مقاله برنامه ریزی مسیر انعطاف پذیر برای پهپادها در جمع آوری داده ها تحت حملات دشمن

چکیده

In this paper, we investigate jamming-resilient UAV path planning strategies for data collection in Internet of Things (IoT) networks, in which the typical UAV can learn the optimal trajectory to elude such jamming attacks. Specifically, the typical UAV is required to collect data from multiple distributed IoT nodes under collision avoidance, mission completion deadline, and kinematic constraints in the presence of jamming attacks. We first design a fixed ground jammer with continuous jamming attack and periodical jamming attack strategies to jam the link between the typical UAV and IoT nodes. Defensive strategies involving a reinforcement learning (RL) based virtual jammer and the adoption of higher SINR thresholds are proposed to counteract against such attacks. Secondly, we design an intelligent UAV jammer, which utilizes the RL algorithm to choose actions based on its observation. Then, an intelligent UAV anti-jamming strategy is constructed to deal with such attacks, and the optimal trajectory of the typical UAV is obtained via dueling double deep Q-network (D3QN). Simulation results show that both non-intelligent and intelligent jamming attacks have significant influence on the UAV’s performance, and the proposed defense strategies can recover the performance close to that in no-jammer scenarios.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما استراتژی های برنامه ریزی مسیر پهپاد مقاوم در مورد جمع آوری داده ها در شبکه های اینترنت اشیاء (IOT) را بررسی می کنیم ، که در آن پهپاد معمولی می تواند مسیر بهینه را برای جلوگیری از چنین حملات حیرت انگیز بیاموزد.به طور خاص ، پهپاد معمولی برای جمع آوری داده ها از چندین گره IoT توزیع شده تحت اجتناب از برخورد ، مهلت تکمیل ماموریت و محدودیت های سینماتیک در حضور حملات جنجالی لازم است.ما ابتدا یک جامر زمینی ثابت را با حمله مداوم و راهبردهای حمله به هم می کنیم تا ارتباط بین گره های پهپاد و IoT را ببندیم.استراتژی های دفاعی مربوط به یک یادگیری مجازی مبتنی بر یادگیری تقویت (RL) و اتخاذ آستانه های بالاتر SINR برای مقابله با چنین حملاتی پیشنهاد شده است.ثانیاً ، ما یک ماجرای پهپاد هوشمند را طراحی می کنیم ، که از الگوریتم RL برای انتخاب اقدامات بر اساس مشاهده آن استفاده می کند.سپس ، یک استراتژی ضد jamming پهپاد هوشمند برای مقابله با چنین حملاتی ساخته شده است ، و مسیر بهینه پهپاد معمولی از طریق دوئل کردن دوتایی Q-Network (D3QN) به دست می آید.نتایج شبیه سازی نشان می دهد که هر دو حملات ناخوشایند و هوشمند و هوشمند تأثیر بسزایی در عملکرد پهپاد دارند و استراتژی های دفاعی پیشنهادی می توانند عملکرد نزدیک به آن را در سناریوهای بدون کمر بازیابی کنند.