面向无良多数情况下的自适应鲁棒性联邦频谱感知
机器学习
2025-07-17 v1
摘要
无线和移动技术的发展，包括 5G advanced 和构想中的 6G，正在推动无线设备的指数级增长。然而，这种快速扩张加剧了频谱稀缺性，构成了关键挑战。动态频谱分配 (DSA)——该技术依赖于感知和动态共享频谱——已成为解决此问题的关键解决方案。虽然机器学习 (ML) 模型在提升频谱感知方面具有巨大潜力，但其在集中式 ML-based DSA 系统中的采用受隐私、带宽限制和监管挑战的限制。为克服这些限制，分布式 ML-based 方法，如联邦学习 (FL) 提供了有前景的替代方案。本 work 针对 FL-based 频谱感知 (FLSS) 的两个关键挑战进行了应对。首先，通过半监督 FL 方法结合能量检测，解决了在实际频谱感知场景中用于训练 FL 模型的标注数据稀缺问题。其次，我们检查了 FLSS 的安全漏洞，关注数据投毒攻击的影响。我们的分析表明，现有基于多数决的防御机制在应对此类攻击方面存在不足。为此，我们提出一种受 vaccination 启发的 novel 防御机制，有效缓解数据投毒攻击，而无需依赖基于多数决的假设。大量实验在合成数据和真实世界数据集上验证了我们的解决方案，表明 FLSS 可在无标签数据集上实现接近完美的准确率，并在面对大量恶意参与者时，能保持 Byzantine 鲁棒性，以应对有针对性和非针对性的数据投毒攻击。
关键词
引用
@article{arxiv.2507.12127,
title = {Self-Adaptive and Robust Federated Spectrum Sensing without Benign Majority for Cellular Networks},
author = {Ngoc Duy Pham and Thusitha Dayaratne and Viet Vo and Shangqi Lai and Sharif Abuadbba and Hajime Suzuki and Xingliang Yuan and Carsten Rudolph},
journal= {arXiv preprint arXiv:2507.12127},
year = {2025}
}