Sensitive Ants for Denial Jamming Attack on Wireless Sensor Network
提出了一种基于蚂蚁系统的无线传感器网络（WSN）防御不同干扰攻击的新机制。人工敏感蚂蚁对网络攻击的反应，特别是基于他们的敏感性水平。信息从被攻击节点重定向到其适当的目的地节点。分析了如何检测和隔离干扰攻击与移动代理一般，特别是新的基于蚂蚁的敏感方法。
2013-06-01 cs.CR cs.NI
Fast and energy-efficient technique for jammed region mapping in wireless sensor networks
无线传感器网络（WSNs）对于监控系统通过获取和发送关于安全区域中的任何入侵的信息来执行监控具有重要的实际意义。很少需要人为干预是无线传感器网络最理想的功能之一，因此使其成为保护国际边界等大片区域的更便宜，更安全的替代方案。无线传感器网络中的干扰攻击可以用来破坏网络中传感器节点之间的通信。由于难以防止干扰攻击，检测和绘制出的干扰区域是克服这个问题的关键。在安全监控场景中，一旦网络运营商知道网络中的拥塞区域，他们将能够采取适当的措施来对抗拥塞。还期望保持网络中的传感器节点的交互最小化，因为它们是低功率设备并且需要保存它们的资源。在本文中，我们提出了一个轻量级的技术，更快地映射的堵塞区域。我们通过消除从网络到中央基站（BS）的映射的实际责任来最大限度地减少传感器上的负载。在少数节点向BS报告后，BS执行网络中拥塞区域的映射任务。我们使用我们的仿真结果来比较我们提出的系统与现有的技术，也来衡量我们的系统的性能。我们的研究结果表明，在网络中的拥塞区域可以映射从较少的节点报告给基站。
2014-01-27 cs.NI
DeepFake: Deep Dueling-based Deception Strategy to Defeat Reactive Jammers
在本文中，我们介绍了DeepFake，一种新的基于深度强化学习的欺骗策略，以应对反应式干扰攻击。特别地，对于智能和反应式干扰攻击，干扰机能够感测信道并且如果其检测到来自合法发射机的通信则攻击信道。为了应对这种攻击，我们提出了一个智能欺骗策略，允许合法的发射机发送“假”信号，以吸引干扰。然后，如果干扰机攻击信道，则发射机可以通过使用环境反向散射通信技术来利用强干扰信号来传输数据，或者从强干扰信号中获取能量以供将来使用。这样既可以削弱干扰机的攻击能力，又可以利用干扰信号来提高系统性能。为了有效地学习和适应干扰攻击的动态性和不确定性，我们开发了一种新的深度强化学习算法，使用深度决斗神经网络架构，以获得比传统强化算法快上千倍的最优策略。大量的仿真结果表明，我们提出的DeepFake框架在吞吐量，丢包率和学习率方面优于其他抗干扰策略。
2021-05-04 cs.IT cs.NI eess.SP
"Borrowing Arrows with Thatched Boats": The Art of Defeating Reactive Jammers in IoT Networks
在这篇文章中，我们介绍了一种新的欺骗策略，其灵感来自历史上最著名的军事战术之一“借箭用茅草船”，以击败低功耗物联网网络的反应式干扰攻击。我们提出的策略允许资源受限的物联网设备能够通过利用自己的干扰信号来击败强大的反应式干扰器。更具体地说，通过激励干扰器通过发送虚假传输来攻击信道，IoT系统不仅可以破坏干扰器的功率，而且还可以分别通过使用RF能量收集和环境反向散射技术来收集能量或利用干扰信号作为通信手段来发送数据。此外，我们还开发了一个低成本的深度强化学习框架，使硬件受限的物联网设备能够快速获得最佳防御策略，而无需提前获得有关干扰机的任何信息。仿真结果表明，我们提出的框架不仅可以非常有效地击败反应式干扰攻击，而且还可以利用干扰机的力量来提高物联网网络的系统性能。
2019-12-24 cs.NI eess.SP
AntiJam: Efficient Medium Access despite Adaptive and Reactive Jamming
