Physical Layer Security of Wireless Communications: When Moving Target Defense Meets Unmanned Aerial Vehicles
Notice bibliographique
Résumé
In the realm of unmanned aerial vehicle (UAV) communication, the utilization of UAVs as aerial relays for ground nodes (GNs) introduces strategic flexibility, especially in scenarios where ground base stations may experience unforeseen impairments. However, this form of communication is vulnerable to eavesdropping by malicious entities due to the broadcast nature of wireless channels. In this paper, we tackle this problem by introducing a spatiotemporal diversification-based artificial noise (AN) injection strategy, known as moving target defense (MTD), aiming to confuse potential attackers without compromising legitimate communications. The proposed approach targets maximizing the average secrecy rate (ASR) by jointly optimizing the UAV's trajectory and transmit power, aligned with optimizing the MTD transmit power splitting factor between legitimate and AN signals at the GN source. The formulated problem is a non-convex mixed integer nonlinear programming (MINLP) problem due to the non-convexity of the secrecy rate. To solve it, we formulate our system as a Markov decision process, and then we propose a novel deep reinforcement learning (DRL)-based approach to enhance the ASR under various system constraints. Numerical results demonstrate the superiority of the proposed algorithm over benchmarks in terms of ASR and intercept probability, showcasing its effectiveness in enhancing the security of UAV-assisted communications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».