RL-Enhanced LLMs and Rechargeable Jamming Mines: Achieving Zero-Trust Security for Hierarchical Drone Swarms
Notice bibliographique
Résumé
Abstract This proposal introduces an innovative approach to achieving zero-trust anti-eavesdropping and anti-jamming capabilities in hierarchical drone swarms by employing reinforcement learning (RL) for boosting the potential of telecom-tuned on-device large language models (LLMs). We propose fine-tuning of on-device LLMs based on multi-modal data, including telecom-specific optimization algorithms for autonomous interference/jamming mitigation and anti-eavesdropping measures. To address the lack of emergent behavior in LLMs considering distributed collective intelligence paradigm, we propose a multi-agent RL (MARL) based approach to adaptively optimize policies based on real-time interactions. By treating the swarm of UXVs (i.e. drones) as ultra-dense networks (UDNs) with heterogeneous nodes such as fog or edge drones, we leverage MARL to exploit the inherent interference through optimum node association, resource block selection, and beam/power adjustment at each node. This efficiently mitigates interference at legitimate nodes while enhancing it elsewhere, adhering to a zero-trust approach by assuming eavesdroppers can be located anywhere. We also introduce the concept of rechargeable jamming mines (RJMs) onboard daughter or multi-role (edge) drones, which harvest energy from ambient radio frequency in the UDN environment. These RJMs are deployed and activated at strategic locations to create secure zones, maximizing the secure area around the drones by generating interference that disadvantages eavesdroppers, even with superior channel conditions. Our proposed approach has proven effective in typical UDN scenarios, where the MARL approach is used to optimize configuration settings at each base station, significantly enhancing secure area coverage. Furthermore, the solution is extendable for autonomous anti-jamming capabilities, allowing dynamic channel switching or transmission rate adaptation to mitigate jamming or interference. Our work aligns with the GENZERO24 vision of autonomous secure drone communication, offering robust protection against evolving threats and enhancing operational integrity in complex dynamic environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».