故意干扰对在共享介质上操作的通信网络构成主要威胁，其中可用性是必要的。干扰攻击通常实施起来简单且便宜。特别地，当今的干扰器可以执行物理载波感测，以便更有效地中断通信，特别是在诸如传感器节点的简单无线设备的网络中，其通常在单个频率（或有限频带）上操作并且不能受益于扩频或其他更先进技术的使用。本文提出了介质访问（MAC）协议\textsc{AntiJam}，可证明是强大的反应对手谁可以堵塞$(1-ε)$ -部分的时间步长，其中$ε$是一个任意常数鲁棒性。对手使用载波感知，使明智的决定，当它是最有害的破坏通信，此外，我们允许对手是自适应的，并有完整的知识，整个协议的历史。我们的MAC协议是能够有效地利用非堵塞的时间段，并实现了渐近最优，$Θ{(1)}$竞争力的吞吐量在这种恶劣的情况下。此外，\textsc{AntiJam}具有收敛时间短和公平性好的特点。我们的仿真结果验证了我们的理论结果，也表明，我们的算法管理，以保证恒定的吞吐量的802.11 MAC协议基本上无法提供任何数据包。
2011-03-03 cs.DS cs.NI
Efficiency and detectability of random reactive jamming in carrier sense wireless networks
无线随机反应式干扰（RRJ）的检测的自然基础是检测器（通常位于接入点（AP）处）对支撑许多无线随机接入协议（例如，WiFi）。具体地，当无线介质被站感知为繁忙时，载波侦听兼容站将避免传输，而RRJ站将经常发起传输。然而，隐藏终端（HT），即，由AP检测到而不是由感测站检测到的活动，使载波感测作为RRJ检测的基础的使用复杂化，因为它们向被怀疑是RRJ的站提供了合理的可否认性。RRJ具有避免检测和有效中断通信的双重目标，但是在这两个目标之间存在固有的性能折衷。在本文中，我们捕获的RRJ和兼容站的行为，通过一个简约的马尔可夫链模型，并提出检测问题，使用马尔可夫链假设检验的框架。我们的分析产生的检测器的接收机工作特性，和RRJ的优化行为。虽然在干扰检测的文献中有大量的工作，但我们的创新在于利用载波侦听作为检测的自然和有效的基础。
2018-09-12 cs.IT cs.NI math.IT
Detection and blind channel estimation for UAV-aided wireless sensor networks in smart cities under mobile jamming attack
无人机（UAV）可以通过多种方式集成到无线传感器网络（WSNs）中，用于智能城市应用。其中，无人机可以通过从地面传感器和计量装置上传数据，然后将其下载到中央单元，以“存储-携带和转发”的方式用作中继。然而，上传和下载阶段都容易受到潜在的威胁和攻击。作为传统无线网络的遗留问题，干扰攻击仍然是UAV辅助通信的主要和严重威胁之一，特别是当干扰机也是移动的时，例如，它安装在无人机上或陆地车辆内。在本文中，我们研究了抗干扰通信的无人机辅助无线传感器网络运行在双选择性信道在下载阶段。在这种情况下，由UAV和恶意移动干扰机发射的信号经历由于多径传播效应引起的时间分散和由其移动性引起的频率分散。为了抑制高功率干扰信号，我们提出了一种盲物理层技术，通过基于检测器输出的符号级后排序的串行干扰消除来联合检测无人机和干扰机符号。振幅，相位，时间延迟，和多普勒频移-所需的实现所提出的检测策略-盲估计数据通过使用的算法，利用接收信号的几乎循环平稳特性和多载波调制格式的详细结构。仿真结果证实了所提出的方法的抗干扰能力，对于不同的移动场景的干扰机。
2021-12-06 cs.NI eess.SP stat.AP
Coordinated Anti-Jamming Resilience in Swarm Networks via Multi-Agent Reinforcement Learning
本文提出基于QMIX算法的多智能体强化学习框架，用于提升蜂群网络在反应式干扰下的通信韧性，通过仿真验证其在对抗环境中的有效性。
2025-12-18 cs.AI cs.DC cs.LG
Multi-stage Jamming Attacks Detection using Deep Learning Combined with Kernelized Support Vector Machine in 5G Cloud Radio Access Networks
