論文の概要: Federated Learning-based MARL for Strengthening Physical-Layer Security in B5G Networks

• arxiv url: http://arxiv.org/abs/2507.06997v1
• Date: Wed, 09 Jul 2025 16:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.670593
• Title: Federated Learning-based MARL for Strengthening Physical-Layer Security in B5G Networks
• Title（参考訳）: B5Gネットワークにおける物理層セキュリティ強化のためのフェデレーション学習ベースMARL
• Authors: Deemah H. Tashman, Soumaya Cherkaoui, Walaa Hamouda,
• Abstract要約: 本稿では,5Gネットワークを超越した状況下で,多細胞ネットワークにおける物理層セキュリティ(PLS)を高めるために,連合学習に基づくマルチエージェント強化学習(MARL)戦略の適用について検討する。 各セルでは、基地局(BS)が周囲環境と相互作用する深層強化学習(DRL)エージェントとして機能し、盗聴者の存在下で正統な利用者の秘密保持率を最大化する。
• 参考スコア（独自算出の注目度）: 16.57893415196489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper explores the application of a federated learning-based multi-agent reinforcement learning (MARL) strategy to enhance physical-layer security (PLS) in a multi-cellular network within the context of beyond 5G networks. At each cell, a base station (BS) operates as a deep reinforcement learning (DRL) agent that interacts with the surrounding environment to maximize the secrecy rate of legitimate users in the presence of an eavesdropper. This eavesdropper attempts to intercept the confidential information shared between the BS and its authorized users. The DRL agents are deemed to be federated since they only share their network parameters with a central server and not the private data of their legitimate users. Two DRL approaches, deep Q-network (DQN) and Reinforce deep policy gradient (RDPG), are explored and compared. The results demonstrate that RDPG converges more rapidly than DQN. In addition, we demonstrate that the proposed method outperforms the distributed DRL approach. Furthermore, the outcomes illustrate the trade-off between security and complexity.
• Abstract（参考訳）: 本稿では,5Gネットワークを超越した状況下で,多細胞ネットワークにおける物理層セキュリティ(PLS)を高めるために,連合学習に基づくマルチエージェント強化学習(MARL)戦略の適用について検討する。 各セルでは、基地局(BS)が周囲環境と相互作用する深層強化学習(DRL)エージェントとして機能し、盗聴者の存在下で正統な利用者の秘密保持率を最大化する。 この盗聴者は、BSとその認証ユーザー間で共有されている機密情報を傍受しようとする。 DRLエージェントは、ネットワークパラメータを正当なユーザのプライベートデータではなく、中央サーバとのみ共有しているため、フェデレーションを受けていると見なされている。 2つのDRLアプローチ、ディープQネットワーク(DQN)とReinforceディープポリシー勾配(RDPG)を探索、比較した。 その結果,RDPGはDQNよりも早く収束することがわかった。 さらに,提案手法が分散DRL手法よりも優れていることを示す。 さらに、結果はセキュリティと複雑性のトレードオフを示しています。

関連論文リスト

• Fundamental Limits of Hierarchical Secure Aggregation with Cyclic User Association [93.46811590752814]
  階層型セキュアアグリゲーションは、フェデレートラーニング(FL)によって動機付けられる 本稿では,各ユーザが連続する$B$のリレーに接続される循環型アソシエーションパターンを用いたHSAについて考察する。 勾配符号化にインスパイアされた入力に対するメッセージ設計を含む効率的なアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:53:37Z)
• Label-free Deep Learning Driven Secure Access Selection in Space-Air-Ground Integrated Networks [26.225658457052834]
  宇宙空間統合ネットワーク(SAGIN)では、固有のオープン性と広範な放送範囲が、これらのネットワークを盗聴の脅威に晒している。 異種資源と異なる盗聴モデルの両方により、秘密指向のアクセス戦略を実行することは困難である。 本稿では,Q-network を用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T06:48:06Z)
• Federated Deep Reinforcement Learning for THz-Beam Search with Limited CSI [17.602598143822913]
  超広帯域でのテラヘルツ(THz)通信は次世代無線ネットワークにおける高データレートの厳密な要求を実現するための有望な技術である。 THz信号の激しい伝搬減衰を効果的に克服するために、大規模なアンテナアレイのビーム方向を見つけることは、迫力のあるニーズである。 本稿では,複数の基地局のTHzビーム探索を高速に行うためのFDRL(Federated Deep reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2023-04-25T19:28:15Z)
• DRL-GAN: A Hybrid Approach for Binary and Multiclass Network Intrusion Detection [2.7122540465034106]
  侵入検知システム(IDS)は、これらの攻撃を検出するための重要なセキュリティ技術である。 本稿では,GAN(Generative Adversarial Network)が生成した合成データを用いて,深層強化学習(DRL)モデルの入力として用いる新しいハイブリッド手法を提案する。 その結果,DRLを特定の合成データセット上でトレーニングすると,真の不均衡データセット上でのトレーニングよりも,マイノリティクラスを正しく分類する方が優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-05T19:51:24Z)
• Towards Quantum-Enabled 6G Slicing [0.5156484100374059]
  量子機械学習(QML)パラダイムとそのネットワークスライシングとの相乗効果は破壊的な技術であると想定できる。 量子深層学習(QDRL)に基づくクラウドベースの連合学習フレームワークを提案する。 具体的には、古典的深部強化学習(DRL)アルゴリズムを変分量子回路(VQC)に再成形し、スライス資源の最適協調制御を得る。
  論文  参考訳（メタデータ） (2022-10-21T07:16:06Z)
• Federated Deep Reinforcement Learning for the Distributed Control of NextG Wireless Networks [16.12495409295754]
  次世代(NextG)ネットワークは、拡張現実(AR)やコネクテッド・自律走行車といった、インターネットの触覚を必要とするアプリケーションをサポートすることが期待されている。 データ駆動アプローチは、現在の運用条件に適応するネットワークの能力を改善することができる。 深部RL(DRL)は複雑な環境においても良好な性能を発揮することが示されている。
  論文  参考訳（メタデータ） (2021-12-07T03:13:20Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)

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。