可信 AI 驱动动态混合 RIS：认知 MISO 网络中的联合优化与奖励中毒抗控制
网络与互联网体系结构
2026-04-03 v1 人工智能
摘要
认知无线电网络（CRN）是通过使次要用户（SU）在不对主要用户（PU）造成有害干扰的前提下机会性访问已授权频谱，从而缓解频谱稀缺性的关键机制。为解决次要用户信道不可靠以及下代无线网络中常见的能源约束问题，本 work 提出一种自适应、能源感知的混合可重构智能表面（RIS），用于 underlay MISO CRN。不同于依赖静态 RIS 架构的先前方法，本文提出的 RIS 能根据收集到的能源情况实时在被动与主动操作模式之间交替。我们还在实际硬件损耗和级联衰落信道下进行场景建模。我们通过软演员-评论家（SAC）深度强化学习（DRL）方法求解并解决传输波束赋能和 RIS 相位优化的联合问题，充分利用其在连续高度动态环境中的鲁棒性。值得注意的是，我们首次系统性研究了 RIS 增强 CRN中 DRL 代理的奖励中毒攻击，并提出一种轻量级、实时防御方案，基于奖励裁剪和统计异常过滤。数值结果表明，SAC 方法在已建立的 DRL 基准中始终表现优异，动态混合 RIS 在吞吐量和能源消耗之间的权衡方面优于完全被动和完全主动方案。我们进一步证明了该防御在面对对抗性情况时仍能保持次要用户性能。我们的结果推动了 RIS 辅助 CRN 的实际安全部署，并为能源受限无线系统提供了关键设计洞察。
引用
@article{arxiv.2604.01238,
title = {Trustworthy AI-Driven Dynamic Hybrid RIS: Joint Optimization and Reward Poisoning-Resilient Control in Cognitive MISO Networks},
author = {Deemah H. Tashman and Soumaya Cherkaoui},
journal= {arXiv preprint arXiv:2604.01238},
year = {2026}
}