論文の概要: Graph Neural Network-Based Bandwidth Allocation for Secure Wireless Communications

• arxiv url: http://arxiv.org/abs/2312.14958v1
• Date: Wed, 13 Dec 2023 09:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-31 03:11:51.384656
• Title: Graph Neural Network-Based Bandwidth Allocation for Secure Wireless Communications
• Title（参考訳）: 安全な無線通信のためのグラフニューラルネットワークに基づく帯域割り当て
• Authors: Xin Hao, Phee Lep Yeoh, Yuhong Liu, Changyang She, Branka Vucetic, and Yonghui Li
• Abstract要約: 本稿では,最小機密率制約を満たすユーザをスケジュールするユーザスケジューリングアルゴリズムを提案する。 我々は、反復探索(IvS)、GNNベースの教師付き学習(GNN-SL)、GNNベースの教師なし学習(GNN-USL)の3つのアルゴリズムを用いて帯域幅割り当てを最適化する。
• 参考スコア（独自算出の注目度）: 46.342827102556896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper designs a graph neural network (GNN) to improve bandwidth allocations for multiple legitimate wireless users transmitting to a base station in the presence of an eavesdropper. To improve the privacy and prevent eavesdropping attacks, we propose a user scheduling algorithm to schedule users satisfying an instantaneous minimum secrecy rate constraint. Based on this, we optimize the bandwidth allocations with three algorithms namely iterative search (IvS), GNN-based supervised learning (GNN-SL), and GNN-based unsupervised learning (GNN-USL). We present a computational complexity analysis which shows that GNN-SL and GNN-USL can be more efficient compared to IvS which is limited by the bandwidth block size. Numerical simulation results highlight that our proposed GNN-based resource allocations can achieve a comparable sum secrecy rate compared to IvS with significantly lower computational complexity. Furthermore, we observe that the GNN approach is more robust to uncertainties in the eavesdropper's channel state information, especially compared with the best channel allocation scheme.
• Abstract（参考訳）: 本稿では,盗聴者の存在下で基地局に送信する複数の正規無線ユーザの帯域幅割り当てを改善するために,グラフニューラルネットワーク(GNN)を設計する。 プライバシを改善し,盗聴攻撃を防止するため,最小限の秘密率制約を満たすユーザをスケジュールするユーザスケジューリングアルゴリズムを提案する。 これに基づいて,反復探索 (ivs), gnn-based supervised learning (gnn-sl), gnn-based unsupervised learning (gnn-usl) という3つのアルゴリズムで帯域幅割り当てを最適化した。 本稿では,GNN-SL と GNN-USL が帯域幅ブロックサイズに制限された IvS と比較して,より効率的な計算複雑性解析を行う。 数値シミュレーションの結果,提案したGNNベースの資源割り当ては,計算複雑性が著しく低いIvSと比較して,最大機密度が得られることがわかった。 さらに,特に最良チャネル割り当て方式と比較して,盗聴者のチャネル状態情報の不確実性に対してGNNアプローチがより堅牢であることを示す。

関連論文リスト

• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Graph Neural Networks for Physical-Layer Security in Multi-User Flexible-Duplex Networks [8.494679909584834]
  本研究では,和秘密問題,特に協調型・分散型盗聴器に直面する場合の複雑さについて検討する。 コントリビューションには、反復的なソリューション最適化と、グラフニューラルネットワーク(GNN)に基づく教師なし学習戦略が含まれています。 我々は,盗聴者のチャネル知識の欠如に対処するため,GNNアプローチを拡張した。
  論文  参考訳（メタデータ） (2024-02-08T03:22:12Z)
• Scalable Resource Management for Dynamic MEC: An Unsupervised Link-Output Graph Neural Network Approach [36.32772317151467]
  ディープラーニングは、タスクオフロードとリソース割り当てを最適化するために、モバイルエッジコンピューティング(MEC)でうまく採用されている。 エッジネットワークのダイナミクスは、低スケーラビリティと高トレーニングコストという、ニューラルネットワーク(NN)ベースの最適化方法における2つの課題を提起する。 本稿では,新たなリンクアウトプットGNN(LOGNN)ベースの資源管理手法を提案し,MECにおける資源割り当てを柔軟に最適化する。
  論文  参考訳（メタデータ） (2023-06-15T08:21:41Z)
• Accelerating Graph Neural Networks via Edge Pruning for Power Allocation in Wireless Networks [9.031738020845586]
  グラフニューラルネットワーク(GNN)は、無線ネットワークにおける電力割り当て問題に対処するための有望なアプローチとして登場した。 我々は,GNNの時間的複雑さを低減するために,近隣のしきい値を用いたアプローチを導入する。 以上の結果から,提案したN-GNNは,高い性能と一般化能力を維持しつつ,時間的複雑性を低減できるという利点があることがわかった。
  論文  参考訳（メタデータ） (2023-05-22T02:22:14Z)
• Privacy-Preserving Decentralized Inference with Graph Neural Networks in Wireless Networks [39.99126905067949]
  無線ネットワークにおけるグラフニューラルネットワークによる分散推論のプライバシの解析と強化を行う。 具体的には、ローカルな差分プライバシーを指標として採用し、新しいプライバシー保護シグナルを設計する。 また、このオーバー・ザ・エア技術を採用し、プライバシー保護の利点を理論的に実証する。
  論文  参考訳（メタデータ） (2022-08-15T01:33:07Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Robust Graph Neural Networks via Probabilistic Lipschitz Constraints [7.359962178534361]
  グラフニューラルネットワーク(GNN)は、最近、さまざまなネットワークベースのタスクでうまく機能することが実証されている。 GNNは入力のシフトや摂動の影響を受けやすく、ノード属性とグラフ構造の両方を含むことができる。
  論文  参考訳（メタデータ） (2021-12-14T17:33:32Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)

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。