این پژوهش یک چارچوب هوشمند برای شناسایی حملات پارازیتی (Jamming) و بهبود توان عملیاتی (Throughput) در شبکههای رادیویی شناختی (Cognitive Radio Networks) ارائه میکند. روش پیشنهادی با ترکیب یادگیری عمیق و الگوریتم بهینهسازی ازدحام ذرات (Particle Swarm Optimization – PSO)، پارامترهای مدل را بهینه کرده و دقت تشخیص پارازیت، قابلیت اطمینان ارتباطات و بهرهوری استفاده از طیف فرکانسی را افزایش میدهد. نتایج آزمایشها نشان میدهد که مدل پیشنهادی نسبت به روشهای متداول عملکرد بهتری در تشخیص حملات، کاهش نرخ خطا و حفظ کیفیت ارتباط در محیطهای دارای تداخل و حملات پارازیتی ارائه میدهد.
زمینه پژوهش
شبکههای رادیویی شناختی برای استفاده هوشمند از طیف فرکانسی طراحی شدهاند، اما در برابر حملات پارازیتی آسیبپذیر هستند. این حملات با ایجاد نویز عمدی، ارتباط میان گرهها را مختل کرده و موجب کاهش ظرفیت شبکه، افزایش تأخیر و افت قابلیت اطمینان میشوند. پژوهش حاضر با هدف توسعه یک سامانه هوشمند برای تشخیص سریع این حملات و حفظ عملکرد شبکه انجام شده است.
روش پیشنهادی
نویسندگان یک مدل یادگیری عمیق را با الگوریتم بهینهسازی ازدحام ذرات (PSO) ترکیب کردهاند. در این چارچوب، PSO برای تنظیم خودکار ابرپارامترهای شبکه عصبی، انتخاب پارامترهای بهینه و افزایش سرعت همگرایی مورد استفاده قرار میگیرد. این ترکیب موجب افزایش دقت مدل و کاهش هزینه محاسباتی نسبت به تنظیم دستی پارامترها میشود.
تشخیص هوشمند پارازیت
مدل پیشنهادی با تحلیل ویژگیهای سیگنالهای دریافتی، الگوهای مرتبط با حملات پارازیتی را شناسایی میکند. استفاده از یادگیری عمیق امکان استخراج خودکار ویژگیها را فراهم کرده و باعث میشود سامانه بتواند انواع مختلف حملات پارازیتی را با دقت بیشتری نسبت به روشهای سنتی تشخیص دهد.
بهبود عملکرد شبکه
پس از تشخیص حمله، سامانه میتواند تصمیمات مناسب برای مدیریت طیف فرکانسی و انتخاب کانال را اتخاذ کند. این فرآیند موجب افزایش توان عملیاتی شبکه، کاهش تداخل، بهبود کیفیت سرویس و افزایش قابلیت اطمینان ارتباطات بیسیم میشود.
نتایج آزمایشها
ارزیابیهای انجامشده نشان میدهد مدل مبتنی بر PSO و یادگیری عمیق نسبت به روشهای مرجع، دقت بالاتری در تشخیص حملات پارازیتی داشته و در شرایط مختلف شبکه، نرخ خطای کمتر و توان عملیاتی بیشتری ارائه میدهد. همچنین زمان همگرایی مدل کاهش یافته و عملکرد آن در محیطهای پویا پایدارتر است.
کاربردها
این چارچوب میتواند در شبکههای بیسیم نسل آینده، سامانههای اینترنت اشیا، ارتباطات نظامی، شبکههای تاکتیکی، خودروهای متصل، سامانههای پهپادی و سایر محیطهایی که نیازمند ارتباطات مقاوم در برابر پارازیت هستند مورد استفاده قرار گیرد.
اهمیت راهبردی
این پژوهش نشان میدهد که ترکیب الگوریتمهای هوش مصنوعی با روشهای فراابتکاری مانند PSO میتواند تابآوری شبکههای بیسیم را در برابر جنگ الکترونیک و حملات پارازیتی بهطور قابل توجهی افزایش دهد. چنین رویکردهایی برای نسل آینده سامانههای ارتباطی هوشمند، شبکههای شناختی و زیرساختهای دفاعی اهمیت ویژهای دارند، زیرا امکان تشخیص بلادرنگ تهدیدها و حفظ کیفیت ارتباطات را در محیطهای خصمانه فراهم میکنند.