Reconnaissance des modèles de brouillage sur les réseaux multicanaux : Une approche d’apprentissage profond

Reconnaissance des modèles de brouillage sur les réseaux multicanaux : Une approche d’apprentissage profond

A. Pourranjbar, G. Kaddoum et W. Saad, “Jamming Pattern Recognition over Multi-Channel Networks : A Deep Learning Approach,” 2021 55th Asilomar Conference on Signals, Systems, and Computers, Pacific Grove, CA, USA, 2021, pp. 305-308, doi : 10.1109/IEEECONF53345.2021.9723271.

Abstract or Summary

Avec l’avènement des brouilleurs intelligents, les attaques de brouillage sont devenues une menace plus grave pour les performances des systèmes sans fil. Un brouilleur intelligent est capable de modifier sa politique afin de minimiser la probabilité d’être tracé par des nœuds légitimes. Un mécanisme anti-brouillage capable de s’adapter en permanence à la politique de brouillage est donc nécessaire pour lutter contre un tel brouilleur. Il est remarquable que les méthodes anti-brouillage existantes ne soient pas applicables ici car elles se concentrent principalement sur l’atténuation des attaques de brouillage avec une politique de brouillage invariante, et elles considèrent rarement un brouilleur intelligent comme un adversaire. C’est pourquoi le présent document propose d’utiliser une technique de reconnaissance des types de brouillage parallèlement à une technique anti-brouillage. La méthode de reconnaissance proposée utilise un réseau neuronal récurrent qui prend en entrée les canaux occupés par le brouilleur et fournit en sortie le type de brouilleur. Dans le cadre de ce système, la politique du brouilleur en temps réel est d’abord identifiée, puis la contre-mesure la plus appropriée est choisie. Par conséquent, toute modification de la politique du brouilleur peut être instantanément détectée grâce à la technique de reconnaissance proposée, ce qui permet de passer rapidement à une nouvelle méthode anti-brouillage adaptée à la nouvelle politique de brouillage. Pour évaluer les performances de la méthode de reconnaissance proposée, la précision de la détection est calculée en fonction du temps de commutation de la politique de brouillage. Les résultats de la simulation montrent que la précision de détection pour tous les numéros d’utilisateurs considérés est supérieure à 70 % lorsque le brouilleur change de politique tous les 5 intervalles de temps et que la précision atteint 90 % lorsque le temps de changement de politique du brouilleur est de 45.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag