Fugu-MT 論文翻訳(概要): A DRL-Empowered Multi-Level Jamming Approach for Secure Semantic Communication

論文の概要: A DRL-Empowered Multi-Level Jamming Approach for Secure Semantic Communication

arxiv url: http://arxiv.org/abs/2510.26610v1
Date: Thu, 30 Oct 2025 15:38:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-31 16:05:09.887832
Title: A DRL-Empowered Multi-Level Jamming Approach for Secure Semantic Communication
Title（参考訳）: DRLを利用したセキュアセマンティック通信のためのマルチレベルジャミング手法
Authors: Weixuan Chen, Qianqian Yang,
Abstract要約: 本稿では,SemComシステムのセキュリティを高めるために,深層強化学習を利用したマルチレベルジャミング手法を提案する。提案手法は,PSNR比を最大0.6dB向上させながら,同等のセキュリティを実現する。
参考スコア（独自算出の注目度）: 4.436062422228445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic communication (SemCom) aims to transmit only task-relevant information, thereby improving communication efficiency but also exposing semantic information to potential eavesdropping. In this paper, we propose a deep reinforcement learning (DRL)-empowered multi-level jamming approach to enhance the security of SemCom systems over MIMO fading wiretap channels. This approach combines semantic layer jamming, achieved by encoding task-irrelevant text, and physical layer jamming, achieved by encoding random Gaussian noise. These two-level jamming signals are superposed with task-relevant semantic information to protect the transmitted semantics from eavesdropping. A deep deterministic policy gradient (DDPG) algorithm is further introduced to dynamically design and optimize the precoding matrices for both taskrelevant semantic information and multi-level jamming signals, aiming to enhance the legitimate user's image reconstruction while degrading the eavesdropper's performance. To jointly train the SemCom model and the DDPG agent, we propose an alternating optimization strategy where the two modules are updated iteratively. Experimental results demonstrate that, compared with both the encryption-based (ESCS) and encoded jammer-based (EJ) benchmarks, our method achieves comparable security while improving the legitimate user's peak signalto-noise ratio (PSNR) by up to approximately 0.6 dB.
Abstract（参考訳）: セマンティックコミュニケーション(Semantic Communication, SemCom)は、タスク関連情報のみを送信し、コミュニケーション効率を向上させるとともに、潜在的盗聴にセマンティック情報を公開することを目的としている。本稿では,MIMOファイドワイヤタップチャネル上のSemComシステムのセキュリティを高めるために,DRLを用いたマルチレベルジャミング手法を提案する。このアプローチは、タスク非関連テキストを符号化する意味層ジャミングと、ランダムなガウスノイズを符号化する物理層ジャミングを組み合わせる。これらの2レベルジャミング信号は、送信されたセマンティクスを盗聴から保護するために、タスク関連セマンティクス情報で重畳される。タスク関連セマンティック情報とマルチレベルジャミング信号の両方のプリコーディング行列を動的に設計し、最適化するために、深い決定論的ポリシー勾配(DDPG)アルゴリズムが導入された。本稿では,SemComモデルとDDPGエージェントを併用して2つのモジュールを反復的に更新する交互最適化手法を提案する。実験により,暗号ベース (ESCS) と符号化ジャムベース (EJ) のベンチマークを比較すると,正統なユーザのピーク信号雑音比 (PSNR) を最大0.6dB向上させながら,同等のセキュリティを実現することができた。

