Eavesdropping and Anti-Eavesdropping Game in UAV Wiretap System: A Differential Game Approach
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
Despite its advantages of flexility and low-cost networking, unmanned aerial vehicle (UAV) communications face various attacks such as eavesdropping. Existing studies on secure UAV communications assume fixed-location eavesdroppers and rarely consider interactions between legitimate nodes and eavesdroppers. In this paper, we investigate eavesdropping and anti-eavesdropping interaction between a UAV-enabled eavesdropper (UAV-E) and a UAV-enabled base station (UAV-BS) in a downlink wiretap system. The UAV-E aims to wiretap downlink signals by adaptively adjusting its trajectory while the UAV-BS aims to maximize secrecy-sum-rate with minimum power consumption by jointly optimizing user scheduling, power control, and trajectory. Dynamic differential equations are formulated to characterize motions of UAVs, following which a zero-sum differential game is formulated to model the “pursuit-evasion” interaction between the UAV-BS and the UAV-E. Definition and existence of Nash equilibrium (NE) are provided. To obtain the NE, Pontryagins minimum principle is leveraged to solve the trajectory design problem. Further, Gauss-Seidel-like implicit finite-difference method is leveraged to obtain saddle-point strategies at NE. Finally, numerical results are provided to verify the effectiveness of the proposed game model. It is revealed that the differential game can well-characterize the strategy interactions between UAVs. Moreover, results show that the initial positions and weights of UAVs, the energy consumption factor, and the user scheduling have key impacts on motion interactions between the UAV-BS and the UAV-E and further on UAV-BS’s power control.
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