如何利用强化学习对抗反应式与动态干扰攻击
机器学习
2025-10-03 v1 人工智能
网络与互联网体系结构
信号处理
摘要
本文研究了缓解反应式干扰的问题，其中干扰者采用动态策略选择信道和感知阈值，以检测并干扰正在进行的传输。收发对通过使用强化学习（RL）调整发射功率、调制方式和信道选择，学习随时间推移避免干扰并优化吞吐量（无需信道条件或干扰策略的先验知识）。Q-learning 用于离散干扰事件状态，而 Deep Q-Networks（DQN）用于基于接收功率的连续状态。通过不同的奖励函数和动作集，结果表明 RL 能够快速适应频谱动态，并在信道和干扰策略随时间变化时维持高速率。
引用
@article{arxiv.2510.02265,
title = {How to Combat Reactive and Dynamic Jamming Attacks with Reinforcement Learning},
author = {Yalin E. Sagduyu and Tugba Erpek and Kemal Davaslioglu and Sastry Kompella},
journal= {arXiv preprint arXiv:2510.02265},
year = {2025}
}