New Machine Learning Methods for Spectrum Sensing in Wireless Communication Systems
[ 1 ] Instytut Radiokomunikacji, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] employee
[ 1 ] Instytut Radiokomunikacji, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] employee
PL Nowe metody uczenia maszynowego dla detekcji zajętości zasobów widmowych w środowisku radiowym
english
- spectrum sensing
- machine learning
- federated learning
- data poisoning
- attacks on machine learning
- detekcja zasobów
- uczenie maszynowe
- uczenie federacyjne
- zatruwanie danych
- ataki na uczenie maszynowe
EN Motivated by the increase in mobile communication traffic, the requirement of high data rates, and the associated scarcity of spectrum, the author of this thesis presents her research that led to new approaches to SS based on ML methods. Contrary to the traditional approach, the author provides solutions to ML-based autonomous SS that takes the radio-channel variations into account, cooperative (FL-based) SS with improved performance, and secure FL-based SS robust against data poisoning. The thesis of this dissertation is the following: There exist new methods for spectrum sensing in wireless communication systems that are based on machine learning and that are more reliable than the existing ones. The author proves this by presenting the following original research and contributions. After the analysis of the state of the art in the field of reliable SS in radio communication channels and the identification of knowledge gaps, new effective, low-cost algorithms for the autonomous ML-supported SS have been proposed. 5G system scenario has been considered, in which RB are subject to sensing for possible secondary use. The proposed algorithms take advantage of the measured PU's signal energy and the time- and frequency dependencies of the sensed signal RB occupancy. Next, new effective DL-based algorithms have been developed for SS and spectrum occupancy prediction taking into account variations of the wireless channel. Following considerations on the autonomous SS, cooperative FL-based methods have been investigated. A new efficient FL-based SS algorithm has been designed with high performance and allowing incoming users to take advantage of the global FL model without sacrificing their computing resources for model training. Finally, the impact of coordinated and random poisoning attacks on FL-based SS has been evaluated, and a new efficient algorithm has been designed to detect and mitigate such attacks. The main conclusion of this dissertation is that the original solutions of the author can significantly improve the performance, reliability, and security of SS in the scenarios considered for 5G radio access networks.
PL Motywowana wzrostem ruchu w komunikacji mobilnej, wymogiem dużych przepływności danych i związanym z tym niedoborem widma, autorka niniejszej rozprawy doktorskiej przedstawia swoje badania nad nowym podejściem do detekcji widma, tzw. sensingu (ang. SS) w oparciu o metody uczenia maszynowe-go (ang. ML) . W przeciwieństwie do tradycyjnego podejścia, autorka proponuje metody autonomicznego SS opartego na ML, które uwzględniają zaniki w kanale radiowym, kooperatywnego SS (opartego na uczeniu federacyjnym (ang. FL) o zwiększonej niezawodności i algorytm bezpiecznego SS opartego na FL, odpornego na zatruwanie danych. Teza tej rozprawy jest następująca: Istnieją nowe metody wykrywania widma w systemach komunikacji bezprzewodowej, oparte na uczeniu maszynowym i jednocześnie bardziej niezawodne niż istniejące. Autorka udowadnia to przedstawiając poniższe oryginalne badania. Po przeanalizowaniu aktualnego stanu wiedzy w dziedzinie niezawodnego SS w kanałach komunikacji radiowej i identyfikacji otwartych problemów, opracowano nowe, skuteczne algorytmy dla autonomicznego SS wspieranego przez ML. Rozważono scenariusz systemu 5G, w którym bloki zasobów (ang. RB) podlegają detekcji w celu ewentualnego wtórnego wykorzystania. Zaproponowane algorytmy wykorzystują zmierzoną energię sygnału użytkownika licencjonowanego (ang. PU) oraz zależności czasowe i częstotliwościowe zajętości RB. Następnie opracowano nowe, skuteczne algorytmy oparte na głębokim uczeniu maszynowym (ang. DL) do detekcji i przewidywania zajętości RB z uwzględnieniem zmienności i zaników w kanale bezprzewodowym. W następstwie rozważań dotyczących autonomicznych SS, zbadano kooperacyjne metody SS. Zaprojektowano nowy, algorytm SS oparty na FL, zapewniający wysoką jakość detekcji i umożliwiający nowym użytkownikom pojawiającym się w sieci możliwość korzystania z globalnego modelu FL bez konieczności poświęcania zasobów obliczeniowych w celu uczenia modeli. Na koniec oszacowano wpływ skoordynowanych i losowych ataków typu zatruwającego na SS oparty na FL i opracowano nowy, efektywny algorytm do wykrywania i łagodzenia takich ataków. Głównym wnioskiem z tej rozprawy jest to, że oryginalne rozwiązania autorki mogą znacząco poprawić efektywność, niezawodność i bezpieczeństwo SS w scenariuszach rozpatrywanych dla radiowych sieci dostępowych 5G.
179
information and communication technology
DrOIN 2445
public
Piotr Gajewski
07.04.2025
english
public
Krzysztof Walkowiak
Wroclaw, Poland
24.03.2025
english
public
Yan Zhang
14.04.2025
english
public
dissertation before defense
Poznań, Poland
26.05.2025