École de technologie supérieure（高等技术学院）
在5G网络中，云无线电接入网络（C-RAN）被认为是一种有前途的未来架构，它通过提供实时云基础设施、协作无线电和集中式数据处理来最大限度地减少能耗并有效地分配资源。最近，由于其易受恶意攻击，C-RAN网络的安全性引起了人们的极大关注。在各种基于异常的入侵检测技术中，最有前途的是基于机器学习的入侵检测，因为它在没有人工帮助的情况下学习并相应地调整动作。在这个方向上，已经提出了许多解决方案，但是它们在攻击分类方面显示出低准确性，或者它们仅提供单层攻击检测。该研究重点是在5G C-RAN中部署基于多阶段机器学习的入侵检测（ML-IDS），该ML-IDS可以检测和分类四种类型的干扰攻击：恒定干扰、随机干扰、欺骗性干扰和反应性干扰。这种部署通过最小化C-RAN架构中的假阴性来增强安全性。所提出的解决方案的实验评估进行使用WSN-DS（无线传感器网络数据集），这是一个专用的无线数据集入侵检测。攻击的最终分类准确率为94.51%，误报率为7.84%。
2020-04-14 cs.LG cs.NI
Bypassing a Reactive Jammer via NOMA-Based Transmissions in Critical Missions
针对关键任务中的反应式干扰威胁，本文推导有限块长 NOMA 方案的可靠性、时延与 ESR，并通过功率分配优化实现隐蔽传输，在无重传情况下达到 0.99999 可靠性和 5ms 时延。
2024-01-24 cs.CR cs.NI
Jamming-Resilient PRB Reservation for Latency-Critical O-RAN Network Slicing
Department of Electrical and Computer Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系）
针对O-RAN下行链路中的恶意干扰导致PRB容量降低和延迟违规问题，提出一种基于预留的弹性框架，通过近实时RIC xApp控制预留PRB池，结合主动清除积压和被动分配预留容量，并采用掩蔽深度Q网络学习非平稳干扰下的最优策略，显著降低URLLC延迟违规并提高预留效率。
2026-05-28 cs.LG cs.NI
Defeating Super-Reactive Jammers With Deception Strategy: Modeling, Signal Detection, and Performance Analysis
本文开发了一种新的框架来击败超反应式干扰机，这是实践中最难处理的干扰攻击之一。具体而言，干扰机具有无限的功率预算，并配备了自干扰抑制能力，可以同时攻击和监听发射机的活动。因此，处理超反应干扰机是非常具有挑战性的。为此，本文引入了一种智能欺骗机制，吸引干扰源对信道进行持续攻击，然后利用干扰信号进行数据传输。为了检测后向散射信号，可以采用最大似然检测器。然而，该方法因其高计算复杂性而臭名昭著，并且需要当前传播环境的模型以及信道状态信息。因此，我们提出了一种基于深度学习的检测器，可以动态地适应任何通道和噪声分布。利用长短期记忆网路，我们的侦测器可以学习接收讯号的相依性，达到接近最佳最大似然侦测器的效能。通过仿真和理论结果，我们表明，与我们的方法，更多的功率的干扰使用攻击信道，更好的比特出错率性能的发射机可以实现。
2021-10-27 cs.IT cs.NI math.IT
Defeating jamming with the power of silence: a game-theoretic analysis
定时信道是逻辑通信信道，其中信息在事件之间的定时中被编码。最近，已经提出使用定时信道作为对抗由能量受限的恶意节点执行的反应性干扰攻击的对策。事实上，虽然干扰器能够破坏包含在被攻击的分组中的信息，但是定时信息不能被干扰，并且因此，即使在被干扰的信道上，也可以利用定时信道来向接收器递送信息。由于受到攻击的节点和干扰器有冲突的利益，他们的互动可以通过博弈论建模。因此，在本文中，一个博弈论模型的节点之间的相互作用，利用定时信道，以实现弹性干扰攻击和干扰机的推导和分析。更具体地说，纳什均衡的存在性，唯一性和最佳响应动态下的收敛性进行了研究。此外，在这种情况下，通信节点设置自己的战略和干扰机相应的反应建模和分析作为一个Stackelberg游戏，通过考虑完美和不完美的知识干扰机的效用函数。大量的数值结果，显示网络参数对系统性能的影响。
