基于深度增强学习的保密率优化,用于同时传输和反射可重新配置的智能表面辅助无人驾驶飞行器集成传感和通信系统
1The Key Laboratory of Modern Measurement and Control Technology, Ministry of Education, Beijing Information Science and Technology University, Beijing 102206, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究提高了无人驾驶飞行器综合传感和通信 (UAV-ISAC) 系统的安全性,使用可同时发射和反射的可重新配置智能表面 (STAR-RIS). 拟议的多代理深度强化学习方法最大限度地提高了安全的数据速率,同时确保可靠的通信和传感.
科学领域:
- 无线通信是一种无线通信.
- 信息安全信息安全.
- 人工智能的人工智能是人工智能.
背景情况:
- 无人机综合传感和通信系统 (UAV-ISAC) 面临着合法用户和窃听用户的安全挑战.
- 同时发射和反射可重新配置的智能表面 (STAR-RIS) 提供了增强覆盖范围和灵活性的潜力.
研究的目的:
- 开发由STAR-RIS协助的无人机-ISAC系统的安全传输方案.
- 为了最大限度地提高平均保密率,同时满足通信,传感和安全限制.
- 扩大系统覆盖范围,提高灵活性.
主要方法:
- 共同优化无人机-ISAC轨迹,传输光束成形和STAR-RIS元件调整.
- 采用多代理深度强化学习 (MADRL) 方法来处理非凸的优化问题.
- 开发通过环境相互作用来学习最佳策略的代理.
主要成果:
- 拟议的方案显著提高了系统的平均保密率.
- 通信,传感和安全限制得到有效满足.
- 对于复杂的合优化问题,MADRL方法被证明是有效的.
结论:
- 整合STAR-RIS和MADRL为安全的UAV-ISAC系统提供了一个强大的解决方案.
- 开发的优化策略平衡了性能,安全性和灵活性.
- 这项研究有助于推进安全和高效的无线通信技术.
