如何利用强化学习攻击与防御下一代无线接入网切片
网络与互联网体系结构
2022-09-16 v2
摘要
本文研究下一代（NextG）无线接入网中的网络切片强化学习（RL），其中基站（gNodeB）将资源块（RBs）分配给用户设备的请求，并旨在最大化随时间被接受请求的总奖励。基于对抗机器学习，引入一种新颖的空中攻击以操纵 RL 算法并破坏 NextG 网络切片。 adversary 观测频谱并构建自身的基于 RL 的替代模型，该模型在能量预算约束下选择干扰哪些 RBs，目标是最大化因 RBs 被干扰而失败的请求数。通过干扰 RBs，adversary 降低了 RL 算法的奖励。由于该奖励被用作更新 RL 算法的输入，即便 adversary 停止干扰，性能也无法恢复。该攻击在恢复时间以及（最大与总计）奖励损失方面得到评估，并被证明比基准（随机与短视）干扰攻击有效得多。引入不同的反应式与主动式防御方案（保护 RL 算法的更新或误导 adversary 的学习过程），以表明防御 NextG 网络切片抵御此类攻击是可行的。
引用
@article{arxiv.2101.05768,
title = {How to Attack and Defend NextG Radio Access Network Slicing with Reinforcement Learning},
author = {Yi Shi and Yalin E. Sagduyu and Tugba Erpek and M. Cenk Gursoy},
journal= {arXiv preprint arXiv:2101.05768},
year = {2022}
}