Spectrum coexistence is essential for next generation (NextG) systems to share the spectrum with incumbent (primary) users and meet the growing demand for bandwidth. One example is the 3.5 GHz Citizens Broadband Radio Service (CBRS) band, where the 5G and beyond communication systems need to sense the spectrum and then access the channel in an opportunistic manner when the incumbent user (e.g., radar) is not transmitting. To that end, a high-fidelity classifier based on a deep neural network is needed for low misdetection (to protect incumbent users) and low false alarm (to achieve high throughput for NextG). In a dynamic wireless environment, the classifier can only be used for a limited period of time, i.e., coherence time. A portion of this period is used for learning to collect sensing results and train a classifier, and the rest is used for transmissions. In spectrum sharing systems, there is a well-known tradeoff between the sensing time and the transmission time. While increasing the sensing time can increase the spectrum sensing accuracy, there is less time left for data transmissions. In this paper, we present a generative adversarial network (GAN) approach to generate synthetic sensing results to augment the training data for the deep learning classifier so that the sensing time can be reduced (and thus the transmission time can be increased) while keeping high accuracy of the classifier. We consider both additive white Gaussian noise (AWGN) and Rayleigh channels, and show that this GAN-based approach can significantly improve both the protection of the high-priority user and the throughput of the NextG user (more in Rayleigh channels than AWGN channels).

Communications systems to date are primarily designed with the goal of reliable (error-free) transfer of digital sequences (bits). Next generation (NextG) communication systems are beginning to explore shifting this design paradigm of reliably decoding bits to reliably executing a given task. Task-oriented communications system design is likely to find impactful applications, for example, considering the relative importance of messages. In this paper, a wireless signal classification is considered as the task to be performed in the NextG Radio Access Network (RAN) for signal intelligence and spectrum awareness applications such as user equipment (UE) identification and authentication, and incumbent signal detection for spectrum co-existence. For that purpose, edge devices collect wireless signals and communicate with the NextG base station (gNodeB) that needs to know the signal class. Edge devices may not have sufficient processing power and may not be trusted to perform the signal classification task, whereas the transfer of the captured signals from the edge devices to the gNodeB may not be efficient or even feasible subject to stringent delay, rate, and energy restrictions. We present a task-oriented communications approach, where all the transmitter, receiver and classifier functionalities are jointly trained as two deep neural networks (DNNs), one for the edge device and another for the gNodeB. We show that this approach achieves better accuracy with smaller DNNs compared to the baselines that treat communications and signal classification as two separate tasks. Finally, we discuss how adversarial machine learning poses a major security threat for the use of DNNs for task-oriented communications. We demonstrate the major performance loss under backdoor (Trojan) attacks and adversarial (evasion) attacks that target the training and test processes of task-oriented communications.

互联网连接系统的指数增长产生了许多挑战，例如频谱短缺问题，需要有效的频谱共享（SS）解决方案。复杂和动态的SS系统可以接触不同的潜在安全性和隐私问题，需要保护机制是自适应，可靠和可扩展的。基于机器学习（ML）的方法经常提议解决这些问题。在本文中，我们对最近的基于ML的SS方法，最关键的安全问题和相应的防御机制提供了全面的调查。特别是，我们详细说明了用于提高SS通信系统的性能的最先进的方法，包括基于ML基于ML的基于的数据库辅助SS网络，ML基于基于的数据库辅助SS网络，包括基于ML的数据库辅助的SS网络，基于ML的LTE-U网络，基于ML的环境反向散射网络和其他基于ML的SS解决方案。我们还从物理层和基于ML算法的相应防御策略的安全问题，包括主要用户仿真（PUE）攻击，频谱感测数据伪造（SSDF）攻击，干扰攻击，窃听攻击和隐私问题。最后，还给出了对ML基于ML的开放挑战的广泛讨论。这种全面的审查旨在为探索新出现的ML的潜力提供越来越复杂的SS及其安全问题，提供基础和促进未来的研究。

