Cadre anti-brouillage basé sur des réseaux neuronaux récurrents pour la défense contre des politiques de brouillage multiples
Abstract or Summary
Les méthodes anti-brouillage conventionnelles se concentrent principalement sur la prévention des attaques d’un seul brouilleur avec une politique de brouillage invariante ou des attaques de plusieurs brouilleurs avec des politiques de brouillage similaires. Ces méthodes anti-brouillage sont inefficaces contre un brouilleur unique appliquant plusieurs politiques de brouillage différentes ou contre plusieurs brouilleurs appliquant des politiques distinctes. C’est pourquoi cet article propose une méthode anti-brouillage qui peut adapter sa politique à l’attaque de brouillage en cours. En outre, pour le scénario de brouilleurs multiples, une méthode anti-brouillage qui estime les futurs canaux occupés en utilisant les canaux occupés par les brouilleurs dans les intervalles de temps précédents est proposée. Dans les scénarios à un ou plusieurs brouilleurs, l’interaction entre les utilisateurs et les brouilleurs est modélisée à l’aide de réseaux neuronaux récurrents (RNN). La performance des méthodes anti-brouillage proposées est évaluée en calculant le taux de transmission réussie (STR) et le taux d’ergodicité (ER) des utilisateurs, et comparée à une base de référence basée sur des méthodes de brouillage profond.
Q
-profond (DQL). Les résultats de la simulation montrent que, dans le cas d’un seul brouilleur, toutes les politiques de brouillage envisagées sont parfaitement détectées et qu’un STR et un ER élevés sont maintenus. En outre, lorsque 70 % du spectre est soumis à des attaques de brouillage de la part de brouilleurs multiples, la méthode proposée permet d’obtenir un STR et un ER supérieurs à 75 % et 80 %, respectivement. Ces valeurs atteignent 90 % lorsque 30 % du spectre est soumis à des attaques de brouillage. En outre, les méthodes anti-brouillage proposées sont nettement plus performantes que la méthode DQL pour tous les scénarios de brouillage considérés.
