Partially Cooperative Scalable Spectrum Sensing in Cognitive Radio Networks Under SDF Attacks
Notice bibliographique
Résumé
Massive Internet of Things (IoT) connectivity requires addressing spectrum congestion caused by spectrum scarcity in wireless communications. Over the past decade, cognitive radio (CR) has been proposed as a promising solution to utilize the licensed spectrum efficiently. Conventional spectrum-sensing approaches are complex and require statistical information about the behavior of licensed users, which is impractical. To overcome this limitation, several reinforcement-learning (RL)-based spectrum-sensing approaches have been proposed that are also highly adaptable to the dynamics of IoT environments. Additionally, cooperative-RL-based spectrum-sensing approaches have been widely used because they are more accurate than noncooperative approaches. However, the advantage comes at the cost of scalability due to increased information-sharing overhead. Furthermore, cooperative spectrum-sensing (CSS) approaches suffer from attacks on the network, such as sensing data falsification (SDF) attacks, which deteriorate sensing accuracy dramatically. In this article, we present a scalable, partially CSS algorithm that is highly resilient to SDF attacks. The novelty of the proposed algorithm lies in partial cooperation through coalition formation, which reduces sensing and information sharing overhead while improving sensing accuracy. Moreover, the algorithm learns to adapt the sensing participation percentage and selects the most rewarding channel for sensing to maximize rewards while minimizing energy consumption. The proposed algorithm outperforms state-of-the-art CSS algorithms in terms of sensing accuracy and overheard. Contrary to centralized CSS algorithms, the proposed algorithm’s performance is directly proportional to the number of devices; hence, it is suitable for massive connectivity.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».