常规的反犯罪方法主要集中于防止通过不变政策或与具有类似障碍政策的多个干扰者的攻击进行不变的攻击。这些抗界方法在几种不同的干扰策略或具有不同策略的多个干扰器之后，对单个干扰器无效。因此，本文提出了一种反判断方法，可以使其政策适应当前的干扰攻击。此外，对于多个干扰器情景，提出了一种反杀伤方法，该方法在以前的插槽中估算了使用卡默斯占领的通道估算未来占用的通道。在单个干扰器的情况下，用户和干扰器之间的相互作用是使用复发性神经网络（RNN）s建模的。通过计算用户的成功传输速率（STR）和厄贡速率（ER），评估所提出的抗界方法的性能，并与基于Q学习（DQL）的基线进行比较。仿真结果表明，对于单个干扰器方案，完美地检测到所有考虑的干扰策略，并保持高STR和ER。此外，当70％的频谱受到多个干扰器的干扰攻击时，该提出的方法分别达到了STR和ER大于75％和80％。当频谱的30％处于干扰攻击下时，这些值上升到90％。此外，针对所有考虑的情况和干扰场景，提出的抗界方法显着优于DQL方法。

神经形态计算是一项新兴技术，可为需要有效的在线推理和/或控制的应用程序提供以事件为导向的数据处理。最近的工作引入了神经形态通信的概念，在该概念中，神经形态计算与Impulse Radio（IR）传输集成在一起，以实现无线物联网网络中的低能量和低延迟远程推断。在本文中，我们介绍了神经形态综合传感和通信（N-ISAC），这是一种新的解决方案，可实现有效的在线数据解码和雷达传感。 N-ISAC利用了一个常见的IR波形，以传达数字信息并检测存在或不存在雷达靶标的双重目的。在接收方部署了尖峰神经网络（SNN），以解码数字数据并使用接收的信号检测雷达目标。通过平衡数据通信和雷达传感的性能指标，突出了两个应用程序之间的协同作用和权衡，可以优化SNN操作。

在集成感测和通信（ISAC）系统中表征传感和通信性能权衡，在基于学习的人类运动识别的应用中具有挑战性。这是因为大型实验数据集和深神经网络的黑盒性质。本文介绍了SDP3，这是一种模拟驱动的性能预测指标和优化器，由SDP3数据模拟器，SDP3性能预测器和SDP3性能优化器组成。具体而言，SDP3数据模拟器在虚拟环境中生成生动的无线传感数据集，SDP3性能预测器预测基于函数回归方法的传感性能，而SDP3性能优化器会在分析上研究传感和通信性能。结果表明，模拟传感数据集在运动识别精度中非常匹配实验数据集。通过利用SDP3，发现可实现的识别准确性和通信吞吐量由通信饱和区组成，感应饱和区和通讯感应的对抗区域，ISAC系统的所需平衡性能位于第三个一。

随着智能干扰的出现，干扰攻击已成为无线系统性能的更严重威胁。智能化器能够更改其策略，以最大限度地减少由合法节点进行跟踪的概率。因此，需要一种能够持续调节对干扰策略的抗干扰机构来打击这种干扰物。值得注意的是，现有的抗干扰方法在这里不适用，因为它们主要关注减轻与不变的干扰政策的干扰攻击，并且很少考虑一个智能的干扰器作为对手。因此，在本文中，提出了与抗干扰技术一起工作的干扰型识别技术。所提出的识别方法采用经常性的神经网络，将Jammer的占用通道作为输入，输出干扰类型。在此方案下，首先确定实时干扰策略，然后选择最合适的对策。因此，可以通过所提出的识别技术来立即检测对干扰策略的任何改变，允许快速切换到适合新的干扰策略的新的抗干扰方法。为了评估所提出的识别方法的性能，派生检测的准确性是Jammer策略切换时间的函数。当Jammer策略切换时间为45时，仿真结果显示所有所考虑的用户数字的检测精度大于70％，当Jammer策略切换时间为45时，精度会提高到90％。

