Оптимизированное роем частиц глубокое обучение для обнаружения глушения и повышения пропускной способности в когнитивных радиосетях

Почему важно защищать беспроводные сигналы

Наши телефоны, датчики и умные устройства всё чаще делят одни и те же загруженные эфирные ресурсы. Чтобы освободить место для всех, сети следующего поколения позволяют некоторым устройствам временно занимать неиспользуемые радиоканалы. Но такая гибкость несёт риск: злоумышленник может намеренно залить канал шумом — «глушением», которое полностью блокирует связь соседних устройств. В статье предложен новый метод под названием DeepSwarm, который помогает таким гибким радиоустройствам быстро распознавать, когда их глушат, и перескакивать на более безопасные каналы, повышая как безопасность, так и пропускную способность данных.

Умное совместное использование невидимых магистралей

Современные беспроводные системы используют концепцию когнитивного радио, при которой «вторичные» устройства могут передавать лишь тогда, когда лицензированный «первичный» пользователь не использует данный канал. Эти радио постоянно определяют, какие каналы свободны, и передают эту информацию центральному контроллеру. Поскольку многие устройства и потенциальные атакующие получают доступ к одним и тем же диапазонам, сеть должна решать в каждом слоте, какие каналы использовать каждому устройству для передачи данных, при этом избегая помех первичным пользователям. В таких условиях джаммер может вызвать серьёзные нарушения, атакуя популярные каналы и заставляя легитимные устройства сталкиваться, терять пакеты и тратить заряд батареи впустую.

Кошки‑мышки в эфире

Авторы описывают противостояние между обычными пользователями и джаммером как стратегическую игру. Каждая сторона выбирает каналы либо для передачи данных, либо для создания помех, стремясь максимизировать собственную выгоду. Обычные пользователи хотят высокой и надёжной пропускной способности при низких затратах энергии, тогда как джаммер стремится нарушить как можно больше передач при ограниченном запасе энергии. В статье разработана математическая модель этого взаимодействия, учитывающая число свободных каналов, число активных пользователей, вероятность их взаимных коллизий и дополнительную помеху от джаммера. Эта модель количественно выражает в единой полезности, насколько хорош тот или иной выбор канала для каждой из сторон.

Обучение радио распознавать атаки

Вместо того чтобы решать эту сложную игру исключительно уравнениями, авторы обращаются к обучению на данных. Они проектируют компактную глубокую нейронную сеть, которая анализирует простые измерения, уже доступные в сети: среднюю пропускную способность на канале, колебания этой пропускной способности, качество принятого сигнала, измеренную мощность помех и признак занятости канала. По этим признакам сеть учится отличать обычных пользователей от джаммеров. Чтобы максимально эффективно использовать небольшие практические наборы данных, команда применяет оптимизацию роем частиц — популяционный метод поиска, вдохновлённый поведением стаи — для автоматической настройки числа слоёв и нейронов в сети, а также скорости обучения и параметров регуляризации. Эта настроенная модель, DeepSwarm, обучается офлайн, но затем быстро работает в реальном времени.

Выбор лучших каналов на лету

Как только DeepSwarm умеет точно отмечать передатчики, ведущие себя как джаммеры, сеть использует эту информацию для очистки своего представления спектра. Сообщения от подозреваемых джаммеров игнорируются; только доверенные пользователи влияют на решение о том, какие каналы действительно свободны. При более ясной картине система координирует, на какие простые каналы вторичные пользователи должны перескакивать в каждом временном слоте, распределяя их так, чтобы избежать как друг друга, так и любимых целей джаммера. Моделирование показывает, что после внедрения DeepSwarm пользователи распределяются по каналам более равномерно, загруженность падает, и они автоматически избегают сильно заглушаемых частот, даже когда тактика джаммера меняется.

Приращения в надёжности и скорости

В обширных испытаниях DeepSwarm обнаруживает джаммеров примерно с 98% точностью, точностью предсказаний и полнотой, превосходя обычные базовые методы машинного обучения, такие как машины опорных векторов, линейные модели и ансамбли. Ещё важнее для повседневной работы, это повышенное осознание приводит к значительно большим полезным скоростям передачи данных. По сравнению со статической стратегией выбора каналов, игнорирующей глушение, схема перескока, управляемая DeepSwarm, может повысить нормализованную пропускную способность до 32% при различных уровнях интенсивности атак. По сравнению с предыдущим игровым эталоном, полагающимся только на обучения методом проб и ошибок, новый подход примерно увеличивает эффективную пропускную способность на 70–80% и одновременно сокращает вероятность быть заглушенным вдвое.

Что это значит для будущих беспроводных устройств

Для неспециалиста главный вывод таков: авторы создали нечто вроде хранителя для гибких радиоустройств — лёгкую систему обучения, которая обнаруживает недобросовестные действия в эфире и помогает устройствам быстро переходить на более чистые каналы. Комбинируя стратегическое моделирование атакующих с настроенной нейронной сетью, DeepSwarm предлагает масштабируемый способ поддерживать поток данных даже в враждебной среде. Это может быть особенно полезно для плотных развертываний Интернета вещей и машинных связей, где множество низкоэнергетических устройств должны безопасно и эффективно делить спектр без постоянного человеческого контроля.

Цитирование: Imran, M., Ibrahim, K., Zhiwen, P. et al. Particle swarm optimized deep learning for jamming detection and throughput enhancement in cognitive radio networks. Sci Rep 16, 8715 (2026). https://doi.org/10.1038/s41598-026-41642-9

Ключевые слова: когнитивное радио, беспроводное глушение, глубокое обучение, перескакивание по частотам, безопасность IoT