MétaCan
Menu
Retour à la cohorte
Enregistrement W2810504435 · doi:10.1109/access.2018.2850879

A Multi-Domain Anti-Jamming Defense Scheme in Heterogeneous Wireless Networks

2018· article· en· W2810504435 sur OpenAlexaff
Luliang Jia, Yuhua Xu, Youming Sun, Shuo Feng, Long Yu, Alagan Anpalagan

Notice bibliographique

RevueIEEE Access · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueAdvanced Bandit Algorithms Research
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Science Foundation of Jiangsu ProvinceNational Natural Science Foundation of China
Mots-clésJammingComputer sciencePower domainsStackelberg competitionChannel (broadcasting)WirelessFrequency domainComputer networkLogarithmDomain (mathematical analysis)Power (physics)Mathematical optimizationTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, we investigate the anti-jamming problem in heterogeneous wireless networks. Although there are many studies on the anti-jamming defense problem in both power domain and spectrum domain, these two important aspects were addressed separately. In this paper, to cope with the jamming attacks flexibly, we study the anti-jamming defense problem from a multi-domain perspective, which includes both power domain and spectrum domain, and a multi-domain anti-jamming scheme (MDAS) is proposed. To be more specific, a Stackelberg power game is formulated in the power domain to fight against the jamming attacks, and a multi-armed bandit-based channel selection with a channel switching cost and unknown channel availability state information is formulated in the spectrum domain. Besides, we analyze the performance of the formulated Stackelberg power game and derive the optimal power strategy and utility of a legitimate user. In addition, it is proved that the proposed anti-jamming scheme has a logarithmic regret. Finally, extensive simulations are conducted to validate the performance of the proposed MDAS.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,163
Tête enseignante GPT0,464
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetAdvanced Bandit Algorithms ResearchTravaux en français237 207