鉴于无线频谱的有限性和对无线通信最近的技术突破产生的频谱使用不断增加的需求，干扰问题仍在继续持续存在。尽管最近解决干涉问题的进步，但干扰仍然呈现出有效使用频谱的挑战。这部分是由于Wi-Fi的无许可和管理共享乐队使用的升高，长期演进（LTE）未许可（LTE-U），LTE许可辅助访问（LAA），5G NR等机会主义频谱访问解决方案。因此，需要对干扰稳健的有效频谱使用方案的需求从未如此重要。在过去，通过使用避免技术以及非AI缓解方法（例如，自适应滤波器）来解决问题的大多数解决方案。非AI技术的关键缺陷是需要提取或开发信号特征的域专业知识，例如CycrationArity，带宽和干扰信号的调制。最近，研究人员已成功探索了AI / ML的物理（PHY）层技术，尤其是深度学习，可减少或补偿干扰信号，而不是简单地避免它。 ML基于ML的方法的潜在思想是学习来自数据的干扰或干扰特性，从而使需要对抑制干扰的域专业知识进行侧联。在本文中，我们审查了广泛的技术，这些技术已经深入了解抑制干扰。我们为干扰抑制中许多不同类型的深度学习技术提供比较和指导。此外，我们突出了在干扰抑制中成功采用深度学习的挑战和潜在的未来研究方向。

为了减轻阴影衰落和障碍物阻塞的影响，可重新配置的智能表面（RIS）已经成为一种有前途的技术，通过控制具有较少硬件成本和更低的功耗来改善无线通信的信号传输质量。然而，由于大量的RIS被动元件，准确，低延迟和低导频和低导架频道状态信息（CSI）采集仍然是RIS辅助系统的相当大挑战。在本文中，我们提出了一个三阶段的关节通道分解和预测框架来要求CSI。所提出的框架利用了基站（BS）-RIS通道是准静态的两次时间段属性，并且RIS用户设备（UE）通道快速时变。具体而言，在第一阶段，我们使用全双工技术来估计BS的特定天线和RIS之间的信道，解决信道分解中的关键缩放模糊问题。然后，我们设计了一种新型的深度神经网络，即稀疏连接的长短期存储器（SCLSTM），并分别在第二和第三阶段提出基于SCLSTM的算法。该算法可以从级联信道同时分解BS-RIS信道和RIS-UE信道，并捕获RIS-UE信道的时间关系以进行预测。仿真结果表明，我们所提出的框架具有比传统信道估计算法更低的导频开销，并且所提出的基于SCLSTM的算法也可以鲁棒地和有效地实现更准确的CSI采集。

This paper presents a game-theoretic framework to study the interactions of attack and defense for deep learning-based NextG signal classification. NextG systems such as the one envisioned for a massive number of IoT devices can employ deep neural networks (DNNs) for various tasks such as user equipment identification, physical layer authentication, and detection of incumbent users (such as in the Citizens Broadband Radio Service (CBRS) band). By training another DNN as the surrogate model, an adversary can launch an inference (exploratory) attack to learn the behavior of the victim model, predict successful operation modes (e.g., channel access), and jam them. A defense mechanism can increase the adversary's uncertainty by introducing controlled errors in the victim model's decisions (i.e., poisoning the adversary's training data). This defense is effective against an attack but reduces the performance when there is no attack. The interactions between the defender and the adversary are formulated as a non-cooperative game, where the defender selects the probability of defending or the defense level itself (i.e., the ratio of falsified decisions) and the adversary selects the probability of attacking. The defender's objective is to maximize its reward (e.g., throughput or transmission success ratio), whereas the adversary's objective is to minimize this reward and its attack cost. The Nash equilibrium strategies are determined as operation modes such that no player can unilaterally improve its utility given the other's strategy is fixed. A fictitious play is formulated for each player to play the game repeatedly in response to the empirical frequency of the opponent's actions. The performance in Nash equilibrium is compared to the fixed attack and defense cases, and the resilience of NextG signal classification against attacks is quantified.

我们考虑无上行赠款非正交多访问（NOMA）中的多用户检测（MUD）问题，其中访问点必须确定活动互联网（IoT）设备的总数和正确的身份他们传输的数据。我们假设IoT设备使用复杂的扩散序列并以随机访问的方式传输信息，按照爆发 - 距离模型，其中一些物联网设备以高概率在多个相邻的时间插槽中传输其数据，而另一些物联网设备在帧中仅传输一次。利用时间相关性，我们提出了一个基于注意力的双向长期记忆（BILSTM）网络来解决泥浆问题。 Bilstm网络使用前向和反向通过LSTM创建设备激活历史记录的模式，而注意机制为设备激活点提供了基本背景。通过这样做，遵循了层次途径，以在无拨款方案中检测主动设备。然后，通过利用复杂的扩散序列，对估计的活动设备进行了盲数据检测。所提出的框架不需要对设备稀疏水平和执行泥浆的通道的先验知识。结果表明，与现有的基准方案相比，提议的网络的性能更好。

