論文の概要: Unlocking Cross-Scenario Physical Layer Security: A Mixture-of-Experts Framework with Generative Diffusion Models

• arxiv url: http://arxiv.org/abs/2609.26598v1
• Date: Tue, 22 Sep 2026 15:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.73163
• Title: Unlocking Cross-Scenario Physical Layer Security: A Mixture-of-Experts Framework with Generative Diffusion Models
• Title（参考訳）: シナリオ間物理層セキュリティのアンロック:生成拡散モデルを用いた実験用混合フレームワーク
• Abstract要約: 6Gネットワークは、様々な環境でのワイヤレスサービスの普及が期待されている。 本稿では,クロスシナリオな物理層セキュリティを実現するために,エキスパートアーキテクチャの混在を利用した適応的かつ堅牢な学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.48849391137001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The future 6G networks are expected to incorporate a proliferation of wireless services in diverse environments, which presents a significant challenge for information security. Conventionally optimization always requires recalculation and learning strategy often suffers poor generalization, which are thus incapable for the security provisioning with wide scenario coverage. In this paper, we propose an adaptive and robust learning framework that leverages a mixture-of-experts (MoE) architecture to achieve cross-scenario physical layer security guarantee. Specifically, we first select a few representative scenarios and establish the scenario-specific generative diffusion model (GDM)-based experts for secure transmission beamforming with artificial noise. The diffusion nature of experts learns the overall probability distribution of security strategy solution landscape and the Transformer-based denoising process enhances the ability to generalize across varying network configurations. Then, a lightweight gating network is constructed to identify the scenarios by engineering the channel features and select the most relevant experts. Finally, an attention-based combiner is introduced to synthesize the security proposals from the top-rated experts to produce a high-fidelity security strategy to cover the unseen scenarios. Simulation results demonstrate that the proposed GDM-based MoE framework can accurately recognize the scenarios and properly select the experts, maintaining near-optimal secrecy rates across a continuum of wireless scenarios and outperforming traditional single-model paradigms.
• Abstract（参考訳）: 将来の6Gネットワークは、様々な環境における無線サービスの普及が期待されており、情報セキュリティにとって大きな課題となっている。 従来、最適化は常に再計算を必要としており、学習戦略は、しばしば一般化の貧弱さに悩まされるため、広いシナリオカバレッジを持つセキュリティプロビジョニングでは不可能である。 本稿では,Mix-of-Experts(MoE)アーキテクチャを活用して,クロスシナリオな物理層セキュリティを実現する適応的かつ堅牢な学習フレームワークを提案する。 具体的には、まずいくつかの代表的なシナリオを選択し、人工ノイズを用いた安全な送信ビームフォーミングのためのシナリオ特異的生成拡散モデル(GDM)の専門家を確立する。 専門家の拡散特性は、セキュリティ戦略ソリューションランドスケープの全体的な確率分布を学習し、トランスフォーマーベースの分極プロセスは、様々なネットワーク構成をまたいで一般化する能力を高める。 次に、チャネルの特徴をエンジニアリングし、最も関連する専門家を選択することにより、シナリオを識別する軽量なゲーティングネットワークを構築する。 最後に、注目ベースのコンバインダを導入して、トップレベルの専門家によるセキュリティ提案を合成して、目に見えないシナリオをカバーするための高忠実なセキュリティ戦略を生成する。 シミュレーションの結果,提案したGDMベースのMoEフレームワークは,各シナリオを正確に認識し,専門家を適切に選択し,無線シナリオの連続体における準最適機密率を維持し,従来の単一モデルパラダイムよりも優れた性能を発揮することが示された。

関連論文リスト

• AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
  AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。 AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
  論文  参考訳（メタデータ） (2026-01-14T20:56:50Z)
• Bayesian and Multi-Objective Decision Support for Real-Time Cyber-Physical Incident Mitigation [6.852472228194646]
  本研究では,サイバー物理システムにおけるサイバーインシデントを軽減するためのリアルタイム適応型意思決定支援フレームワークを提案する。 重要なインフラにおけるこれらのシステムへの依存の高まりと、敵の戦術の進化に対応するために開発された。
  論文  参考訳（メタデータ） (2025-08-31T09:47:38Z)
• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
  Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。 本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。 私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
  論文  参考訳（メタデータ） (2024-02-21T06:22:41Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Detecting Unknown Attacks in IoT Environments: An Open Set Classifier for Enhanced Network Intrusion Detection [5.787704156827843]
  本稿では,IoT環境に適したネットワーク侵入検知システム(NIDS)の領域におけるオープンセット認識(OSR)問題の緩和を目的としたフレームワークを提案する。 ネットワークトラフィックから空間的・時間的パターンを抽出し,パケットレベルデータのイメージベース表現に重きを置いている。 実験の結果は、このフレームワークの有効性を顕著に強調し、これまで見つからなかった攻撃に対して、驚くべき88%の検知率を誇示している。
  論文  参考訳（メタデータ） (2023-09-14T06:41:45Z)
• Safety-Critical Scenario Generation Via Reinforcement Learning Based Editing [20.99962858782196]
  本稿では,逐次編集による安全クリティカルなシナリオを生成する深層強化学習手法を提案する。 我々のフレームワークは、リスクと妥当性の両方の目的からなる報酬関数を用いています。 提案手法は, 従来手法と比較して, 品質の高い安全クリティカルなシナリオを生成することを示す。
  論文  参考訳（メタデータ） (2023-06-25T05:15:25Z)

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。