面向5G网络安全可信信道估计的不确定性感知深度学习模型
密码学与安全
2023-05-05 v1
摘要
随着自动驾驶汽车和增强现实等智能应用的兴起,无线通信系统的安全性与可靠性变得愈发关键。确保高质量体验的最关键组成部分之一是信道估计,它是无线网络中高效传输与干扰管理的基础。然而,在信道估计中使用深度神经网络(DNN)因其复杂性及决策过程缺乏透明性而引发安全与信任担忧。本文提出一种基于蒙特卡洛 dropout (MCDO) 的方法,用于5G网络中的安全可信信道估计。我们的方法将传统技术与深度学习技术的优势相结合,将基于导频的传统信道估计作为先验嵌入深度学习模型。此外,我们利用 MCDO 获得不确定性感知预测,从而增强模型的安全性与可信度。实验表明,在安全性、可信度和性能方面,我们所提方法在5G场景中优于传统及基于深度学习的方法。
引用
@article{arxiv.2305.02741,
title = {Uncertainty Aware Deep Learning Model for Secure and Trustworthy Channel Estimation in 5G Networks},
author = {Ferhat Ozgur Catak and Umit Cali and Murat Kuzlu and Salih Sarp},
journal= {arXiv preprint arXiv:2305.02741},
year = {2023}
}
备注
7 pages