論文の概要: Task-Oriented Communications for NextG: End-to-End Deep Learning and AI
Security Aspects
- arxiv url: http://arxiv.org/abs/2212.09668v1
- Date: Mon, 19 Dec 2022 17:54:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 16:03:21.807477
- Title: Task-Oriented Communications for NextG: End-to-End Deep Learning and AI
Security Aspects
- Title（参考訳）: NextGのためのタスク指向コミュニケーション: エンドツーエンドのディープラーニングとAIセキュリティ
- Authors: Yalin E. Sagduyu, Sennur Ulukus, Aylin Yener
- Abstract要約: NextG通信システムは、ビットを確実に復号し、与えられたタスクを確実に実行するためのこの設計パラダイムのシフトを探求し始めている。
本稿では、送信者、受信者、機能性を2つのディープニューラルネットワーク(DNN)として共同で訓練するタスク指向通信手法を提案する。
本手法は,通信と信号の分類を2つの異なるタスクとして扱うベースラインと比較して,より少ないDNNで精度良く行うことができることを示す。
- 参考スコア（独自算出の注目度）: 78.84264189471936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Communications systems to date are primarily designed with the goal of
reliable (error-free) transfer of digital sequences (bits). Next generation
(NextG) communication systems are beginning to explore shifting this design
paradigm of reliably decoding bits to reliably executing a given task.
Task-oriented communications system design is likely to find impactful
applications, for example, considering the relative importance of messages. In
this paper, a wireless signal classification is considered as the task to be
performed in the NextG Radio Access Network (RAN) for signal intelligence and
spectrum awareness applications such as user equipment (UE) identification and
authentication, and incumbent signal detection for spectrum co-existence. For
that purpose, edge devices collect wireless signals and communicate with the
NextG base station (gNodeB) that needs to know the signal class. Edge devices
may not have sufficient processing power and may not be trusted to perform the
signal classification task, whereas the transfer of the captured signals from
the edge devices to the gNodeB may not be efficient or even feasible subject to
stringent delay, rate, and energy restrictions. We present a task-oriented
communications approach, where all the transmitter, receiver and classifier
functionalities are jointly trained as two deep neural networks (DNNs), one for
the edge device and another for the gNodeB. We show that this approach achieves
better accuracy with smaller DNNs compared to the baselines that treat
communications and signal classification as two separate tasks. Finally, we
discuss how adversarial machine learning poses a major security threat for the
use of DNNs for task-oriented communications. We demonstrate the major
performance loss under backdoor (Trojan) attacks and adversarial (evasion)
attacks that target the training and test processes of task-oriented
communications.
- Abstract（参考訳）: 現在までの通信システムは、主にデジタルシーケンス(ビット)の信頼性(エラーのない)転送を目標に設計されている。
次世代通信システム(NextG)は、ビットを確実に復号化して与えられたタスクを確実に実行する設計パラダイムにシフトし始めている。
タスク指向通信システムの設計は、例えばメッセージの相対的重要性を考えると、影響のあるアプリケーションを見つける可能性が高い。
