Federated Learning-Based Jamming Detection for Distributed Tactical Wireless Networks
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 propose a federated learning (FL)-based JDWC algorithm for distributed tactical wireless networks (TWNs). Specifically, we consider a distributed TWN with multiple clusters under the presence of a mobile jammer, where various types of waveforms are used over the network. On local servers, we perform frequency domain analysis of the received waveforms to extract the unique features from the spectral correlation function (SCF) of each waveform and use these features for training local convolutional neural networks (CNNs) to detect the jammer attacks and classify waveforms. Moreover, considering a practical distributed TWN where each cluster head (CH) has a partial observation of the TWN with insufficient data samples, the proposed algorithm exploits the distributed learning feature of FL, i.e., global learning aggregation, to detect the existence of jammers and to distinguish the types of received waveforms over the entire TWN. We implement a rigorous TWN simulation using Matlab Toolboxes and our proposed algorithm using TensorFlow Federated (TFF). Numerical results show that the proposed algorithm outperforms the standalone local SCF-CNN algorithm. We further demonstrate that using the SCF feature provides more accuracy than using the In-phase/Quadrature (I/Q) features.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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