FedRoute: A Multi-Server Federated Meta-DRL Routing Scheme for Tactical Air-Ground WSNs
Notice bibliographique
Résumé
Tactical air-ground wireless sensor networks (TAG-WSNs) are mission-critical wireless sensor networks (WSNs) that employ airborne sensor nodes (ASNs) to capture aerial sensor data during military operations, thereby overcoming the sensing coverage limitations of the ground network. However, intelligent jamming attacks on the network’s links, coupled with the highly dynamic network topology, disrupt data communication and pose challenges for reliable routing. In this paper, we introduce a cross-layer (MAC-PHY) jamming framework that models the hostile characteristics of TAG-WSNs. Secondly, we propose a scalable federated deep reinforcement learning (FDRL)-enabled routing solution called FedRoute, which enables agents to build a shared routing model. To support jamming-resilient collaborative model training, we use multiple spatially distributed mobile robot nodes (MRNs) as parameter servers. In FedRoute, local DRL models are meta-trained with the routing agents’ exploration data before federated averaging, resulting in meta-optimized regional routing models. Moreover, FedRoute empowers routing agents to discover quick and reliable routes in the presence of jamming attacks on acknowledgment (ACK), negative acknowledgment (NACK), and data packets. Under cross-layer (MAC-PHY) jamming attacks, the proposed scheme is found to outperform cluster-based trusted routing (CTRF) in terms of expected transmission count (ETX) by 11%, packet delivery ratio (PDR) by 6.5%, and end-to-end (E2E) delay by 14.5%. Furthermore, compared to DQN-routing, the proposed scheme improves ETX by 5.9%, PDR by 5.6%, and E2E delay by 32.5%.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 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 ».