{"id":3002,"date":"2024-10-28T20:04:20","date_gmt":"2024-10-28T20:04:20","guid":{"rendered":"https:\/\/lincslab.ca\/?p=3002"},"modified":"2025-07-20T17:25:42","modified_gmt":"2025-07-20T21:25:42","slug":"journal-paper-published-in-ieee-systems-journal","status":"publish","type":"post","link":"https:\/\/lincslab.ca\/fr\/journal-paper-published-in-ieee-systems-journal\/","title":{"rendered":"Publication d'un article dans IEEE Systems Journal"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Journal Paper Published in IEEE System Journal<\/b><\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Deemah Tashman<\/strong>, chercheuse postdoctorale \u00e0 Polytechnique Montr\u00e9al et membre du Lincs lab<\/strong>, a publi\u00e9 un article dans la prestigieuse revue IEEE Systems Journal. <\/strong> L'article, intitul\u00e9 \u201cOptimizing Cognitive Networks: Reinforcement Learning Meets Energy Harvesting Over Cascaded Channels<\/strong><\/a>\", est le fruit d'un effort de collaboration avec Prof. Soumaya Cherkaoui<\/a> et Prof. Walaa Hamouda<\/a>.\u00a0<\/p>\n

L'article pr\u00e9sente une approche bas\u00e9e sur l'apprentissage par renforcement pour am\u00e9liorer la s\u00e9curit\u00e9 de la couche physique d'un r\u00e9seau radio cognitif en sous-couche sur des canaux en cascade. Ces canaux sont utilis\u00e9s dans des r\u00e9seaux tr\u00e8s mobiles tels que les r\u00e9seaux v\u00e9hiculaires cognitifs (CVN).<\/p>\n

De plus, un espion vise \u00e0 intercepter les communications entre les utilisateurs secondaires (US). Le r\u00e9cepteur US dispose de capacit\u00e9s de duplex int\u00e9gral et de r\u00e9cup\u00e9ration d'\u00e9nergie pour g\u00e9n\u00e9rer des signaux de brouillage afin de confondre l'espion et d'am\u00e9liorer la s\u00e9curit\u00e9. Par ailleurs, l'\u00e9metteur US extrait de l'\u00e9nergie des signaux de radiofr\u00e9quence ambiants afin d'alimenter les transmissions ult\u00e9rieures vers son r\u00e9cepteur pr\u00e9vu.<\/p>\n

Pour optimiser la confidentialit\u00e9 et la fiabilit\u00e9 des US dans un CVN, une strat\u00e9gie de r\u00e9seau Q profond (DQN) est utilis\u00e9e, o\u00f9 plusieurs agents DQN sont requis, un agent \u00e9tant attribu\u00e9 \u00e0 chaque \u00e9metteur US. L'objectif des US est de d\u00e9terminer la puissance de transmission optimale et de d\u00e9cider de collecter de l'\u00e9nergie ou de transmettre des messages pendant chaque p\u00e9riode de temps afin de maximiser leur d\u00e9bit secret. Ensuite, une approche DQN est propos\u00e9e pour maximiser le d\u00e9bit des US tout en respectant le seuil d'interf\u00e9rence acceptable au niveau du r\u00e9cepteur de l'utilisateur principal. Selon les conclusions, la strat\u00e9gie propos\u00e9e par les auteurs surpasse deux autres strat\u00e9gies de r\u00e9f\u00e9rence en termes de s\u00e9curit\u00e9 et de fiabilit\u00e9.<\/p>\n

Pour plus de d\u00e9tails sur l'article, visitez : Optimizing Cognitive Networks: Reinforcement Learning Meets Energy Harvesting Over Cascaded Channels | IEEE Journals & Magazine | IEEE Xplore<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\n