HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
47,653,114
- Công bố khoa học và công nghệ Việt Nam
76
30303 - Điều dưỡng
Nguyen Thai Duong, Nguyễn Ngọc Tân
Phân tích sự đánh đổi giữa hiệu năng và năng lượng trong mạng truyền thông tán xạ ngược trong môi trường chống nhiễu sử dụng học tăng cường đa tác tử
Knowledge of Cervical Cancer Among Health Sciences Students at East Asia University of Technology
Tạp chí Khoa học và Công nghệ Trường Đại học Công nghệ Đông Á
2026
2
47-59
2815-5807
Sự bùng nổ của các thiết bị Internet vạn vật (IoT) trong kỷ nguyên 6G đặt ra thách thức kép về tiết kiệm năng lượng và khả năng chống chịu trước các cuộc tấn công gây nhiễu chủ động. Kỹ thuật Truyền thông Tán xạ ngược Môi trường (Ambient Backscatter Communication - AmB) nổi lên như một giải pháp hứa hẹn nhờ khả năng tận dụng sóng vô tuyến có sẵn để truyền tin với công suất cực thấp. Tuy nhiên, việc tối ưu hóa đồng thời độ tin cậy và hiệu quả năng lượng trong môi trường nhiễu là bài toán phức tạp. Bài báo này nghiên cứu bài toán cân bằng tài nguyên động, trong đó tín hiệu gây nhiễu được thu thập để cung cấp năng lượng vận hành hệ thống. Chúng tôi đề xuất khung giải pháp IA-MADDPG, kết hợp Học tăng cường sâu đa tác tử với cơ chế Học bắt chước nhằm khắc phục vấn đề hội tụ chậm trong không gian hành động liên tục. Kết quả mô phỏng cho thấy, thay vì tối đa hóa thông lượng một cách mù quáng, phương pháp đề xuất chấp nhận mức tiêu thụ năng lượng cao hơn để duy trì sự ổn định của hiệu suất thông lượng trên năng lượng trong các điều kiện khắc nghiệt.
The deployment of Internet of Things (IoT) devices in 6G networks introduces dual challenges regarding energy efficiency and resilience against active jamming attacks. Ambient Backscatter Communication (AmB) provides a mechanism to address these constraints by modulating existing radio frequency (RF) waves for ultra-low-power transmission. However, the joint optimization of transmission reliability and energy efficiency in non-stationary jamming environments constitutes a complex resource allocation problem. This paper investigates a dynamic resource balancing model whe-rein adversarial jamming signals are harvested to supply operational energy for the AmB system. We formulate the joint anti-jamming and energy allocation problem as a partially observable Markov decision process (POMDP). To solve this, we propose an Imitation-Augmented Multi-Agent Deep Deterministic Policy Gradient (IA-MADDPG) framework. This architecture integrates multi-agent deep reinforcement learning (MARL) with an imitation learning mechanism to mitigate the slow convergence and high exploration overhead inherent to continuous action spaces. Simulation results indicate that the IA-MADDPG framework strictly avoids unconstrained throughput maximization; instead, it strategically allocates higher energy consumption to guarantee the stability of the throughput-to-energy efficiency metric under severe jamming conditions.
TTKHCNQG, CVv 542
Xem toàn văn