Covert IRS-UAV Networks Empowered by Deep Reinforcement Learning
Notice bibliographique
Résumé
Covert wireless communication ensures both information confidentiality and transmission untraceability, which is increasingly vital for mission-critical extended reality (XR) services. While unmanned aerial vehicles (UAVs) provide mobility and flexible coverage, and intelligent reflecting surfaces (IRSs) enable energy-efficient signal manipulation, their joint use for covert communications has not yet been sufficiently explored. This paper proposes a novel UAV-mounted IRS system for covert communications that passively reflects source signals toward a legitimate receiver while minimizing detection by an adversary warden. In contrast to previous work that treats trajectory design, beamforming, and power control in isolation, the proposed work develops a unified framework based on double deep Q-networks (DDQN) to jointly optimize the UAV trajectory, power allocation, and IRS phase shifts under covert constraints. We analytically derive the optimal detection threshold and the minimum detection error probability, which are dynamically integrated into the learning framework. The optimization problem is formulated as a constrained Markov decision process, which allows the agent to adaptively learn optimal policies in dynamic environments without relying on perfect channel knowledge. Simulation results demonstrate that the proposed framework significantly improves covert rate and energy efficiency compared with the iterative and random benchmark schemes, while also providing insights into the impact of system parameters on performance.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,008 |
| 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 ».