R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models
Created by
- Haebom
Category
Empty
저자
Aladin Djuhera, Vlad C. Andrei, Xinyang Li, Ullrich J. Monich, Holger Boche, Walid Saad
Split Federated Learning in Wireless Networks: A Jamming Resilience Perspective
개요
본 논문은 분할 연합 학습(SFL) 환경에서 무선 채널을 통한 모델 매개변수 전송 시 발생하는 적대적 재밍 공격에 대한 취약성을 분석하고, 특히 임베딩 매개변수(언어 모델, 시각 언어 모델)에 미치는 영향을 연구합니다. 훈련 손실 발산 표현식을 유도하고, 평균 제곱 오차(MSE)로 상한을 설정하여 분석합니다. 무선 감지 데이터를 활용하여 재밍 도착 방향(DoA) 정보를 얻고 빔 형성, 사용자 스케줄링 및 자원 할당을 최적화하는 감지 기반 안티 재밍 전략을 개발합니다. LLM 및 VLM을 활용한 광범위한 실험을 통해 제안된 R-SFLLM 프레임워크의 효과를 입증하고, 적대적 훈련을 통해 모델의 재밍 저항성을 강화합니다.
시사점, 한계점
•
시사점:
◦
무선 통신 환경에서 SFL의 재밍 공격 취약성 분석 및 MSE 기반의 손실 발산 상한 설정.
◦
재밍 DoA 정보를 활용한 빔 형성, 사용자 스케줄링, 자원 할당 최적화 기반 R-SFLLM 프레임워크 제안.
◦
LLM 및 VLM 모델에 대한 실험을 통해 제안된 방법론의 효과 입증.
◦
적대적 훈련을 통한 모델의 재밍 저항성 강화.
◦
자원 할당의 불공정성 문제 및 최악의 경우 재밍 시나리오에 대한 분석.
•
한계점:
◦
실제 무선 환경의 복잡성을 완전히 반영하지 못할 수 있음.
◦
특정 LLM 및 VLM 모델에 대한 실험 결과의 일반화 가능성 제한.
◦
R-SFLLM 프레임워크의 계산 복잡성 및 추가적인 하드웨어/자원 요구 사항.
◦
재밍 공격에 대한 방어 기법의 효율성은 공격 유형 및 강도에 따라 달라질 수 있음.
