Parçacık sürüsü ile optimize edilmiş derin öğrenme: bilişsel radyo ağlarında karıştırma tespiti ve verimlilik artırımı

Kablosuz sinyallerin korunmasının önemi

Telefonlarımız, sensörlerimiz ve akıllı cihazlarımız giderek aynı kalabalık hava dalgalarını paylaşıyor. Herkese yer açmak için yeni nesil ağlar bazı cihazların kullanılmayan radyo kanallarını geçici olarak ödünç almasına izin veriyor. Ancak bu esneklik bir riski beraberinde getiriyor: kötü niyetli bir verici bir kanalı kasıtlı olarak gürültüyle doldurarak yakınlardaki cihazların tamamen iletişim kurmasını engelleyebilir; buna "karıştırma" saldırısı denir. Bu makale, esnek radyo cihazlarının karıştırıldıklarını hızla algılamalarına ve daha güvenli kanallara atlamalarına yardımcı olarak hem güvenliği hem de veri verimini artıran DeepSwarm adlı yeni bir yöntemi tanıtıyor.

Görünmez otoyolların akıllı paylaşımı

Modern kablosuz sistemler, "ikinci dereceden" cihazların lisanslı "birincil" bir kullanıcı belirli bir kanalı kullanmadığında yalnızca iletim yapmasına izin veren bilişsel radyo kavramını kullanır. Bu radyolar hangi kanalların boş olduğunu sürekli hisseder ve bu bilgiyi merkezi bir denetleyiciyle paylaşır. Birçok cihaz ve potansiyel saldırganın aynı frekanslara erişebilmesi nedeniyle, ağ her zaman diliminde hangi cihazın hangi kanalı kullanacağını, lisanslı kullanıcıları rahatsız etmeden veri taşıyacak şekilde belirlemelidir. Bu ortamda bir karıştırıcı, popüler kanalları hedefleyerek meşru cihazları tekrarlayan çakışmalara, paket kayıplarına ve gereksiz pil tüketimine zorlayarak büyük kesintilere neden olabilir.

Havada kedi‑fare oyunu

Yazarlar, normal kullanıcılar ile bir karıştırıcı arasındaki mücadeleyi stratejik bir oyun olarak tanımlıyor. Her iki taraf da ya veri göndermek ya da parazit oluşturmak için kanalları seçer ve kendi faydasını maksimize etmeye çalışır. Normal kullanıcılar düşük güç maliyetiyle yüksek ve güvenilir verim isterken, karıştırıcı sınırlı enerjiyle mümkün olduğunca çok iletimi bozmak ister. Makale, kaç kanalın boş olduğu, kaç kullanıcının aktif olduğu, kullanıcıların birbirleriyle çakışma olasılıkları ve karıştırıcının eklediği parazitin miktarı gibi etkenleri hesaba katan bu etkileşimin matematiksel bir modelini geliştirir. Bu model, tek bir fayda ölçüsünde belirli bir kanal seçiminin her iki taraf için ne kadar iyi olduğunu nicelleştirir.

Radyoları saldırıları tanıyacak şekilde eğitmek

Bu karmaşık oyunu yalnızca denklemlerle çözmek yerine yazarlar veri odaklı öğrenmeye yönelir. Ağda zaten bulunan basit ölçümleri gören kompakt bir derin sinir ağı tasarladılar: bir kanaldaki ortalama verim, bu verimin ne kadar dalgalandığı, alınan sinyal kalitesi, ölçülen parazit gücü ve kanalın meşgul ya da boş olarak algılanıp algılanmadığı. Bu özelliklerden ağ normal kullanıcıları karıştırıcılardan ayırt etmeyi öğrenir. Küçük, pratik bir veri kümesinden en iyi verimi elde etmek için ekip, ağın kaç katmandan ve nörondan oluşacağı ile öğrenme oranı ve düzenleme (regularizasyon) ayarlarını otomatik olarak ayarlamak için sürü davranışından esinlenen nüfus tabanlı bir arama yöntemi olan parçacık sürüsü optimizasyonunu kullandı. Bu ayarlanmış model, DeepSwarm, çevrimdışı olarak eğitilir ancak gerçek zamanlı olarak hızlı çalışır.

Anında daha iyi kanal seçimi

DeepSwarm hangi vericilerin karıştırıcı gibi davrandığını doğru şekilde işaretleyebildiğinde, ağ spektruma dair görüşünü temizlemek için bu bilgiyi kullanır. Şüpheli karıştırıcılardan gelen raporlar göz ardı edilir; yalnızca güvenilir kullanıcılar hangi kanalların gerçekten boş olduğu kararını etkiler. Daha net bir tabloyla sistem, ikincil kullanıcıların her zaman diliminde atlaması gereken boş kanalları koordine eder ve onları hem birbirlerinden hem de karıştırıcının favori hedeflerinden uzak olacak şekilde dağıtır. Simülasyonlar, DeepSwarm dağıtıldıktan sonra kullanıcıların kendilerini kanallar arasında daha eşit şekilde dağıttığını, tıkanıklığın azaldığını ve karıştırıcı taktikleri değişse bile kullanıcıların yoğun şekilde karıştırılan frekanslardan otomatik olarak uzaklaştıklarını gösteriyor.

Güvenilirlik ve hızda kazanımlar

Kapsamlı testlerde DeepSwarm, yaklaşık %98 doğruluk, kesinlik ve geri çağırma (recall) oranlarıyla karıştırıcıları tespit ediyor ve destek vektör makineleri, doğrusal modeller ve topluluk (ensemble) istifleme yöntemleri gibi yaygın makine öğrenmesi temellerini geride bırakıyor. Günlük performans için daha da önemlisi, bu gelişmiş farkındalık kullanılabilir veri hızlarında önemli artışlara dönüşüyor. Karıştırmayı göz ardı eden statik bir kanal seçimi stratejisiyle karşılaştırıldığında, DeepSwarm yönlendirmeli atlama şeması saldırı yoğunlukları aralığında normalize edilmiş verimi %32'ye kadar artırabiliyor. Yalnızca deneme‑yanılma öğrenmesine dayanan önceki oyun‑teorik bir kıyasla karşılaştırıldığında, yeni yaklaşım etkin verimi yaklaşık %70–80 oranında yükseltirken karıştırılma olasılığını yarıya indiriyor.

Geleceğin kablosuz cihazları için anlamı

Uzman olmayan bir kişi için ana çıkarım, yazarların esnek radyolar için bir tür koruyucu geliştirmiş olduklarıdır: hava dalgalarında hileyi saptayan ve cihazların hızla daha temiz kanallara geçmesine yardımcı olan hafif bir öğrenme sistemi. Saldırganların stratejik modellenmesini ayarlanmış bir sinir ağı ile birleştirerek DeepSwarm, düşmanca ortamlarda bile verinin akışını sürdürmenin ölçeklenebilir bir yolunu sunuyor. Bu, çok sayıda düşük güçlü cihazın spektrumu insan gözetimi olmadan güvenli ve verimli şekilde paylaşması gereken yoğun Nesnelerin İnterneti dağıtımları ve makine‑makine bağlantıları için özellikle değerli olabilir.

Atıf: 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

Anahtar kelimeler: bilişsel radyo, kablosuz karıştırma, derin öğrenme, frekans atlaması, Nesnelerin İnterneti güvenliği