本文针对下一代无线网络中通信系统需要同时保障高数据速率、效率和安全性这一核心需求，提出了一种基于贝叶斯引导的协作强化学习波束赋形框架，用于在存在恶意攻击者的动态无线环境中实现联合波束成形与安全感知决策。作者首先基于3GPP标准构建了无攻击场景下的系统模型，并以穷举搜索作为参考基准以获取最优波束配置。随后，在引入攻击者并考虑不同网络扩展规模的条件下评估所提框架。实验结果表明，基于强化学习的方法（Q-learning 和 SARSA）在总信道容量、攻击者检测准确率和性能稳定性方面均一致优于随机选择策略；其中 Q-learning 在检测精度与计算效率之间取得了最佳平衡。整体而言，该框架为对抗性无线环境下的联合波束赋形与安全决策提供了一种稳定、可扩展且有效的解决方案。

本文研究了WiFi通信中波束成形反馈信息（BFI）的隐私泄露问题。随着WiFi连接设备的普及，利用信道状态信息（CSI）进行人体感知的技术日益成熟，但这也带来了隐私风险，例如攻击者可通过拦截WiFi信号推断室内占用情况，进而用于入室盗窃或跟踪等恶意场景。作者提出了一种名为LeakyBeam的新型占用检测攻击，它利用WiFi CSI中的一个新侧信道——波束成形反馈信息（BFI）。BFI是WiFi 802.11ac/ax标准中用于优化传输的反馈机制，其数据包以明文形式传输，且能穿透墙壁保留人体运动信息，因此成为隐私敏感信息的丰富来源。通过捕获BFI数据包，攻击者可在20米外实现82.7%的真阳性率和96.7%的真阴性率，验证了攻击的有效性。为缓解此威胁，作者还提出了一种防御机制，通过对BFI数据包进行混淆，仅需对硬件进行微小修改即可降低信息泄露风险。本文的研究揭示了WiFi通信中一个被忽视的隐私漏洞，并提供了实用的防御方案，对无线安全、隐私保护以及物联网设备设计具有重要参考价值。