,

مقاله کشف همسایه تطبیقی مبتنی بر DQN برای شبکه‌های هوایی جهت‌دار

تومان249,950

سیستم‌های آنتن جهت‌دار به دلیل بهره بالاتر، برد انتقال طولانی‌تر و امنیت بهبود یافته، در شبکه‌های هوایی (Aerial Networks) محبوبیت قابل توجهی پیدا کرده‌اند. با این حال، نیاز به هم‌ترازی پرتو (beam alig…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000135 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

کشف همسایه تطبیقی مبتنی بر DQN برای شبکه‌های هوایی جهت‌دار

DQN-Driven Adaptive Neighbor Discovery for Directional Aerial Networks

نویسندگان: Md Asif Ishrak Sarder, Murat Yuksel, Elizabeth Bentley

شناسه منبع: arxiv / 2605.12552

دسته: Networking and Internet Architecture,Signal Processing

چکیده (فارسی)

سیستم‌های آنتن جهت‌دار به دلیل بهره بالاتر، برد انتقال طولانی‌تر و امنیت بهبود یافته، در شبکه‌های هوایی (Aerial Networks) محبوبیت قابل توجهی پیدا کرده‌اند. با این حال، نیاز به هم‌ترازی پرتو (beam alignment) یافتن و رسیدن به همسایگان را، به ویژه در محیط‌های متحرک، چالش‌برانگیز می‌کند. برای شبکه‌های بی‌سیم، نگرانی‌های مربوط به حریم خصوصی نیز نقش حیاتی مشابهی ایفا می‌کنند. با این حال، مسئله تضمین اتصال در سراسر شبکه ضمن حفظ محدودیت در معرض دید هنگام جستجو (probing) همچنان مورد بررسی قرار نگرفته است. ما این توازن را با پیشنهاد یک پروتکل انتخاب فرستنده-گیرنده تطبیقی مبتنی بر چارچوب شبکه Q عمیق (Deep Q-Network – DQN) برطرف می‌کنیم. هر گره به عنوان یک عامل مستقل DQN عمل کرده و با محیط تعامل می‌کند تا یاد بگیرد چگونه این توازن را برقرار کند. از آنجایی که گره‌های جهت‌دار فقط بر اساس مشاهدات محلی عمل می‌کنند، ما از یک مکانیزم وزن‌دهی استفاده می‌کنیم که آنها را در اولویت‌بندی دسترسی‌پذیری بالا یا حریم خصوصی با تنظیم تطبیقی الگوهای جستجو هدایت می‌کند. نتایج نشان می‌دهد که چارچوب DQN از روش‌های پایه تصادفی (Random) و یادگیری Q (Q-Learning) بهتر عمل می‌کند. وزن‌هایی که کشف (discovery) را ترجیح می‌دهند، کارایی و دسترسی‌پذیری جستجو را بالاتر می‌برند، در حالی که وزن‌هایی که حریم خصوصی را اولویت‌بندی می‌کنند، با هزینه دسترسی‌پذیری پایین، در معرض دید محدود را تضمین کرده و در نهایت به ارزش هدف بالاتری دست می‌یابند.

Abstract (English)

Directional antenna systems are gaining substantial traction for aerial networks due to their higher gain, extended transmission range, and enhanced security. However, the requirement of beam alignment makes the task of finding and reaching neighbors challenging, particularly in a mobile setting. For wireless networks, privacy concerns play an equally critical role. However, the problem of ensuring network-wide connectivity while maintaining limited exposure when probing around is still unexplored. We address this trade-off by proposing an adaptive transceiver selection protocol based on the Deep Q-Network (DQN) framework. Each node acts as an independent DQN agent and interacts with the environment to learn how to balance the trade-off. Since the directional nodes operate only based on local observations, we adopt a weighted mechanism that guides them in prioritizing either high reachability or privacy by adaptively tuning the probing patterns. Results show that DQN framework surpasses the Random and Q-Learning baselines. Weights favoring discovery provide higher probing efficiency and reachability, while weights prioritizing privacy ensure limited exposure at the cost of low reachability, eventually attaining higher objective value.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله کشف همسایه تطبیقی مبتنی بر DQN برای شبکه‌های هوایی جهت‌دار”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا