“尽你所能干扰我”：利用深度对决神经网络架构与环境反向散射增强通信击败干扰机

借助跳频或扩频等传统抗干扰方案，合法收发器往往倾向于从干扰机处“逃避”或“隐藏”自己。这些被动式抗干扰方法受限于缺乏干扰攻击的及时信息。结合神经网络架构与环境反向散射通信的最新进展，本工作使无线节点能够有效“面对”干扰机：先学习其干扰策略，再调整速率或直接于干扰信号上传输信息。具体而言，为应对未知干扰攻击，现有工作常依赖Q-learning等强化学习算法。然而，Q-learning算法因其收敛至最优策略缓慢而声名不佳，尤其在系统状态与动作空间较大时。这使得Q-learning算法在实际中难以应用。为克服该问题，我们利用近期提出的对决神经网络架构设计了一种新颖的深度强化学习算法。我们所提算法使发射机有效了解干扰机并以比传统Q-learning算法快千倍的速度获得最优对策。通过大量仿真结果，我们表明该设计（使用环境反向散射与深度对决神经网络架构）可将平均吞吐量提升高达426%，并将丢包率降低24%。通过在设备上增强环境反向散射能力并使用我们的算法，有趣地观察到（成功）传输速率随干扰功率增大而提高。我们所提方案可应用于民用（如超可靠低时延通信或URLLC）与军事场景（以对抗无意及蓄意干扰）。