2014-12-20 cs.GT cs.NI
How to Attack and Defend NextG Radio Access Network Slicing with Reinforcement Learning
在本文中，强化学习（RL）的网络切片被认为是在NextG无线电接入网络，其中基站（gNodeB）分配资源块（RB）的用户设备的请求，并旨在最大化的总回报接受的请求随着时间的推移。基于对抗性机器学习，引入了一种新的空中攻击来操纵RL算法并破坏NextG网络切片。对手观察频谱并构建其自己的基于RL的代理模型，该代理模型根据能量预算来选择要阻塞的RB，目的是最大化由于阻塞的RB而导致的失败请求的数量。通过干扰RB，对手减少了RL算法的奖励。由于该奖励被用作更新RL算法的输入，因此即使在对手停止干扰之后，性能也不会恢复。这种攻击的评估方面的恢复时间和（最大和总）奖励损失，它被证明是更有效的比基准（随机和近视）干扰攻击。介绍了不同的反应式和主动式防御方案（保护RL算法的更新或误导对手的学习过程），以表明保护NextG网络切片免受这种攻击是可行的。
2022-09-15 cs.NI
"Jam Me If You Can'': Defeating Jammer with Deep Dueling Neural Network Architecture and Ambient Backscattering Augmented Communications
University of Technology Sydney（悉尼科技大学）
使用传统的抗干扰解决方案，如跳频或扩频，合法的收发器往往倾向于“逃避”或“隐藏”自己免受干扰。这些反应式抗干扰方法受到缺乏对干扰攻击的及时了解的限制。汇集了神经网络架构和环境后向散射通信的最新进展，这项工作允许无线节点有效地“面对”的干扰，首先学习其干扰策略，然后调整速率或传输信息的权利，对干扰信号。具体地，为了处理未知的干扰攻击，现有的工作通常依赖于强化学习算法，例如，Q学习然而，Q-学习算法是臭名昭著的收敛到最优策略，特别是当系统的状态和动作空间很大。这使得Q-学习算法实际上不适用。为了克服这个问题，我们使用最近的决斗神经网络架构设计了一种新的深度强化学习算法。我们提出的算法允许发射机有效地了解干扰，并达到最佳的对策千倍的速度比传统的Q-学习算法。通过大量的仿真结果，我们表明，我们的设计（使用环境后向散射和深度决斗神经网络架构）可以提高平均吞吐量高达426%，减少24%的数据包丢失。通过增强设备上的环境后向散射能力并使用我们的算法，有趣的是观察到（成功）传输速率随着干扰功率而增加。我们提出的解决方案可以在民用（例如，超可靠和低延迟通信或URLLC）和军事场景（以对抗无意和故意干扰）。
2019-04-08 cs.AI cs.NI
Multi-level Dynamic Optimization of Intelligent LEACH with Cost Effective Deep Belief Network
能量利用率是能量受限的无线传感器网络（WSN）的一个关键属性，直接影响网络的生命周期。LEACH（及其变体）被认为是无线传感器网络中最常见的节能路由协议。在本文中，我们提出了一个优化的修改LEACH，利用多跳通信，动态集群边界和节能路由，以最大限度地提高网络的生命周期。我们提出了一个多层次的方法，以最大限度地提高我们的收益与节能，即，i）已经提出了基于动态规划的簇内优化技术ii）蚁群优化用于能量高效的簇头与汇聚节点的连接，以及iii）Voronoi Tessellation用于高效的覆盖规划，即，集群边界的动态形成。为了适应更灵活的adhoc网络，混合（反应式和主动式）事件监测的基础上，深度信念网络已被集成在分布式节点，以改善系统的延迟。结果表明，所提出的方案显着优于目前的最先进的网络寿命和吞吐量。
2019-04-12 cs.MA cs.NI