関連論文リスト

SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
論文参考訳（メタデータ） (2025-11-03T11:24:06Z)
Physical Layer Deception based on Semantic Distortion [58.38604209714828]
物理層 deception (PLD) は、物理層セキュリティ(PLS)と偽造技術を統合するフレームワークである。我々は,この枠組みを意味的コミュニケーションモデルに拡張し,性能指標として意味的歪みを用いた理論的解析を行う。
論文参考訳（メタデータ） (2025-10-16T18:23:35Z)
Generative Feature Imputing - A Technique for Error-resilient Semantic Communication [46.46641562787869]
本稿では,3つの鍵となる手法を取り入れた,生成的特徴インパッシング(generative feature imputing)という新しい枠組みを提案する。まず,チャネルマッピングに基づいて特徴要素を符号化することで特徴歪みを空間的に集中する空間誤差集中パケット化手法を提案する。第2に,パケット損失による欠落した特徴を効率的に再構築する拡散モデルを用いた生成的特徴量計算手法を提案する。第3に,各パケットのセマンティックな重要性に応じて送信電力を割り当てることで,不等なエラー保護を可能にするセマンティック・アウェア・パワー・アロケーション・スキームを開発する。
論文参考訳（メタデータ） (2025-08-25T12:19:48Z)
Contrastive Language-Image Pre-Training Model based Semantic Communication Performance Optimization [23.352326993320958]
言語画像事前学習(CLIP)モデルに基づくセマンティックコミュニケーションフレームワークを設計する。標準的なニューラルネットワーク(例えば畳み込みニューラルネットワーク)ベースのセマンティックエンコーダや、共通のデータセット上での共同トレーニングを必要とするデコーダと比較して、私たちのCLIPモデルベースの方法は、いかなるトレーニング手順も必要としない。ノイズの多い無線ネットワーク上でのCLIPモデルに基づくセマンティックフレームワークの展開について検討する。
論文参考訳（メタデータ） (2025-07-10T01:48:56Z)
TOAST: Task-Oriented Adaptive Semantic Transmission over Dynamic Wireless Environments [3.3107717550009865]
TOAST(Task-Oriented Adaptive Semantic Transmission)は、無線環境におけるマルチタスク最適化の課題を解決するために設計された統合フレームワークである。我々はマルコフ決定過程として適応的タスクバランスを定式化し、画像再構成の忠実度と意味分類の精度のトレードオフを動的に調整するために深層強化学習を用いる。モジュール固有のLow-Rank Adaptation(LoRA)機構を,Swin Transformerベースのジョイントソースチャネル符号化アーキテクチャ全体に統合する。
論文参考訳（メタデータ） (2025-06-27T04:36:30Z)
Modeling and Performance Analysis for Semantic Communications Based on Empirical Results [53.805458017074294]
終端計測とSNRの関係をモデル化するためのAlpha-Beta-Gamma (ABG) 式を提案する。画像再構成タスクでは、提案されたABG公式は、SCUNetやVision Transformerといった一般的なDLネットワークに適合する。我々の知る限りでは、これはエンドツーエンドのパフォーマンス指標と意味コミュニケーションのためのSNRの間の最初の理論的表現である。
論文参考訳（メタデータ） (2025-04-29T06:07:50Z)
Enhancing Privacy in Semantic Communication over Wiretap Channels leveraging Differential Privacy [51.028047763426265]
セマンティック通信(SemCom)は,タスク関連情報に着目して伝送効率を向上させる。セマンティックリッチなデータをセキュアでないチャネルで送信すると、プライバシのリスクが生じる。本稿では,セマンティックなセマンティックな特徴を保護するために,差分プライバシー機構を統合した新しいSemComフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-23T08:42:44Z)
Semantic-Aware Resource Management for C-V2X Platooning via Multi-Agent Reinforcement Learning [41.8826976666953]
セルラー車間通信(C-V2X)に基づく自律車小隊システムに意味コミュニケーションを導入する。本稿では,SAMRAMARLと呼ばれるマルチエージェント強化学習(MARL)に基づく,分散意味認識型マルチモーダルリソースアロケーション(SAMRA)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-11-07T12:55:35Z)
IRS-Enhanced Secure Semantic Communication Networks: Cross-Layer and Context-Awared Resource Allocation [30.000606717755833]
eavesdroppingの課題は、無線通信のオープンな性質のため、セマンティックプライバシに深刻な脅威をもたらす。本稿では,タスク指向のセマンティック視点から物理層セキュリティを保証するために,インテリジェント反射面(IRS)強化セキュアセマンティック通信(IRS-SSC)を提案する。本研究では,高次元意味空間と可観測系状態空間を融合させる新しい意味認識状態空間(SCA-SS)を提案する。
論文参考訳（メタデータ） (2024-11-04T05:40:30Z)
Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文参考訳（メタデータ） (2024-09-14T01:45:04Z)
Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
本稿では,強化学習に基づくエージェント駆動型ジェネリック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。本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
論文参考訳（メタデータ） (2024-04-10T13:24:27Z)

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。