Tích hợp học không giám sát và học sâu tăng cường cho phương pháp chống gây nhiễu trong truyền thông 6G hỗ trợ backscatter
DOI:
https://doi.org/10.54939/1859-1043.j.mst.114.2026.22-29Từ khóa:
Chống gây nhiễu; Học sâu tăng cường (DRL); Hiệu quả năng lượng; Đa dạng tần số; Phân cụm không giám sát.Tóm tắt
Bài báo này đề xuất một khung D3QN hỗ trợ học không giám sát theo cơ chế không rò rỉ dữ liệu nhằm điều khiển chống nhiễu trong truyền thông IoT 6G hỗ trợ backscatter. Phương pháp đề xuất trước hết ánh xạ các quan sát tầng vật lý, bao gồm SINR, RSSI và mức nhiễu ước lượng, thành các trạng thái ngữ nghĩa thông qua phân cụm không giám sát; sau đó sử dụng D3QN để đồng tối ưu chế độ truyền, công suất phát và hệ số phản xạ. Để tránh rò rỉ thông tin, bộ chuẩn hóa dữ liệu và mô hình phân cụm chỉ được huấn luyện trên các quan sát huấn luyện và được giữ cố định trong giai đoạn đánh giá. Kết quả mô phỏng trên nhiều lần chạy độc lập cho thấy khung đề xuất hội tụ sau khoảng 150-180 episode, đạt thông lượng trung bình xấp xỉ 3.2 bps/Hz và hiệu quả năng lượng 0.65 bits/J. Trong điều kiện gây nhiễu mạnh, phương pháp cải thiện thông lượng khoảng 30% so với D3QN không sử dụng phân cụm và hơn 50% so với DQN. Các kiểm thử độ bền vững dưới các kịch bản chuyển đổi jammer đột ngột, mẫu jammer chưa quan sát, quan sát có nhiễu và phản hồi trễ tiếp tục xác nhận hiệu quả của phương pháp trong các điều kiện nhiễu phức tạp.
Tài liệu tham khảo
[1]. Walid Saad, Mehdi Bennis, and Mingzhe Chen, “A vision of 6G wireless systems: Applications, trends, technologies, and open research problems”, IEEE Network, 34, 3, 134–142, (2020).
[2]. Shuping Dang, Osama Amin, Basem Shihada, and Mohamed-Slim Alouini, “What should 6G be?”, Nature Electronics, 3, 1, 20–29, (2020).
[3]. L. H. Hiep and H. H. Ngo, “AI-driven jamming detection and DRL-based anti-jamming for ambient backscatter communications in 6G networks”, VNU Journal of Science: Computer Science and Communication Engineering, 42, 2, 98-114, (2026).
[4]. Carsten Bockelmann, Nuno Pratas, Hosein Nikopour, Kelvin Au, Tommy Svensson, Cedomir Stefanovic, Petar Popovski, and Armin Dekorsy, “Massive machine-type communications in 5G: Physical and MAC-layer solutions”, IEEE Communications Magazine, 54, 9, 59–65, (2016).
[5]. L. H. Hiep, H. M. Viet, and T. D. Minh, “RIS-assisted deep reinforcement learning for intelligent anti-jamming communications in 6G networks”, TNU Journal of Science and Technology, 231, 6, 419--428, (2026).
[6]. Nguyen Hong Kiem, Tran Manh Hoang, Nguyen Tuan Minh, Le Thi Thanh Huyen, “Outage probability analysis of RIS-assisted RSMA systems over Nakagami-m fading channels”, JMST, IITE, 72–82, (2025).
[7]. L. H. Hiep, V. T. Hoang and H. H. Ngo, “RLIoT: Reinforcement Learning based network resource optimization using IoT sensor data”, International Journal of Computer Networkds & Communication (IJCNC), 18, 4, 1-16, (2026). DOI: 10.5121/ijcnc.2026.18401
[8]. Xiao Lu, Dusit Niyato, Hai Jiang, Dong In Kim, Yong Xiao, and Zhu Han, “Ambient backscatter assisted wireless powered communications”, IEEE Wireless Communications, 25, 2, 170–177, (2018).
[9]. L. H. Hiep, “Probabilistic Analysis of Anti-Jamming Frequency Hopping in Backscatter IoT Networks”, Journal of Science & Technology on Information and Communications – PTIT, 11, 01, 19-33, (2026).
[10]. Xin Liu, Yuhua Xu, Luliang Jia, Qihui Wu, and Alagan Anpalagan, “Anti-jamming communications using spectrum waterfall: A deep reinforcement learning approach”, IEEE Communications Letters, 22, 5, 998–1001, (2018). Journal of Science and Technology on Information security, 1.CS (27), 1-17, (2026).
[11]. L. H. Hiep and H. H. Ngo, “D3QN-based joint power control and reflection adaptation for anti-jamming ambient backscatter communications with mobile UAV jammers”, International Journal of Robotics and Control Systems, 6, 4, (2026). DOI: 10.31763/ijrcs.v6i5.2872
[12]. Yann LeCun, Yoshua Bengio, and Geoffrey Hinton, “Deep learning”, Nature, 521, 7553, 436–444, (2015).
[13]. Nguyen Duy Thai, “Segmentation and reconstruction of wireless signals under interference using the FoT-UNet neural network”, JMST, 110, 45–54, (2026).
[14]. Hado van Hasselt, Arthur Guez, and David Silver, “Deep reinforcement learning with double Q-learning”, Proc. AAAI Conference on Artificial Intelligence, 2094–2100, (2016).
[15]. Liang Xiao, Yan Li, Guoan Han, Guolong Liu, and Weihua Zhuang, “PHY-layer spoofing detection with reinforcement learning in wireless networks”, IEEE Transactions on Vehicular Technology, 65, 12, 10037–10047, (2016).
