Deemah Tashman, chercheuse postdoctorale à Polytechnique Montréal et membre du Lincs lab, a publié un article dans la prestigieuse revue IEEE Systems Journal. L'article, intitulé “Optimizing Cognitive Networks: Reinforcement Learning Meets Energy Harvesting Over Cascaded Channels", est le fruit d'un effort de collaboration avec Prof. Soumaya Cherkaoui et Prof. Walaa Hamouda. 

L'article présente une approche basée sur l'apprentissage par renforcement pour améliorer la sécurité de la couche physique d'un réseau radio cognitif en sous-couche sur des canaux en cascade. Ces canaux sont utilisés dans des réseaux très mobiles tels que les réseaux véhiculaires cognitifs (CVN).

De plus, un espion vise à intercepter les communications entre les utilisateurs secondaires (US). Le récepteur US dispose de capacités de duplex intégral et de récupération d'énergie pour générer des signaux de brouillage afin de confondre l'espion et d'améliorer la sécurité. Par ailleurs, l'émetteur US extrait de l'énergie des signaux de radiofréquence ambiants afin d'alimenter les transmissions ultérieures vers son récepteur prévu.

Pour optimiser la confidentialité et la fiabilité des US dans un CVN, une stratégie de réseau Q profond (DQN) est utilisée, où plusieurs agents DQN sont requis, un agent étant attribué à chaque émetteur US. L'objectif des US est de déterminer la puissance de transmission optimale et de décider de collecter de l'énergie ou de transmettre des messages pendant chaque période de temps afin de maximiser leur débit secret. Ensuite, une approche DQN est proposée pour maximiser le débit des US tout en respectant le seuil d'interférence acceptable au niveau du récepteur de l'utilisateur principal. Selon les conclusions, la stratégie proposée par les auteurs surpasse deux autres stratégies de référence en termes de sécurité et de fiabilité.

Pour plus de détails sur l'article, visitez : Optimizing Cognitive Networks: Reinforcement Learning Meets Energy Harvesting Over Cascaded Channels | IEEE Journals & Magazine | IEEE Xplore