.png){kind=icon}
返回
Deep Graph Reinforcement Learning for UAV-Enabled Multi-User Secure Communications
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3558790.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管具备灵活移动能力的无人机（UAVs）被设想用于增强无线通信中的物理层安全，但能够适应此类高网络动态的高效安全设计极具挑战性。从优化角度扩展的传统方法通常较为复杂，尤其是在联合考虑无人机相关场景中不同尺度因素（如部署和传输）时。本文通过提出一种深度图强化学习框架，解决了基于无人机的多用户安全通信问题。具体而言，我们将安全波束成形重新诠释为图神经网络（GNN）学习任务，其中用户间的相互干扰通过消息传递机制进行管理。随后，通过软Actor-Critic强化学习获得无人机部署方案，并利用基于GNN的安全波束成形来指导部署策略更新。仿真结果表明，所提出的方法能够实现近最优的安全性能，并显著提升策略确定的效率。此外，深度图强化学习框架提供了一种可扩展的解决方案，能够适应各种网络场景和配置，为基于无人机的通信信息安全奠定了坚实基础。
Keyword:
Physical layer security
unmanned aerial vehicle
graph neural network
deep reinforcement learning
scalability
期刊
IF:
9.2
论文数:
5.8K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Collaborative Ground-Space Communications via Evolutionary Multi-Objective Deep Reinforcement Learning基于进化多目标深度强化学习的协同天地通信
PREAI
分享收藏A Systematic Survey: Security Threats to UAV-Aided IoT Applications, Taxonomy, Current Challenges and Requirements With Future Research Directions系统调查: 无人机辅助物联网应用的安全威胁，分类法，当前挑战和要求以及未来的研究方向
OAAI
OAAI分享收藏Enhancing Reliability and Security of UAV-Enabled NOMA Communications With Power Allocation and Aerial Jamming通过功率分配和空中干扰提高无人机NOMA通信的可靠性和安全性
PREAI
分享收藏
查看更多内容