强化学习与能量收集在级联信道下的认知网络优化
新兴技术
2025-07-10 v1 网络与互联网体系结构
信号处理
摘要
本文提出了一种基于强化学习（RL）的方法，以提高覆构认知无线电网络（Cognitive Radio Network, CRN）中分布式信道下物理层安全性（Physical Layer Security, PLS）。这些信道用于高度移动网络，如认知车辆网络（Cognitive Vehicular Network, CVN）。此外，窃听者旨在截获二级用户（Secondary Users, SUs）之间的通信。次级用户接收器具备全双工和能量收集能力，用于生成制造噪声信号以混淆窃听者并增强安全性。此外，次级用户发射器从环境射频信号中提取能量，以供后续传输给其预期接收器。为优化CVN中次级用户的隐私和可靠性，采用深度Q网络（Deep Q-Network, DQN）策略，其中每个次级用户发射器都需要一个智能体。次级用户的目标是确定在每个时段内的最佳传输功率，并决定是收集能量还是传输消息，以最大化其密钥率。随后，我们提出一种DQN方法，以尊重次级用户接收器处于首选用户（Primary User）可接受干扰阈值的前提下，最大化次级用户的吞吐量。根据我们的发现，所提策略在安全性和可靠性方面均优于两种其他基准策略。
引用
@article{arxiv.2507.06981,
title = {Optimizing Cognitive Networks: Reinforcement Learning Meets Energy Harvesting Over Cascaded Channels},
author = {Deemah H. Tashman and Soumaya Cherkaoui and Walaa Hamouda},
journal= {arXiv preprint arXiv:2507.06981},
year = {2025}
}