CHIẾN LƯỢC CHỐNG GÂY NHIỄU TIẾT KIỆM NĂNG LƯỢNG DỰA TRÊN HỌC SÂU TĂNG CƯỜNG CHO MẠNG KHÔNG DÂY THẾ HỆ MỚI
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15082Tóm tắt
Đảm bảo truyền thông không dây tin cậy trong môi trường có tồn tại gây nhiễu chủ động đang là một thách thức quan trọng đối với các mạng không dây thế hệ mới. Bài báo này đề xuất một chiến lược chống gây nhiễu tiết kiệm năng lượng dựa trên học sâu tăng cường nhằm nâng cao độ tin cậy truyền thông và giảm tiêu thụ năng lượng. Bài toán ra quyết định chống gây nhiễu được mô hình hóa dưới dạng quá trình quyết định Markov. Trong đó tác nhân học sâu tăng cường thích nghi lựa chọn kênh truyền và mức công suất phát dựa trên trạng thái mạng quan sát được. Kết quả mô phỏng cho thấy phương pháp đề xuất đạt tốc độ hội tụ nhanh hơn và cải thiện đáng kể hiệu năng truyền thông so với các chiến lược truyền thống. Cụ thể phương pháp đề xuất giúp tăng tỷ số tín hiệu trên nhiễu và giao thoa từ 6–8 dB và cải thiện thông lượng khoảng 25–30%. Đồng thời mức tiêu thụ năng lượng trung bình giảm khoảng 15–20% nhờ cơ chế điều khiển công suất thích nghi.Lượt tải
Tài liệu tham khảo
Q. Chen, Y. Niu, B. Wan, and P. Xiang, “A novel intelligent anti-jamming algorithm based on deep reinforcement learning assisted by meta-learning for wireless communication systems,” Applied Sciences, vol. 13, no. 23, 2023, doi: 10.3390/app132312642.
C. Zou, C. Li, Y. Li, and X. Yan, “RIS-assisted robust beamforming for UAV anti-jamming and eavesdropping communications: A deep reinforcement learning approach,” Electronics, vol. 12, no. 21, 2023, doi: 10.3390/electronics12214490.
W. Zhou, Z. Zhou, Y. Niu, Q. Zhou, and H. Ding, “A fast anti-jamming algorithm based on imitation learning for WSN,” Sensors, vol. 23, no. 22, 2023, doi: 10.3390/s23229240.
D. Ma, Y. Wang, and S. Wu, “Against jamming attack in wireless communication networks: A reinforcement learning approach,” Electronics, vol. 13, no. 7, 2024, doi: 10.3390/electronics13071209.
X. Feng, H. Wen, R. Zhao, T. Tang, W. Shi, and Y. Peng, “Communication anti-jamming system based on deep reinforcement learning,” in Proc. Int. Conf. Wireless Communications, Networking and Applications, 2025, pp. 126-133, doi: 10.1007/978-981-96-2409-6_13.
H. Li, X. Lv, H. Zhang, and J. Huang, “Anti-jamming transmission in softwarization UAV network: A federated deep reinforcement learning approach,” Wireless Networks, vol. 29, pp. 923-937, 2023, doi: 10.1007/s11276-023-03500-8.
H. Jdeed, W. Altabban, and S. Jamal, “Spectrum and power efficient anti-jamming approach for cognitive radio networks based on reinforcement learning,” Int. J. Sensors, Wireless Communications and Control, vol. 14, no. 4, 2024, doi: 10.2174/0122103279291431240216061325.
T. Wang, Y. Niu, and Z. Zhou, “Few-shot intelligent anti-jamming access with fast convergence: A GAN-enhanced deep reinforcement learning approach,” Applied Sciences, vol. 15, no. 15, 2025, doi: 10.3390/app15158654.
F. Zhang, Y. Niu, Q. Zhou, and Q. Chen, “Intelligent anti-jamming decision algorithm for wireless communication under limited channel state information conditions,” Scientific Reports, vol. 15, 2025, doi: 10.1038/s41598-025-90201-1.
Y. Zhou, Y. Niu, B. Wan, and W. Zhou, “Anti-jamming communication using imitation learning,” Entropy, vol. 25, no. 11, 2023, doi: 10.3390/e25111547.
Y. Niu, Z. Zhou, Z. Pu, and B. Wan, “Anti-jamming communication using slotted cross Q-learning,” Electronics, vol. 12, no. 13, 2023, doi: 10.3390/electronics12132879.
C. Li et al., “Dynamic adversarial jamming-based reinforcement learning for designing constellations,” Digital Communications and Networks, vol. 10, no. 5, pp. 1471-1479, 2024, doi: 10.1016/j.dcan.2023.05.012.
Y. Sun, K. An, J. Luo, Y. Zhu, G. Zheng, and S. Chatzinotas, “Intelligent Reflecting Surface Enhanced Secure Transmission Against Both Jamming and Eavesdropping Attacks,” IEEE Trans. Veh. Technol., vol. 70, pp. 11017-11022, 2021, doi: 10.1109/TVT.2021.3104580.
S. Yang, “Analysis of deep learning-based anti-jamming method for UAV communication,” 9th International Conference on Computer-Aided Design, Manufacturing, Modeling and Simulation (CDMMS 2024), vol. 103, 2024, doi: 10.54097/kkfwre06.
H. H. Le, M. V. Ho, and D. M. Tran, “RIS assisted Deep Reinforcement Learning for intelligent Anti-Jamming communications in 6G Networks,” TNU Journal of Science and Technology, vol. 231, no. 06, pp. 419-428, 2026.
L. Xiao, Y. Ding, J. Huang, S. Liu, Y. Tang, and H. Dai, “UAV anti-jamming video transmissions with QoE guarantee: A reinforcement learning-based approach,” IEEE Trans. Commun., vol. 69, no. 9, pp. 5933-5947, 2021.
