下一代无线网络中基于深度学习的波束成形技术的鲁棒对抗防御：知识蒸馏与TRADES技术的结合

《IEEE Access》：Robust Adversarial Defense for Deep Learning-Based Beamforming in Next-Generation Wireless Networks: Knowledge Distillation Meets TRADES

　　

摘要：

深度学习已成为下一代无线网络中波束成形优化的强大工具，在大规模MIMO系统中通常优于传统方法。然而，神经网络仍然容易受到对抗性攻击的影响，即使是微小的扰动也可能导致实时通信系统的性能大幅下降。在这项工作中，我们提出了一种防御框架，该框架结合了知识蒸馏（KD）和基于权衡的对抗性防御机制（TRADES，通过替代损失最小化实现），以提高基于深度学习的波束成形的鲁棒性。该框架在三种现实的DeepMIMO场景下进行了评估：室外城市环境（O1）、室外无人机环境（O1 Drone）和室内会议室环境（I3）。结果表明，在ε = 0.5的强攻击下，KD+TRADES仍能保持2.5-3.1 bps/Hz的传输速率。相比之下，未受保护的教师模型在相同条件下会遭遇灾难性失败。此外，未受保护的模型在所有测试的扰动范围内均导致MSE值超过1.6，而KD+TRADES方法将其限制在0.07以下。有趣的是，KD学生模型在所有场景下的干净数据MSE值最低（0.0173-0.0189），优于教师模型基线。尽管KD+TRADES在干净数据MSE上仅增加了18-23%，但在FGSM、PGD-20、BIM和MIM攻击下提供了显著更强的鲁棒性。这些结果表明，将知识蒸馏与对抗性训练相结合可以为无线系统中基于深度学习的波束成形提供实用的防御机制。