神经网是电磁频谱中无线电信号分类的强大方法。由于缺乏多样化和大量的实际RF数据，这些神经网通常经过合成生成的数据训练。但是，通常不清楚如何在现实世界应用中对合成数据进行训练的神经网。本文调查了不同RF信号障碍（例如相，频率和样本率偏移，接收器过滤器，噪声和频道模型）的影响，该影响与现实世界性能有关合成训练数据。为此，本文通过不同的信号障碍的各种合成训练数据集训练神经网。训练后，对神经网的实际RF数据进行了评估，该数据由软件定义的无线电接收器收集。这种方法揭示了应包括在精心设计的合成数据集中的建模信号障碍。研究的显示示例可以将RF信号分类为短波频段的20种不同无线电信号类型之一。通过仅使用精心设计的合成训练数据，它在实际操作中可实现多达95％的精度。

频谱感测允许认知无线电系统尽管存在严重干扰，但是尽管存在严重干扰，但是在存在相关信号。大多数现有的频谱传感技术使用具有某些假设的特定信号噪声模型并导出某些检测性能。为了处理这种不确定性，正在采用基于学习的方法，最近基于深度学习的工具已经变得流行。这里，我们提出了一种基于长短短期存储器（LSTM）的频谱感测的方法，这是深度学习网络（DLN）的关键元件。 LSTM的使用促进了从频谱数据中学习的隐式功能。使用若干特征，使用若干特征培训，使用Adalm Pluto的经验测试用后设置验证了所提出的传感技术的性能。测试用培训培训以获取使用FM进行的现实世界无线电广播的主要信号。实验数据表明，与当前频谱感测方法相比，我们的方法即使在低信噪比下，我们的方法也在检测和分类准确性方面表现良好。

深度学习（DL）在无线领域中找到了丰富的应用，以提高频谱意识。通常，DL模型要么是根据统计分布后随机初始初始初始初始初始初始初始初始初始初始化，要么在其他数据域（例如计算机视觉）（以转移学习的形式）上进行鉴定，而无需考虑无线信号的唯一特征。即使只有有限的带有标签的培训数据样本，自我监督的学习也能够从射频（RF）信号本身中学习有用的表示形式。我们通过专门制定一组转换以捕获无线信号特征来提出第一个自我监督的RF信号表示学习模型，并将其应用于自动调制识别（AMR）任务。我们表明，通过学习信号表示具有自我监督的学习，可以显着提高样本效率（实现一定准确性性能所需的标记样品数量）。这转化为大量时间和节省成本。此外，与最先进的DL方法相比，自我监管的学习可以提高模型的准确性，即使使用了一小部分训练数据样本，也可以保持高精度。

本文提出了对基于深度学习的无线信号分类器的信道感知对抗攻击。有一个发射器，发送具有不同调制类型的信号。每个接收器使用深神经网络以将其超空气接收信号分类为调制类型。与此同时，对手将对手扰动（受到电力预算的影响）透射到欺骗接收器，以在作为透射信号叠加和对抗扰动的叠加接收的分类信号中进行错误。首先，当在设计对抗扰动时不考虑通道时，这些逃避攻击被证明会失败。然后，通过考虑来自每个接收器的对手的频道效应来提出现实攻击。在示出频道感知攻击是选择性的（即，它只影响扰动设计中的信道中考虑的接收器），通过制作常见的对抗扰动来呈现广播对抗攻击，以在不同接收器处同时欺骗分类器。通过占通道，发射机输入和分类器模型可用的不同信息，将调制分类器对过空中侵犯攻击的主要脆弱性。最后，引入了基于随机平滑的经过认证的防御，即增加了噪声训练数据，使调制分类器鲁棒到对抗扰动。

