論文の概要: Graph Koopman Autoencoder for Predictive Covert Communication Against
UAV Surveillance
- arxiv url: http://arxiv.org/abs/2402.09426v1
- Date: Tue, 23 Jan 2024 23:42:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 13:17:25.028016
- Title: Graph Koopman Autoencoder for Predictive Covert Communication Against
UAV Surveillance
- Title（参考訳）: UAV監視に対する予測被覆通信のためのグラフクープマンオートエンコーダ
- Authors: Sivaram Krishnan, Jihong Park, Gregory Sherman, Benjamin Campbell,
Jinho Choi
- Abstract要約: 低確率検出(LPD)通信は、無線周波数(RF)信号の存在を曖昧にすることを目的としている。
無人航空機(UAV)は、特定の関心領域をホバリングすることで地上からのRF信号を検出することができる。
本稿では,複数の固定翼UAVの軌跡を予測するために,グラフニューラルネットワーク(GNN)とクープマン理論を組み合わせた新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 29.15836826461713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low Probability of Detection (LPD) communication aims to obscure the very
presence of radio frequency (RF) signals, going beyond just hiding the content
of the communication. However, the use of Unmanned Aerial Vehicles (UAVs)
introduces a challenge, as UAVs can detect RF signals from the ground by
hovering over specific areas of interest. With the growing utilization of UAVs
in modern surveillance, there is a crucial need for a thorough understanding of
their unknown nonlinear dynamic trajectories to effectively implement LPD
communication. Unfortunately, this critical information is often not readily
available, posing a significant hurdle in LPD communication. To address this
issue, we consider a case-study for enabling terrestrial LPD communication in
the presence of multiple UAVs that are engaged in surveillance. We introduce a
novel framework that combines graph neural networks (GNN) with Koopman theory
to predict the trajectories of multiple fixed-wing UAVs over an extended
prediction horizon. Using the predicted UAV locations, we enable LPD
communication in a terrestrial ad-hoc network by controlling nodes' transmit
powers to keep the received power at UAVs' predicted locations minimized. Our
extensive simulations validate the efficacy of the proposed framework in
accurately predicting the trajectories of multiple UAVs, thereby effectively
establishing LPD communication.
- Abstract（参考訳）: 低確率検出(LPD)通信は、無線周波数(RF)信号の存在を隠蔽し、通信の内容を隠すことを目的としている。
しかしながら、無人航空機(UAV)の使用は、UAVが特定の関心領域をホバリングすることで地上からのRF信号を検出できるため、課題を提起する。
現代の監視におけるUAVの利用の増加に伴い、LDD通信を効果的に実装するためには、未知の非線形ダイナミックな軌道の理解が不可欠である。
残念ながら、この重要な情報は簡単には利用できないことが多く、PD通信において大きなハードルとなっている。
この問題に対処するため,複数のUAVの存在下で地上LPD通信を可能にするケーススタディを提案する。
グラフニューラルネットワーク(GNN)とクープマン理論を組み合わせた新しいフレームワークを導入し,複数の固定翼UAVの軌道を拡張予測地平線上で予測する。
予測されたuav位置を用いて、受信電力を最小化するためにノードの送信電力を制御することにより、地上アドホックネットワークにおけるlpd通信を可能にする。
複数のUAVの軌道を正確に予測する上で,提案手法の有効性を検証し,LPD通信を効果的に確立する。
関連論文リスト
- Predictive Covert Communication Against Multi-UAV Surveillance Using Graph Koopman Autoencoder [27.178522837149053]
低確率検出(LPD)通信は、無線周波数(RF)信号の存在を隠蔽し、監視を回避することを目的としている。
UAVの将来の位置を正確に予測することは、リアルタイムのLPD通信を可能にするために不可欠である。
マルチUAV監視下での地上アドホックネットワークにおける検出可能性の最小化を目的とした,予測被覆通信と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-25T16:02:45Z) - Graph Attention-based Reinforcement Learning for Trajectory Design and
Resource Assignment in Multi-UAV Assisted Communication [20.79743323142469]
UAV基地局(UAV BS)が未知の環境で軌道設計と資源割り当てを実現することは困難である。
通信ネットワークにおけるUAV BS間の協調と競合はマルコフゲーム問題に繋がる。
本稿では,マルチUAV支援通信問題を解決するために,新しいグラフアテンション型マルチエージェント信頼領域(GA-MATR)強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-31T14:37:06Z) - Deep Reinforcement Learning for Interference Management in UAV-based 3D
Networks: Potentials and Challenges [137.47736805685457]
チャネル情報を知らなくても干渉を効果的に軽減できることを示す。
干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
論文 参考訳（メタデータ） (2023-05-11T18:06:46Z) - 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) - Attention-based Reinforcement Learning for Real-Time UAV Semantic
Communication [53.46235596543596]
移動地利用者に対する空対地超信頼性・低遅延通信(URLLC)の問題点について検討する。
グラフアテンション交換ネットワーク(GAXNet)を用いたマルチエージェント深層強化学習フレームワークを提案する。
GAXNetは、最先端のベースラインフレームワークと比較して、0.0000001エラー率で6.5倍のレイテンシを実現している。
論文 参考訳（メタデータ） (2021-05-22T12:43:25Z) - Learning-Based UAV Trajectory Optimization with Collision Avoidance and
Connectivity Constraints [0.0]
無人航空機(UAV)は無線ネットワークの不可欠な部分であると期待されている。
本稿では,衝突回避と無線接続制約による複数UAV軌道最適化問題を再構成する。
この問題を解決するために,分散型深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-03T22:22:20Z) - Distributed Reinforcement Learning for Flexible and Efficient UAV Swarm
Control [28.463670610865837]
本稿では,大規模群に拡大する分散強化学習(RL)手法を提案する。
本実験では, 本手法がコミュニケーションチャネル障害に強い効果的な戦略を導出できることを示した。
また,本手法は計算集約的なルックアヘッドに比べて優れた性能を実現することを示す。
論文 参考訳（メタデータ） (2021-03-08T11:06:28Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳（メタデータ） (2020-11-03T16:50:37Z) - Simultaneous Navigation and Radio Mapping for Cellular-Connected UAV
with Deep Reinforcement Learning [46.55077580093577]
空のUAVに対して、ユビキタスな3Dコミュニケーションを実現するには、新しい課題だ。
本稿では,UAVの制御可能な移動性を利用して航法・軌道を設計する新しい航法手法を提案する。
そこで我々は,UAVの信号計測を深部Qネットワークのトレーニングに用いるSNARM (Concurrent Navigation and Radio Mapping) という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T08:16:14Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z) - Dynamic Radar Network of UAVs: A Joint Navigation and Tracking Approach [36.587096293618366]
新たな問題は、建物の後ろに隠れている無人小型無人航空機(UAV)を追跡することである。
本稿では,悪意のある標的のリアルタイムかつ高精度な追跡のためのUAVの動的レーダネットワークを提案する。
論文 参考訳（メタデータ） (2020-01-13T23:23:09Z)
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。