6G面向无线通信的联邦学习驱动的动态频谱共享的安全与隐私
密码学与安全
2024-06-19 v1 分布式、并行与集群计算
新兴技术
机器学习
网络与互联网体系结构
摘要
频谱共享在6G无线通信中日益重要，促进了对未使用频谱孔的动态访问。近期，机器学习(ML)技术被广泛应用于频谱探测。为此，联邦学习( FL)支持的频谱探测技术引起了广泛关注，允许在不披露无线用户设备私有频谱探测信息的情况下构建聚合模型。然而，协同训练的完整性和来自本地用户的频谱信息隐私在6G场景中仍 largely 未探讨。本文首先审查了6G前景场景中FL支持频谱共享的最新进展。随后，我们阐述了6G中的实际攻击向量，以说明这些情境下的潜在AI驱动的安全和隐私威胁。最后，本研究概述了未来方向，包括实际防御挑战和指南。
引用
@article{arxiv.2406.12330,
title = {Security and Privacy of 6G Federated Learning-enabled Dynamic Spectrum Sharing},
author = {Viet Vo and Thusitha Dayaratne and Blake Haydon and Xingliang Yuan and Shangqi Lai and Sharif Abuadbba and Hajime Suzuki and Carsten Rudolph},
journal= {arXiv preprint arXiv:2406.12330},
year = {2024}
}
备注
7 pages, 5 figures. The paper is submitted to IEEE Networks for review