Securing Cognitive IoT Networks: Reinforcement Learning for Adaptive Physical Layer Defense
Notice bibliographique
Résumé
Single-input multiple-output (SIMO) configurations are commonly employed in applications where managing power consumption is critical. This is the case for battery-powered sensors and low-power Internet of Things (IoT) devices, which may also employ energy harvesting (EH) strategies to augment their battery longevity. These systems can further access the underutilized spectrum through cognitive radio networks (CRNs). This study focuses on mitigating eavesdropping concerns in such configurations through the application of physical layer security (PLS). More specifically, the paper proposes a PLS technique to evaluate and enhance the confidentiality of secondary users' (SUs) transmissions for SIMO underlay CRN, considering the presence of an eavesdropper. The secondary user receiver incorporates the power splitting-EH method to extract energy, subsequently utilizing it to generate jamming signals to perplex the eavesdropper. We compare the results obtained when the eavesdropper extracts energy from the SUs' transmissions and when it chooses to only decode the wiretapped messages. We implement a deep reinforcement learning (DRL) approach [1], specifically the deep Q-network, to optimize the transmission power and thereby maximize the secrecy rate of the SUs and demonstrate that the performance of the approach surpasses that of the benchmarks.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».