Combating AI-Based Jamming in LEO Satellite Networks Using Quantum Adversarial Deep Reinforcement Learning
Notice bibliographique
Résumé
In recent years, the demand for seamless connectivity and highly efficient, reliable network services for low earth orbit (LEO) satellites has escalated. To meet these expectations, a critical issue that must be addressed is combating malicious jamming attacks on satellite networks, which occur due to the open nature of satellite-ground connections. Moreover, in the era of artificial intelligence (AI), AI-based jamming poses a severe threat to the security of satellite networks and disrupts secure communications, particularly given the dynamic movements of LEO satellites and the time-sequential complexity of such attacks. Accordingly, this paper proposes a quantum adversarial deep reinforcement learning (QADRL) approach to mitigate AI-based jamming attacks while enhancing the quality-of-service (QoS) for LEO satellite networks. Specifically, the proposed QADRL approach is based on a zero-sum Markov game utilizing two opposing learning networks: one optimizing satellite routing links to avoid jamming and improve QoS, while the other, focuses on the jammer, optimizes the trajectory, jamming nodes, and power of unmanned aerial vehicles (UAVs) to maximize jamming success. The results demonstrate that the proposed QADRL outperforms classical adversarial DRL (CADRL) by reducing the jamming success rate by 33.33% and increasing the average QoS of the satellite network by 18.4975%.
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 ».