基于深度强化学习的动态信道接入与SCLAR最大化方法（抗干扰网络场景）
基本信息
- 标题：DRL-Based Dynamic Channel Access and SCLAR Maximization for Networks Under Jamming
- 作者：Abdul Basit, Muddasir Rahim, Georges Kaddoum, Tri Nhu Do, Nadir Adam
- 提交日期：2024年2月2日（v1）
- 所属领域：Signal Processing (eess.SP)
- arXiv ID：2402.01574
- 相关DOI：10.1109/WCNC57260.2024.10571262
摘要
本文研究了一种基于深度强化学习（DRL）的方法，用于无线网络中的信道接入管理。具体地，考虑如下场景：一个智能用户设备（iUD）与多个具有固定传输调度的用户设备（fUDs）以及一个调度未知的恶意干扰器共享时变的上行无线信道。iUD的目标是与fUDs和谐共存、规避干扰器，并在动态信道条件下自适应学习最优信道接入策略，以最大化网络的跨层总可达速率（SCLAR）。通过大量仿真，作者证明：在DRL框架中合理定义状态空间、动作空间和奖励函数后，iUD能够有效地与其他用户设备共存并优化网络的SCLAR。实验结果表明，所提出的算法优于表格型Q学习和全连接深度神经网络方法。
核心贡献
- 提出了一种基于深度强化学习的动态信道接入策略，用于存在恶意干扰的无线网络环境。
- 设计了DRL框架下的状态空间、动作空间和奖励函数，使智能设备能够在与固定调度设备和未知干扰共存的情况下自适应学习最优策略。
- 通过仿真验证了所提方法在最大化网络跨层总可达速率（SCLAR）方面的有效性，并展现出对表格型Q学习和全连接深度神经网络方法的性能优势。