Reinforcement Learning-Assisting Secure Reliable Underwater Acoustic Communications
Notice bibliographique
Résumé
In recent times, there has been an increasing deployment of autonomous underwater vehicles (AUVs) for tactical acoustic communications. This necessitates the establishment of secure and reliable AUV-links to safeguard sensitive information. However, existing methods such as cryptography and channel coding introduce extra overheads and computational complexity. This is primarily due to the inherent challenges posed by acoustic communications, such as limited bandwidth and low energy efficiency. To overcome these challenges, intelligent reflecting surfaces (IRSs) in conjunction with reinforcement learning (RL) techniques is proposed. This to facilitate simultaneous secure and reliable communications between AUVs and buoyed nodes, resulting in what is termed as RL-based Buoyed-IRS-AUV (RL-BIA) links. The RL-BIA link is engineered to dynamically adjust its beam width and IRS's depth in response to seawater turbulence induced by wind and tide speeds. In this paper, we introduce a comprehensive link model that includes; pointing errors, path loss, interference, and noise. Furthermore, an RL-based system model that integrates the RL technology into the BIA link is proposed. A Max-Min optimization problem is also formulated in this work which integrates the channel secrecy and outage probability, and solves it iteratively using the Q-learning and SARSA algorithms. Our numerical results exhibit the efficacy of the proposed approach, with the RL-BIA link achieving an impressive 500% increase in channel secrecy compared to an RL-based buoyed-AUV (RL-BA) link.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».