第五代（5G）网络和超越设想巨大的东西互联网（物联网）推出，以支持延长现实（XR），增强/虚拟现实（AR / VR），工业自动化，自主驾驶和智能所有带来的破坏性应用一起占用射频（RF）频谱的大规模和多样化的IOT设备。随着频谱嘎嘎和吞吐量挑战，这种大规模的无线设备暴露了前所未有的威胁表面。 RF指纹识别是预约的作为候选技术，可以与加密和零信任安全措施相结合，以确保无线网络中的数据隐私，机密性和完整性。在未来的通信网络中，在这项工作中，在未来的通信网络中的相关性，我们对RF指纹识别方法进行了全面的调查，从传统观点到最近的基于深度学习（DL）的算法。现有的调查大多专注于无线指纹方法的受限制呈现，然而，许多方面仍然是不可能的。然而，在这项工作中，我们通过解决信号智能（SIGINT），应用程序，相关DL算法，RF指纹技术的系统文献综述来缓解这一点，跨越过去二十年的RF指纹技术的系统文献综述，对数据集和潜在研究途径的讨论 - 必须以百科全书的方式阐明读者的必要条件。

最近在无线通信领域的许多任务中考虑了机器学习算法。以前，我们已经提出了使用深度卷积神经网络（CNN）进行接收器处理的使用，并证明它可以提供可观的性能提高。在这项研究中，我们专注于发射器的机器学习算法。特别是，我们考虑进行波束形成并提出一个CNN，该CNN对于给定上行链路通道估计值作为输入，输出下链路通道信息用于波束成形。考虑到基于UE接收器性能的损失函数的上行链路传输和下行链路传输，CNN以有监督的方式进行培训。神经网络的主要任务是预测上行链路和下行链路插槽之间的通道演变，但它也可以学会处理整个链中的效率低下和错误，包括实际的光束成型阶段。提供的数值实验证明了波束形成性能的改善。

正交频分复用（OFDM）已广泛应用于当前通信系统。人工智能（AI）addm接收器目前被带到最前沿替换和改进传统的OFDM接收器。在这项研究中，我们首先比较两个AI辅助OFDM接收器，即数据驱动的完全连接的深神经网络和模型驱动的COMNet，通过广泛的仿真和实时视频传输，使用5G快速原型制作系统进行跨越式-Air（OTA）测试。我们在离线训练和真实环境之间的频道模型之间的差异差异导致的模拟和OTA测试之间找到了性能差距。我们开发一种新颖的在线培训系统，称为SwitchNet接收器，以解决此问题。该接收器具有灵活且可扩展的架构，可以通过在线训练几个参数来适应真实频道。从OTA测试中，AI辅助OFDM接收器，尤其是SwitchNet接收器，对真实环境具有鲁棒，并且对未来的通信系统有前途。我们讨论了本文初步研究的潜在挑战和未来的研究。

近年来，无线数据传输需求的指数增加增加了准确的光谱传感方法的紧迫性，以提高频谱效率。通过使用单个二级用户（SU）的测量结果，传统频谱传感方法的不可靠性激发了对合作频谱传感（CSS）的研究。在这项工作中，我们提出了一个垂直联合学习（VFL）框架，以利用多个SU的分布式功能，而不会损害数据隐私。但是，VFL的重复培训过程面临着高通信延迟的问题。为了加速培训过程，我们提出了一种截断的垂直联合学习（T-VFL）算法，在该算法中，通过将标准VFL算法与频道意识的用户调度策略集成在一起，可以大大降低培训潜伏期。 T-VFL的收敛性能通过数学分析提供，并通过模拟结果证明。此外，为了确保T-VFL算法的融合性能，我们对VFL框架下使用的神经体系结构进行了三个设计规则，该规则通过模拟证明了其有效性。

在本文中，我们旨在改善干扰限制的无线网络中超级可靠性和低延迟通信（URLLC）的服务质量（QoS）。为了在通道连贯性时间内获得时间多样性，我们首先提出了一个随机重复方案，该方案随机将干扰能力随机。然后，我们优化了每个数据包的保留插槽数量和重复数量，以最大程度地减少QoS违规概率，该概率定义为无法实现URLLC的用户百分比。我们构建了一个级联的随机边缘图神经网络（REGNN），以表示重复方案并开发一种无模型的无监督学习方法来训练它。我们在对称场景中使用随机几何形状分析了QoS违规概率，并应用基于模型的详尽搜索（ES）方法来找到最佳解决方案。仿真结果表明，在对称方案中，通过模型学习方法和基于模型的ES方法实现的QoS违规概率几乎相同。在更一般的情况下，级联的Regnn在具有不同尺度，网络拓扑，细胞密度和频率重复使用因子的无线网络中很好地概括了。在模型不匹配的情况下，它的表现优于基于模型的ES方法。