論文の概要: Aerial Base Station Positioning and Power Control for Securing Communications: A Deep Q-Network Approach

• arxiv url: http://arxiv.org/abs/2112.11090v1
• Date: Tue, 21 Dec 2021 10:53:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 20:32:37.163947
• Title: Aerial Base Station Positioning and Power Control for Securing Communications: A Deep Q-Network Approach
• Title（参考訳）: 安全通信のための航空基地局位置決めと電力制御:深部Qネットワークアプローチ
• Authors: Aly Sabri Abdalla, Ali Behfarnia, and Vuk Marojevic
• Abstract要約: UAVは、無線ネットワークの物理層セキュリティを強化する上で重要な役割を果たす。 本稿では,地上ユーザとUAVのリンクを盗聴する際の問題点について述べる。 ABSの位置と送信電力を最適化するために、強化学習アルゴリズムQ-learningとディープQ-network(DQN)を提案する。
• 参考スコア（独自算出の注目度）: 3.234560001579256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The unmanned aerial vehicle (UAV) is one of the technological breakthroughs that supports a variety of services, including communications. UAV will play a critical role in enhancing the physical layer security of wireless networks. This paper defines the problem of eavesdropping on the link between the ground user and the UAV, which serves as an aerial base station (ABS). The reinforcement learning algorithms Q-learning and deep Q-network (DQN) are proposed for optimizing the position of the ABS and the transmission power to enhance the data rate of the ground user. This increases the secrecy capacity without the system knowing the location of the eavesdropper. Simulation results show fast convergence and the highest secrecy capacity of the proposed DQN compared to Q-learning and baseline approaches.
• Abstract（参考訳）: 無人航空機(UAV)は、通信を含む様々なサービスをサポートする技術革新の1つである。 UAVは、無線ネットワークの物理層セキュリティを強化する上で重要な役割を果たす。 本稿では,地上基地局 (ABS) として機能するUAVと地上利用者のリンクを盗聴する問題について述べる。 ABSの位置と送信電力を最適化し、地上ユーザのデータレートを高めるため、強化学習アルゴリズムQ-learningとディープQ-network(DQN)を提案する。 これにより、盗聴器の位置を知らないシステムでは、機密容量が増加する。 シミュレーションの結果、Q-learningやベースラインアプローチと比較して、DQNの高速収束と最高機密容量が示される。

関連論文リスト

• Improved Q-learning based Multi-hop Routing for UAV-Assisted Communication [4.799822253865053]
  本稿では,Q-Learning-based Multi-hop Routing (IQMR) アルゴリズムを提案する。 ルーティング決定にQ(lambda)学習を用いることで、IQMRはエネルギー効率とネットワークデータのスループットを大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-17T06:24:31Z)
• Covert Communication for Untrusted UAV-Assisted Wireless Systems [1.2190851745229392]
  UAVによる隠蔽通信は、隠蔽性能を向上させるための支援技術である。 本稿では, トウホップUAVアシスト無線システムにおけるジョイントカバーとセキュリティ通信の性能について検討する。
  論文  参考訳（メタデータ） (2024-03-14T15:17:56Z)
• Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
  無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。 本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T12:36:08Z)
• Label-free Deep Learning Driven Secure Access Selection in Space-Air-Ground Integrated Networks [26.225658457052834]
  宇宙空間統合ネットワーク(SAGIN)では、固有のオープン性と広範な放送範囲が、これらのネットワークを盗聴の脅威に晒している。 異種資源と異なる盗聴モデルの両方により、秘密指向のアクセス戦略を実行することは困難である。 本稿では,Q-network を用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T06:48:06Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement Learning Approach [18.266087952180733]
  本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。 自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。 提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
  論文  参考訳（メタデータ） (2020-07-01T15:14:16Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)
• Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
  動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。 AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。 AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
  論文  参考訳（メタデータ） (2020-01-28T15:10:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。