.png){kind=icon}
返回
A reinforcement learning–based active interception algorithm for wireless networks topology identification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.adhoc.2025.104134.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非合作网络中的精确拓扑识别（TI）至关重要，特别是在需要低计算开销的各种通信交互中。主动拦截已被证明在这种情况下是有效的。具体而言，主动拦截是在全双工窃听器上执行的，这些窃听器会引起频率跳变，从而获得相应的接收信号强度作为指标。然而，其干扰功率调整需要大量迭代并导致过多的频率跳变。本文提出了一种基于强化学习的主动拦截和节点定位（RLAI-NL）的新方法。RLAI-NL旨在准确识别网络拓扑。设计了四种不同的频率跳变模式来评估RLAI-NL的性能。利用强化学习（RL），训练了一个智能代理来动态调整其干扰功率。通过动态学习和策略优化，该代理避免了与特别设计的搜索策略相关的不必要功率消耗，同时有效适应了小型和大型网络以及各种通信模式。仿真结果表明，RLAI显著优于传统的主动拦截方法，在更少的频率跳变和迭代次数下达到99%的准确率，从而降低了计算复杂度和功率消耗。
期刊
IF:
4.8
论文数:
540
被引数:
6.2K
机构
引用论文
Relay-Assisted Proactive Eavesdropping With Cooperative Jamming and Spoofing具有协作干扰和欺骗功能的中继辅助主动窃听
PREAI
分享收藏A Compensated Multi-Anchors TOF-Based Localization Algorithm for Asynchronous Wireless Sensor Networks.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Dynamic parameters and topological structure identification of complex networks with stochastic perturbations复杂网络中具有随机扰动的动态参数与拓扑结构识别
PREAI
分享收藏Transfer entropy—a model-free measure of effective connectivity for the neurosciences转移熵-神经科学有效连通性的无模型度量OAAI
OAAI分享收藏WSN Localization Using RSS in Three-Dimensional Space-A Geometric Method With Closed-Form SolutionIEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏RCNet: Resilient Collaborative DNN Inference for Wireless Networks With High Packet LossRCNet：适用于高丢包无线网络的弹性协作DNN推理
PREAI
分享收藏
查看更多内容