本稿では、無線信号分類を、信号インテリジェンスのためのnextg無線アクセスネットワーク(ran)や、ユーザ機器(ue)の識別や認証、スペクトル共存のための既存の信号検出といったスペクトル認識応用において行うべき課題として考察する。
その目的で、エッジデバイスは無線信号を収集し、信号クラスを知る必要があるnextg基地局(gnodeb)と通信する。
エッジデバイスは、十分な処理能力を有しておらず、信号分類タスクの実行を信頼できない場合もあるが、エッジデバイスからgNodeBへのキャプチャされた信号の転送は、遅延、レート、エネルギー制限の厳しい条件下で、効率的あるいは実現不可能である。
本稿では,送信機,受信機,分類器の機能を2つのディープニューラルネットワーク(DNN)として,エッジデバイス用とgNodeB用を併用したタスク指向通信手法を提案する。
この手法は,通信と信号の分類を2つの異なるタスクとして扱うベースラインと比較して,より小さなdnnで精度が向上することを示す。
最後に,DNNをタスク指向通信に使用する場合,対人機械学習がセキュリティ上の脅威となる可能性について論じる。
我々は、タスク指向通信のトレーニングおよびテストプロセスをターゲットにしたバックドア(trojan)攻撃と敵(evasion)攻撃による大きなパフォーマンス損失を実証する。
関連論文リスト
- Will 6G be Semantic Communications? Opportunities and Challenges from
Task Oriented and Secure Communications to Integrated Sensing [49.83882366499547]
本稿では,マルチタスク学習を統合した次世代(NextG)ネットワークにおけるタスク指向およびセマンティックコミュニケーションの機会と課題について検討する。
我々は、送信側の専用エンコーダと受信側の複数のタスク固有のデコーダを表すディープニューラルネットワークを用いる。
トレーニングとテストの段階において、敵対的攻撃に起因する潜在的な脆弱性を精査する。
論文 参考訳（メタデータ） (2024-01-03T04:01:20Z) - Joint Sensing and Task-Oriented Communications with Image and Wireless
Data Modalities for Dynamic Spectrum Access [49.83882366499547]
本稿では,マルチモーダル画像とスペクトルデータの相乗効果を利用した動的スペクトルアクセスの深層学習手法を提案する。
本稿では,送信機を搭載可能な車両などの潜在的な物体を撮影するカメラを備えたエッジデバイスについて考察する。
本稿では、エッジデバイスが、融合センターとして機能する信頼できる受信機に選択的に処理された情報を通信する協調システムを提案する。
論文 参考訳（メタデータ） (2023-12-21T15:26:26Z) - Joint Sensing and Semantic Communications with Multi-Task Deep Learning [45.622060532244944]
本稿では,協調センシングとコミュニケーションのための深層学習技術の統合と,セマンティックコミュニケーションの拡張について検討する。
統合システムは、無線チャンネル上で動作し、ノイズやフェーディングを受ける送信機と受信機とを備える。
送信機はディープニューラルネットワーク(DNN)、すなわちエンコーダを使用し、ソース符号化、チャネル符号化、変調のジョイント操作を行う。
受信機は別のDNN、すなわちデコーダを使用して、復調、チャネル復号、ソース復号のジョイント操作を行い、データサンプルを再構築する。
論文 参考訳（メタデータ） (2023-11-08T21:03:43Z) - Generative AI-aided Joint Training-free Secure Semantic Communications
via Multi-modal Prompts [89.04751776308656]
本稿では,多モデルプロンプトを用いたGAI支援型SemComシステムを提案する。
セキュリティ上の懸念に応えて、フレンドリーなジャマーによって支援される隠蔽通信の応用を紹介する。
論文 参考訳（メタデータ） (2023-09-05T23:24:56Z) - Is Semantic Communications Secure? A Tale of Multi-Domain Adversarial
Attacks [70.51799606279883]
セマンティック・コミュニケーションのためのディープ・ニューラル・ネットワーク(DNN)に対するテスト・タイム・アタックを導入する。
再建損失が低い場合でも,伝達情報のセマンティクスを変更可能であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:13:22Z) - Enabling the Wireless Metaverse via Semantic Multiverse Communication [82.47169682083806]
無線ネットワーク上のメタバースは、第6世代(6G)無線システムの新たなユースケースである。
メタバースを人間/機械エージェント固有のセマンティック・マルチバース(SM)に分解する新しいセマンティック・コミュニケーション・フレームワークを提案する。
各エージェントに格納されたSMは、セマンティックエンコーダとジェネレータから構成され、生成人工知能(AI)の最近の進歩を活用する。
論文 参考訳（メタデータ） (2022-12-13T21:21:07Z) - Multi-task Learning Approach for Automatic Modulation and Wireless
Signal Classification [1.827510863075184]
深層ニューラルネットワークの可能性をマルチタスク学習(MTL)フレームワークと組み合わせて活用し、変調と信号分類のタスクを同時に学習します。
我々は、レーダーと複数のラベルとの通信信号からなる唯一の既知のオープン異種無線信号データセットをリリースします。
論文 参考訳（メタデータ） (2021-01-25T17:43:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。