研究发现学习式无蜂窝ISAC调度器高精度仍可能违反硬约束，单个恶意AP可致解大量不可行
arXiv论文以ASSENT算法为例指出，GNN学习式调度器在F1分数高的情况下可能违反硬约束；可行性投影可恢复约束满足，但无法防范影响约束的虚假数据注入攻击。
AI解读：这篇研究提醒我们：在无蜂窝通信这类实时调度场景中，AI模型“预测得准”不等于“结果可用”。作者用ASSENT算法测试发现，即使F1分数很高，许多输出仍违反至少一条硬约束——因为训练时约束只作为软性惩罚，推理时模型不保证一定满足。对开发者来说，这意味着部署学习式调度器必须加一层可行性投影，论文显示简单的贪心修复就能在不损失太多效用的前提下恢复约束满足。但投影只能防住影响目标函数的那类假信息；如果恶意接入点谎报的是影响约束的信息，投影反而帮不上忙，论文建议用低复杂度的跨AP一致性检查来检测这类攻击。对系统设计者的实际含义是：评估这类调度器不能只看准确率，还要用约束感知的可行性指标；对普通用户，这项研究暂时没有直接影响。
一项将于MobiCom 2026的S3 '26 研讨会展示的arXiv研究（论文编号arXiv:2609.03147）发现，在分布式无蜂窝集成感知与通信（ISAC）系统中，基于图神经网络（GNN）的学习式调度器尽管预测精度高（F1分数），仍可能违反其输出本应满足的硬约束。该研究由Mehdi Zafari、Iman Mohammadi和A. Lee Swindlehurst撰写，以作者提出的ASSENT算法为例展示：将GNN输出投影到可行解上可恢复约束满足性，且效用损失很低，但可行性本身并不能防御虚假数据注入攻击——单个恶意接入点（AP）谎报信息即可大幅提高不可行解的比例。
高预测精度不等于联合可行性
研究说明，学习式调度器通常用GNN在单次前向传播中将轻量级每AP统计映射为AP聚类、用户与目标调度以及模式选择的决策，其训练标签来自混合整数线性规划。此类方案假设只在训练中以软惩罚方式施加的硬约束在推理时依然成立，并假设各AP自报的统计数据真实可信。
- 作者以ASSENT算法为例发现，尽管F1分数高，许多输出仍违反至少一条硬约束，证明高预测精度并不能确保联合可行性。
- 将GNN输出投影到可行解上，即使用简单的贪心修复过程，也能以较低的效用损失恢复约束满足性。
单个恶意AP可使不可行率大幅上升
研究进一步表明，仅满足可行性并不能保证对虚假数据注入攻击的鲁棒性。一个谎报信息的恶意AP无法显著增加自身被关联的用户数量，但可以大幅提高不可行解的比例。
攻击效果取决于被伪造信息的类型：谎报影响目标函数的信息，大多可通过可行性投影来缓解；而谎报影响约束的信息则无法通过投影缓解。不过，后者可以通过低复杂度的跨AP一致性检查来检测。
- 研究者据此建议，学习式ISAC调度器除了常规准确率指标外，还应使用考虑约束的可行性指标进行评估。
- 论文已接收至MobiCom 2026的 17 届ACM S3 '26 研讨会（Wireless of the Students, by the Students, for the Students），共 4 页、3 张图，属网络与互联网架构（cs.NI）、机器学习（cs.LG）与信号处理（eess.SP）方向。