基于 DRL 的覆盖层可获得速率最大化：面对制造商的网络
系统与控制
2025-01-22 v1 系统与控制
摘要
在准静态无线网络中，由于用户设备（UE）的传输时刻变化不频繁，恶意制造商可以轻易地损害网络性能。因此，管理制造商下的信道访问是一个关键挑战。针对该挑战，本文提出一种基于深度强化学习（DRL）的机制，用于在制造商环境下的多细胞准静态网络的信道访问。网络由多个合法 UE 组成，包括具有随机预定义时刻的预定义 UE（pUE）以及具有未定义传输时刻的智能 UE（iUE），它们在共享的、随时间变化的上行信道上传输。制造商传输不需要的数据包以干扰 pUE 和 iUE 的通信。在 DRL 框架下，iUE的学习过程基于残差网络（ResNet）构建的深度 Q 网络（DQN）。为了在网络中共存并最大化网络的总覆盖层可获得速率（SCLAR），iUE 必须在学习未知网络动态的同时适应动态信道条件。我们的仿真结果表明，在 DRL 中正确定义状态空间、动作空间和奖励后，iUE 能够有效地在网络中共存，通过明智地选择传输时段来最大化信道利用率和网络的 SCLAR，从而避免碰撞和制造商。
引用
@article{arxiv.2501.11626,
title = {DRL-Based Maximization of the Sum Cross-Layer Achievable Rate for Networks Under Jamming},
author = {Abdul Basit and Muddasir Rahim and Tri Nhu Do and Nadir Adam and Georges Kaddoum},
journal= {arXiv preprint arXiv:2501.11626},
year = {2025}
}