习
2026-03-12 v1
摘要
随着无线系统向 Beyond 5G（B5G）演进，采用无单元（CF）毫米波（mmWave）架构结合可重构智能表面（RIS）正成为实现 ultra-reliable、high-capacity、scalable and secure Industrial Internet of Things（IIoT）通信的关键使能器。然而，保护这些复杂且分布式环境免受信耱攻击仍是关键挑战，尤其是当传统安全机制难以克服可扩展性和延迟约束时。在本文中，提出了一种用于 RIS-enhanced cell-free mmWave 网络中检测恶意用户的新框架，使用联邦学习（FL）。设想的架构包括多个无边界的接入点（AP）协作，通过 RIS 节点动态塑造无线传播环境。边缘设备在本地观察到的信道状态信息（CSI）上进行深度卷积神经网络（DCNN）训练，无需交换原始数据。此外，融合了一种 early-exit 机制以满足计算复杂度要求。性能评估表明，FL 与多-RIS 协调的集成比基线非-RIS 辅助方法提高了约 30% 的实现保密率（SR），同时保持接近最优的检测准确率。这项工作为下一代 IIoT 部署建立了一个分布式、隐私保护的物理层信耱检测方法。
引用
@article{arxiv.2603.10977,
title = {FRIEND: Federated Learning for Joint Optimization of multi-RIS Configuration and Eavesdropper Intelligent Detection in B5G Networks},
author = {Maria Lamprini A. Bartsioka and Ioannis A. Bartsiokas and Anastasios K. Papazafeiropoulos and Maria A. Seimeni and Dimitra I. Kaklamani and Iakovos S. Venieris},
journal= {arXiv preprint arXiv:2603.10977},
year = {2026}
}
备注
8 pages with 5 figures and 2 tables. Accepted in 29th Conference on Innovation in Clouds, Internet and Networks (ICIN 2026)