LLM与天空相遇：面向安全异构无人机网络的启发式多智能体强化学习
网络与互联网体系结构
2025-07-24 v1 人工智能
密码学与安全
摘要
本工作解决了在推进能量约束下，异构无人机网络中最大化保密速率的物理层安全问题。与假设无人机能力均一或忽略能量-安全权衡的先前研究不同，我们考虑了一个现实场景，其中具有不同有效载荷和计算资源的无人机协作服务地面终端，同时存在窃听者。为管理无人机运动与通信之间的复杂耦合，我们提出了一种分层优化框架。内层使用基于半定松弛的S2DC算法，结合惩罚函数和凸差规划，在固定无人机位置下解决保密预编码问题。外层引入了一种大语言模型引导的启发式多智能体强化学习方法，用于轨迹优化。LLM-HeMARL高效地整合了由LLM生成的专家启发式策略，使无人机能够学习能量感知、安全驱动的轨迹，而无需实时调用LLM的推理开销。仿真结果表明，我们的方法在保密速率和能量效率方面优于现有基线，并在不同无人机群规模和随机种子下表现出一致的鲁棒性。
引用
@article{arxiv.2507.17188,
title = {LLM Meets the Sky: Heuristic Multi-Agent Reinforcement Learning for Secure Heterogeneous UAV Networks},
author = {Lijie Zheng and Ji He and Shih Yu Chang and Yulong Shen and Dusit Niyato},
journal= {arXiv preprint arXiv:2507.17188},
year = {2025}
}
备注
Submitted to IEEE Transactions on Mobile Computing