Learning Resilient Distributed Channel Access Policies in V2I Networks Under Intelligent Jamming
Notice bibliographique
Résumé
While the Internet of Vehicles (IoV) can revolutionize transportation systems through intelligent connectivity, a critical challenge in realizing this potential lies in ensuring efficient channel allocation in the IoV ecosystem, particularly considering dynamic channel conditions and adversarial jamming exacerbated by the emergence of artificial intelligence (AI)-based jamming. To address these challenges, in this study, we use distributed edge intelligence (DEI) to propose a distributed channel access mechanism for the vehicle-to-infrastructure (V2I) mode of IoV networks. Specifically, using an actor-critic-based multiagent reinforcement learning (MARL) framework with a common critic, we model the distributed channel access problem in V2I communications under varying channel conditions and an intelligent jamming device$(\tt {iJD})$interference as a decentralized partially observable stochastic game (Dec-POSG). Furthermore, by addressing challenges, such as partial observations, nonstationarity, and credit assignment, our proposed approach fosters collaboration among intelligent vehicles ($\tt {iV}$s) without direct communication. In addition, our unique counterfactual reasoning-aided action evaluation mechanism and a novel utility function design enable the$\tt {iV}$s to learn mixed collaborative-competitive channel access policies, thereby enhancing channel utilization, mitigating the impact of the$\tt {iJD}$, and improving the network’s sum cross-layer achievable rate (SCLAR).
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».