From 5G to 6G Networks: A Survey on AI-Based Jamming and Interference Detection and Mitigation
Notice bibliographique
Résumé
Fifth-generation and Beyond (5GB) networks are transformational technologies to revolutionize future wireless communications in terms of massive connectivity, higher capacity, lower latency, and ultra-high reliability. To this end, 5GB networks are designed as a coalescence of various schemes and enabling technologies such as unmanned aerial vehicles (UAV)-assisted networks, vehicular networks, heterogeneous cellular networks (HCNs), Internet of Things (IoT), device-to-device (D2D) communication, millimeter-wave (mm-wave), massive multiple-input multiple-output (mMIMO), non-orthogonal multiple access (NOMA), re-configurable intelligent surface (RIS) and Terahertz (THz) communications. Due to the scarcity of licensed bands and the co-existence of multiple technologies in unlicensed bands, interference management is a pivotal factor in enhancing the user experience and quality of service (QoS) in future-generation networks. However, due to the highly complex scenarios, conventional interference mitigation techniques may not be suitable in 5GB networks. To cope with this, researchers have investigated artificial intelligence (AI)-based interference management techniques to tackle complex environments. Existing surveys either focus on conventional interference management methods or AI-based interference management only for a specific scheme or technology. This survey article complements the existing survey literature by providing a detailed review of AI-based intentional-interference management such as jamming detection and mitigation, and AI-enabled unintentional-interference mitigation techniques from the standpoints of UAV-assisted networks, vehicular networks, HCNs, D2D, IoT, mmWave-MIMO, NOMA, and THz communications. While identifying and presenting the AI-based techniques for interference management in 5G and beyond networks, this article also points out the challenges, open issues, and future research directions to adopt AI-enabled techniques to curtail the effects of interference in 5GB and towards 6G networks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».