論文の概要: Deep Q-Network Based Resilient Drone Communication:Neutralizing First-Order Markov Jammers
- arxiv url: http://arxiv.org/abs/2601.06095v1
- Date: Thu, 01 Jan 2026 14:16:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-25 16:54:51.634629
- Title: Deep Q-Network Based Resilient Drone Communication:Neutralizing First-Order Markov Jammers
- Title（参考訳）: ディープQネットワークによるレジリエントなドローン通信:一級マルコフジャマーのニューラル化
- Authors: Andrii Grekhov, Volodymyr Kharchenko, Vasyl Kondratiuk,
- Abstract要約: ディープQネットワークベースの送信機は、第1次リアクティブジャミングに直面しながら、次の周波数ホッピングチャネルを連続的に選択する。
自己学習により,ジャミングの予測的優位性を効果的に中和する均一なランダム周波数ホッピングポリシーを学習する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Reinforcement Learning based solution for jamming communications using Frequency Hopping Spread Spectrum technology in a 16 channel radio environment is presented. Deep Q Network based transmitter continuously selects the next frequency hopping channel while facing first order reactive jamming, which uses observed transition statistics to predict and interrupt transmissions. Through self training, the proposed agent learns a uniform random frequency hopping policy that effectively neutralizes the predictive advantage of the jamming. In the presence of Rayleigh fading and additive noise, the impact of forward error correction Bose Chaudhuri Hocquenghem type codes is systematically evaluated, demonstrating that even moderate redundancy significantly reduces packet loss. Extensive visualization of the learning dynamics, channel utilization distribution, epsilon greedy decay, cumulative reward, BER and SNR evolution, and detailed packet loss tables confirms convergence to a near optimal jamming strategy. The results provide a practical framework for autonomous resilient communications in modern electronic warfare scenarios.
- Abstract（参考訳）: 16チャンネルの無線環境における周波数ホッピング・スプレッドスペクトル技術を用いて通信を妨害するディープ強化学習に基づくソリューションを提案する。
ディープQネットワークベースの送信機は、観測された遷移統計を用いて送信を予測および中断する第1次リアクティブジャミングに直面しながら、次の周波数ホッピングチャネルを連続的に選択する。
自己学習により,ジャミングの予測的優位性を効果的に中和する均一なランダム周波数ホッピングポリシーを学習する。
レイリーフェーディングと付加雑音の存在下では、前方誤差補正Bose Chaudhuri Hocquenghem型符号の影響を系統的に評価し、中程度の冗長性でさえパケット損失を著しく減少させることを示した。
学習のダイナミクス,チャネル利用分布,エプシロングリード崩壊,累積報酬,BERおよびSNRの進化を広範囲に可視化し,パケット損失テーブルの詳細は,ほぼ最適なジャミング戦略への収束を確認する。
この結果は、現代の電子戦シナリオにおける自律的弾力性通信のための実践的な枠組みを提供する。
関連論文リスト
- Coordinated Anti-Jamming Resilience in Swarm Networks via Multi-Agent Reinforcement Learning [8.533838668681737]
反応性ジャムマーは、エージェント間通信を選択的に破壊することにより、ロボット・スワムネットワークに深刻なセキュリティ脅威をもたらす。
固定電力制御や静的チャネルホッピングのような従来の対策は、このような適応的な敵に対してほとんど効果がない。
本稿では,QMIXアルゴリズムに基づくマルチエージェント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） (2025-12-18T17:54:20Z) - SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。
対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-03T11:24:06Z) - How to Combat Reactive and Dynamic Jamming Attacks with Reinforcement Learning [7.510555203834326]
本稿では, ジャマーがチャネル選択の動的ポリシーと検知しきい値を採用し, 進行中の送信を検知・妨害する, 反応性ジャミングを緩和する問題について検討する。
送信機-受信機ペアは、送信電力、変調、チャネル選択に適応するために強化学習(RL)を用いることで、ジャミングを回避し、時間とともにスループットを最適化する。
論文 参考訳（メタデータ） (2025-10-02T17:44:38Z) - Prediction-Powered Communication with Distortion Guarantees [65.37485275954224]
本研究では,デバイスが厳密な歪み保証付きゼロ遅延制約の下で通信する,予測駆動型通信環境について検討する。
本稿では,オンラインコンフォメーション予測を利用した2つのゼロ遅延圧縮アルゴリズムを提案する。
セマンティックテキスト圧縮の実験は、そのアプローチを検証し、ビットレートの大幅な削減を示す。
論文 参考訳（メタデータ） (2025-09-29T07:19:39Z) - Fast Adaptive Anti-Jamming Channel Access via Deep Q Learning and Coarse-Grained Spectrum Prediction [13.4498936010732]
本稿では,複雑で未知のジャミング環境におけるアンチジャミングチャネルアクセス問題について検討する。
固定パターンを用いた従来のチャネルホッピングアンチジャミングアプローチは、動的ジャミング攻撃に対して効果がない。
ジャマーよりも学習の直感に導かれる高速適応型アンチ・ジャミング・チャンネル・アクセス・アプローチを提案する。
論文 参考訳（メタデータ） (2025-02-07T14:25:28Z) - An Efficient Machine Learning-based Channel Prediction Technique for
OFDM Sub-Bands [0.0]
我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。
提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
論文 参考訳（メタデータ） (2023-05-31T09:41:27Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z) - 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) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。