基于循环神经网络的抗干扰框架：防御多种干扰策略
机器学习
2022-12-26 v1 信号处理
摘要
传统抗干扰方法主要关注防范具有不变干扰策略的单一干扰机攻击，或来自具有相似干扰策略的多个干扰机的干扰攻击。这些抗干扰方法对遵循若干不同干扰策略的单一干扰机或具有不同策略的多个干扰机无效。因此，本文提出一种能使其策略适应当前干扰攻击的抗干扰方法。此外，针对多干扰机场景，提出一种利用干扰机在前时时隙占用的信道来估计未来占用信道的抗干扰方法。在单干扰机与多干扰机两种场景中，用户与干扰机之间的交互均使用循环神经网络（RNN）建模。所提抗干扰方法的性能通过计算得到用户的成功传输率（STR）与遍历速率（ER）来评估，并与基于 Q-learning（DQL）的基线进行比较。仿真结果表明，在单干扰机场景中，所有考虑的干扰策略均被完美检测，且维持了高 STR 与 ER。此外，当 70\% 的频谱遭受多干扰机干扰攻击时，所提方法实现的 STR 与 ER 分别大于 75\% 与 80\%；当 30\% 的频谱遭受干扰攻击时，这些数值升至 90\%。并且，在所有考虑的情况与干扰场景下，所提抗干扰方法均显著优于 DQL 方法。
引用
@article{arxiv.2208.09518,
title = {Recurrent Neural Network-based Anti-jamming Framework for Defense Against Multiple Jamming Policies},
author = {Ali Pourranjbar and Georges Kaddoum and Walid Saad},
journal= {arXiv preprint arXiv:2208.09518},
year = {2022}
}