ỨNG DỤNG HỌC SÂU TĂNG CƯỜNG KẾT HỢP RIS CHO TRUYỀN THÔNG CHỐNG GÂY NHIỄU THÔNG MINH TRONG MẠNG 6G

Lê Hoàng Hiệp; Hồ Mậu Việt; Trần Duy Minh

doi:10.34238/tnu-jst.15084

ỨNG DỤNG HỌC SÂU TĂNG CƯỜNG KẾT HỢP RIS CHO TRUYỀN THÔNG CHỐNG GÂY NHIỄU THÔNG MINH TRONG MẠNG 6G

Thông tin bài báo

Ngày nhận bài: 16/03/26 Ngày hoàn thiện: 20/05/26 Ngày đăng: 20/05/26

Các tác giả

1. Lê Hoàng Hiệp, Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên
2. Hồ Mậu Việt , Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên
3. Trần Duy Minh, Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên

Tóm tắt

Bài báo này đề xuất một khung chống gây nhiễu dựa trên học sâu tăng cường, có hỗ trợ bề mặt thông minh có thể cấu hình lại, nhằm nâng cao độ tin cậy và hiệu quả truyền thông trong môi trường có tác nhân gây nhiễu động. Bài toán được mô hình hóa như một quá trình quyết định Markov, trong đó tác nhân học sâu tăng cường tối ưu đồng thời công suất phát và cấu hình pha của bề mặt thông minh có thể cấu hình lại để cực đại hóa hiệu năng truyền thông dài hạn. Kết quả mô phỏng cho thấy phương pháp đề xuất hội tụ ổn định sau khoảng 600 vòng huấn luyện và cải thiện phần thưởng trung bình khoảng 30% so với phương pháp học tăng cường không sử dụng bề mặt thông minh có thể cấu hình lại. Khi công suất gây nhiễu đạt 20 dBm, hệ thống vẫn duy trì thông lượng khoảng 65 Mbps, cao hơn đáng kể so với các phương pháp so sánh. Ngoài ra, phương pháp đạt tỷ số tín hiệu trên nhiễu và tạp âm trung bình 18,6 dB, hiệu quả năng lượng 4,8 bits/J/Hz, đồng thời thể hiện khả năng mở rộng tốt khi số phần tử bề mặt thông minh tăng lên. Điều này cho thấy khung giải pháp đề xuất có khả năng mở rộng tốt và thích nghi hiệu quả với các môi trường truyền thông không dây động.

Từ khóa

Bề mặt phản xạ thông minh; Học sâu tăng cường; Truyền thông chống gây nhiễu; Mạng không dây; Truyền thông 6G

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] C. Zou, C. Li, Y. Li, and X. Yan, “RIS-assisted robust beamforming for UAV anti-jamming and eavesdropping communications: A deep reinforcement learning approach,” Electronics, vol. 12, no. 21, 2023, doi: 10.3390/electronics12214490.

[2] Q. Chen, Y. Niu, B. Wan, and P. Xiang, “A novel intelligent anti-jamming algorithm based on deep reinforcement learning assisted by meta-learning for wireless communication systems,” Appl. Sci., vol. 13, no. 23, 2023, doi: 10.3390/app132312642.

[3] D. Ma, Y. Wang, and S. Wu, “Against jamming attack in wireless communication networks: A reinforcement learning approach,” Electronics, vol. 13, no. 7, 2024, doi: 10.3390/electronics13071209.

[4] X. Feng, H. Wen, R. Zhao, T. Tang, W. Shi, and Y. Peng, “Communication anti-jamming system based on deep reinforcement learning,” in Proc. IEEE Wireless Commun. Netw. Appl. (WCNA), 2025, pp. 126-133, doi: 10.1109/AUTEEE62881.2024.10869718.

[5] Y. Cao, W. Cheng, J. Wang, and W. Zhang, “Self-sustainable active reconfigurable intelligent surfaces for antijamming in wireless communications,” IEEE Syst. J., vol. 18, no. 4, pp. 2133-2144, 2024, doi: 10.1109/JSYST.2024.3470133.

[6] Z. U. A. Tariq, E. Baccour, A. Erbad, and M. Hamdi, “Reinforcement learning-based anti-jamming solution for aerial RIS-aided dense dynamic multi-user environments,” in Proc. IEEE Int. Wireless Commun. Mobile Comput. Conf. (IWCMC), 2024, doi: 10.1109/IWCMC61514.2024.10592583.

[7] H. Q. Tran, V. T. Pham, and S. Ngo, “A survey on the applications of machine learning, deep learning, and reinforcement learning in wireless communications,” Comput. Telecommun. Eng., vol. 3, no. 1, 2025, doi: 10.54517/cte3170.

[8] Z. Zhou, Y. Niu, B. Wan, and W. Zhou, “Anti-jamming communication using imitation learning,” Entropy, vol. 25, no. 11, 2023, doi: 10.3390/e25111547.

[9] Z. Xing, Y. Qin, C. Du, W. Wang, and Z. Zhang, “Deep reinforcement learning-driven jamming-enhanced secure unmanned aerial vehicle communications,” Sensors, vol. 24, no. 22, 2024, doi: 10.3390/s24227328.

[10] X. Zhang, Y. Liu, and H. Wang, “Reconfigurable intelligent surfaces assisted NLOS radar anti-jamming using deep reinforcement learning,” Phys. Commun., vol. 67, 2024, doi: 10.1016/j.phycom.2024.102533.

[11] H. Cao, J. Du, H. Zhao, D. X. Luo, N. Kumar, L. Yang, and F. R. Yu, “Resource-ability assisted service function chain embedding and scheduling for 6G networks with virtualization,” IEEE Trans. Veh. Technol., vol. 70, no. 4, pp. 3846-3859, 2021.

[12] Y. Sun, K. An, J. Luo, Y. Zhu, G. Zheng, and S. Chatzinotas, “Intelligent reflecting surface enhanced secure transmission against both jamming and eavesdropping attacks,” IEEE Trans. Veh. Technol., vol. 70, no. 10, pp. 11017-11022, 2021.

[13] L. Xiao, Y. Ding, J. Huang, S. Liu, Y. Tang, and H. Dai, “UAV anti-jamming video transmissions with QoE guarantee: A reinforcement learning-based approach,” IEEE Trans. Commun., vol. 69, no. 9, pp. 5933-5947, 2021, doi: 10.1109/TCOMM.2021.3094487.

[14] Z. Li, S. Wang, M. Wen, and Y. C. Wu, “Secure multicast energy-efficiency maximization with massive RISs and uncertain CSI: First-order algorithms and convergence analysis,” IEEE Trans. Wireless Commun., vol. 21, no. 8, pp. 6818-6833, 2022.

[15] K. Guo and K. An, “On the performance of RIS-assisted integrated satellite-UAV-terrestrial networks with hardware impairments and interference,” IEEE Wireless Commun. Lett., vol. 11, no. 1, pp. 131-135, 2022.

DOI: https://doi.org/10.34238/tnu-jst.15084

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