利用深度强化学习为资源受限物联网网络击败主动干扰机
信号处理
2023-07-14 v1 系统与控制
系统与控制
摘要
扩频、自适应功率/速率控制以及认知无线电等传统抗干扰技术，已在缓解干扰攻击方面展现出有效性。然而，它们针对日益复杂的物联网（IoT）网络及多样化干扰攻击的鲁棒性仍然有限。为应对这些挑战，基于机器学习（ML）的技术已成为颇具前景的解决方案。通过提供自适应且智能的抗干扰能力，基于 ML 的方法可有效适应动态攻击场景，并克服传统方法的局限。本文中，我们提出一种基于深度强化学习（DRL）的方法，其利用来自真实无线网络接口卡的状态输入。我们训练了五种不同的深度 Q 网络（DQN）智能体变体以减轻干扰影响，旨在识别出最适合功率受限设备、样本效率最高、最轻量、最鲁棒且复杂度最低的智能体。仿真结果表明，所提出的基于 DRL 的抗干扰方法对抗主动干扰机有效，无论其干扰策略如何，从而免去了模式识别或干扰策略检测步骤。我们的发现为保护 IoT 网络免受干扰攻击提供了一个有前景的解决方案，并凸显了该领域内持续研究与推进的重大机遇。
引用
@article{arxiv.2307.06796,
title = {Defeating Proactive Jammers Using Deep Reinforcement Learning for Resource-Constrained IoT Networks},
author = {Abubakar Sani Ali and Shimaa Naser and Sami Muhaidat},
journal= {arXiv preprint arXiv:2307.06796},
year = {2023}
}