Mean-Field Artificial Noise Assistance and Uplink Power Control in Covert IoT Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we study a covert Internet of Things (IoT) system. Compared with conventional IoT systems that apply cryptography and information-theoretic secrecy approaches to secure the transmission, our considered IoT system adopts the covertness technique and intends to hide the legitimate transmission from the observant adversaries. In the IoT system, the IoT devices randomly transmit the collected data to their associated IoT gateways (GWs). In the meantime, the adversaries attempt to detect the existence of legitimate transmission based on their received signal power and launch hostile attacks accordingly. To avoid being detected by the adversaries, the IoT system applies uplink power control to achieve covert legitimate transmission. Moreover, to distort the observation of the adversaries so as to mislead their decisions, we propose an artificial noise (AN)-assisted covert communication design, where the AN is transmitted by in-band full-duplex (IBFD) IoT GWs as a jamming operation. We formulate a Stackelberg game to study the interaction between the adversaries and the legitimate entities including the IoT GWs and IoT devices, where the legitimate entities, as the leaders, decide on the powers of legitimate and AN transmissions at the upper level and the adversaries, as the followers, aim to minimize their detection errors at the lower level. Thereafter, considering the large scale of IoT system, we further cast the Stackelberg game into a mean-field Stackelberg game and incorporate the stochastic geometry and statistical channel model to capture the location heterogeneity and channel dynamics among and of the system entities, respectively. In the performance evaluation, we verify the practicability of the mean-field Stackelberg game. Moreover, we demonstrate the effectiveness of AN in improving the transmission covertness.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle