🔢 mathematics

Deep Reinforcement Learning for Cognitive Time-Division Joint SAR and Secure Communications

Deze paper presenteert een dynamisch tijdsgedeeld framework voor gezamenlijke SAR-imaging en beveiligde communicatie, waarbij een luchtgestuurde basisstation met cognitieve SAR de positie en snelheid van een afluisteraar schat om via deep reinforcement learning de tijds- en vermogensallocatie te optimaliseren en zo de geheimhoudingscapaciteit te maximaliseren.

Oorspronkelijke auteurs: Mohamed-Amine Lahmeri, Ata Khalili, Yujiao Liu, Anke Schmeink, Robert Schober

Gepubliceerd 2026-04-14

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mohamed-Amine Lahmeri, Ata Khalili, Yujiao Liu, Anke Schmeink, Robert Schober

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een vliegende spion bent die boven een stad cirkelt. Je hebt twee belangrijke taken:

Praten met een vriend op de grond (communicatie).
Kijken of er een sluipschutter (een afluisteraar) rondloopt die je gesprek wil meeluisteren (radar/sensoren).

Het probleem? Je kunt niet tegelijkertijd perfect praten en perfect kijken. Als je te lang kijkt, mis je praatmomenten. Als je te lang praat, weet je niet waar de sluipschutter is, en kan hij je gesprek stelen.

Dit artikel beschrijft een slimme, nieuwe manier om dit probleem op te lossen met een systeem dat we "Cognitief Radar-Communicatie" noemen. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Slimme Spion" (Het Systeem)

In plaats van een vaste planning te hebben (bijvoorbeeld: "5 minuten kijken, 5 minuten praten"), heeft deze vliegende spion een AI-beslissingshulp (Deep Reinforcement Learning).

De Analogie: Denk aan een schaker die niet alleen naar het bord kijkt, maar ook voelt hoe de wind waait. Als de afluisteraar stilstaat, hoeft de spion niet vaak te kijken. Maar als de afluisteraar begint te rennen, moet de spion vaker en scherper kijken om hem te volgen.
De Oplossing: Het systeem past zich in real-time aan. Het beslist: "Nu is het veilig om te praten" of "Nu moet ik snel een foto maken om te zien waar die vent is."

2. De "Scheermes" Techniek (SAR ATI)

Hoe ziet de spion de rennende afluisteraar als er duizenden andere dingen (auto's, bomen, gebouwen) op de grond staan?

De Analogie: Stel je voor dat je door een drukke menigte kijkt. Iedereen beweegt, maar de meeste mensen staan stil of lopen langzaam. Als je een camera hebt die heel snel foto's maakt en de beweging van de menigte "uitrekkt" (zoals een langere belichtingstijd), dan worden de stilstaande mensen wazig, maar de rennende persoon komt scherp naar voren.
In het artikel: Dit heet SAR Along-Track Interferometry. Het gebruikt twee antennes op het vliegtuig om het verschil in beweging te meten. Hierdoor kan het systeem de afluisteraar (die beweegt) perfect scheiden van de ruis van de stad (die stilstaat).

3. Het "Verkeerslicht" en de "Stoorzender"

Zodra het systeem weet waar de afluisteraar ongeveer is (maar niet exact, want hij kan nog een beetje bewegen), doet het twee dingen:

De Richting: Het richt de praatstraal (beamforming) precies op de vriend op de grond, zoals een schijnwerper die alleen op het podium schijnt.
De Stoorzender: Het stuurt een "ruis-signaal" (artificial noise) naar de plek waar de afluisteraar zou kunnen zijn.
- De Analogie: Stel je voor dat je in een luid café met je vriend praat. Je wilt dat je vriend je verstaat, maar niet dat de buren meeluisteren. Je schakelt een luidruchtige ventilator in die precies op de burenrichting blaast. Voor de buren is het onmogelijk om te horen wat je zegt, maar voor je vriend (die in een andere richting zit) is het geluid van de ventilator nauwelijks hoorbaar.

4. De "Leerling" (Deep Reinforcement Learning)

Dit is het meest creatieve deel. De auteurs hebben het systeem niet geprogrammeerd met vaste regels (zoals "als snelheid > 10 km/u, dan kijken"). In plaats daarvan hebben ze het systeem leerzaam gemaakt.

De Analogie: Het is als een kind dat leert fietsen. Het valt een paar keer (probeert te praten terwijl de afluisteraar te snel beweegt), merkt dat het gesprek gestolen wordt, en leert daaruit: "Ah, volgende keer moet ik vaker kijken als hij sneller gaat."
Het systeem heeft duizenden situaties geoefend en leert nu zelf de perfecte balans te vinden tussen kijken (SAR) en praten (Communicatie), zelfs als de afluisteraar een heel nieuw, onbekend pad loopt.

Waarom is dit belangrijk?

Vroeger waren systemen ofwel te star (altijd dezelfde verdeling tussen kijken en praten) of ze hadden te veel informatie nodig over de vijand (wat in de echte wereld zelden beschikbaar is).

Dit nieuwe systeem is flexibel en slim:

Het werkt zelfs als de vijand plotseling van richting verandert.
Het zorgt dat je gesprek veilig blijft, zelfs als de vijand hard wegrent.
Het lost het dilemma op: "Hoeveel tijd moet ik besteden aan kijken versus praten?" door dit elke seconde opnieuw te berekenen.

Kortom: Het is alsof je een vliegende bodyguard hebt die niet alleen een geweer heeft, maar ook een super-intelligente AI die precies weet wanneer hij moet schieten, wanneer hij moet praten, en hoe hij de vijand moet verblinden, alles in een fractie van een seconde.

Titel

Diepe Versterkte Learning (DRL) voor Cognitieve Tijd-gescheiden Gezamenlijke SAR en Veilige Communicaties.

1. Probleemstelling

De integratie van sensoren (zoals Synthetic Aperture Radar - SAR) en communicatie in lucht-grond (A2G) systemen is cruciaal voor scenario's zoals surveillance en communicatie na rampen. Echter, er zijn twee belangrijke uitdagingen:

Onbekende Afluisteraars: Bestaande methoden voor fysieke laag-beveiliging (zoals straalvorming en jamming) vereisen vaak perfecte kennis van de locatie van een afluisteraar (eavesdropper). In de praktijk is deze locatie echter onbekend, vooral bij bewegende doelen op de grond.
Sensoren-Communicatie Trade-off: Traditionele radar systemen worstelen met sterke grondecho's (clutter) in A2G-scenario's. Hoewel SAR deze beperkingen kan overwinnen, ontbreekt er een praktisch raamwerk om SAR en communicatie efficiënt te combineren zonder prestatieverlies. Bestaande "Joint SAR and Communication" (JSARC) systemen gaan vaak uit van statische omgevingen of vereenvoudigen de co-existentie van sensoren en communicatie te sterk.

Het paper richt zich op een veilig downlink-scenario waarbij een Aerial Base Station (ABS) een grondgebruiker (UE) bedient in aanwezigheid van een bewegende grond-afluisteraar. Het doel is om de geheime communicatie te beschermen door de afluisteraar eerst te detecteren en te volgen, en vervolgens adaptief te reageren.

2. Methodologie

De auteurs stellen een nieuw Cognitief Tijd-gescheiden Gezamenlijk SAR en Communicatie (TD-JSARC) raamwerk voor.

Systeemarchitectuur:
- De ABS is uitgerust met een Uniform Lineair Array (ULA) met $M_t$ antennes.
- Twee antennes worden gebruikt voor SAR Along-Track Interferometry (ATI) om bewegende doelen te detecteren en te onderscheiden van statische clutter.
- De resterende antennes worden gebruikt voor communicatie met de gebruiker.
- Het systeem werkt in tijdsframes die zijn onderverdeeld in een sensing sub-frame (SAR) en een communicatie sub-frame.
Cognitieve Adaptatie:
- Sensing: Tijdens de sensing-fase schat de ABS de positie en snelheid van de afluisteraar. De integratietijd van de SAR wordt dynamisch aangepast aan de onbekende trajecten van de afluisteraar.
- Onzekerheidsmodel: Omdat de afluisteraar beweegt, bouwt de ABS een onzekerheidsgebied op (een cirkelvormig gebied) rond de laatst geschatte positie. De straal van dit gebied groeit naarmate de tijd vordert, afhankelijk van de geschatte snelheid en maximale versnelling van de afluisteraar.
- Communicatie: Gebaseerd op de schattingen, past de ABS de straalvorming (beamforming) voor de gebruiker en kunstmatige ruis (Artificial Noise - AN) jamming voor de afluisteraar aan. De AN wordt gericht naar het geschatte centrum van het onzekerheidsgebied.
Optimalisatieprobleem:
- Het doel is om de gemiddelde worst-case geheimheidsrate (secrecy rate) te maximaliseren door gezamenlijk de tijd- en vermogensallocatie te optimaliseren.
- Dit is een niet-convex, gemengd-integer optimalisatieprobleem met onbekende variabelen (het traject van de afluisteraar).
Oplossing via Deep Reinforcement Learning (DRL):
- Het probleem wordt geformuleerd als een Markov Beslissingsproces (MDP).
- Actie: De agent kiest per tijdslot of er gesenset wordt (1) of gecommuniceerd wordt (0).
- Vermogensverdeling: Voor communicatie wordt het vermogenssplit-factoren ( $\alpha$ ) voor beamforming en jamming apart geoptimaliseerd via een robuuste zoekalgoritme (Algorithm 1) om de ergste-case scenario binnen het onzekerheidsgebied te behandelen.
- Algoritme: Er wordt gebruik gemaakt van Proximal Policy Optimization (PPO), een DRL-methode, om het beleid te leren zonder voorafgaande kennis van het traject van de afluisteraar.

3. Belangrijkste Bijdragen

Nieuw Raamwerk: Introductie van een cognitief TD-JSARC raamwerk dat SAR-gebaseerde sensing integreert met veilige luchtcommunicatie specifiek voor het bestrijden van bewegende grond-afluisteraars.
Dynamisch Onzekerheidsmodel: Ontwikkeling van een model dat SAR-schattingen combineert met kinematische beperkingen (maximale snelheid/versnelling) om een dynamisch onzekerheidsgebied voor de afluisteraar te definiëren.
MDP Formulering: Het optimalisatieprobleem (tijd- en vermogensallocatie) is omgezet naar een MDP om de onzekerheid over het traject van de afluisteraar te hanteren.
Leer-gebaseerde Oplossing: Een DRL-oplossing die geen voorafgaande kennis vereist en goed generaliseert naar onbekende bewegingspatronen van de afluisteraar.

4. Resultaten

De simulaties (gebaseerd op parameters uit Tabel I) tonen het volgende aan:

Prestatieverbetering: Het voorgestelde DRL-benadering overtreft zowel leer-gebaseerde benchmarks (zoals een hybride DRL met gezamenlijke discrete/continue actie) als niet-lerende benchmarks (gelijke tijdsallocatie en willekeurige tijdsallocatie) significant.
Adaptiviteit: Het systeem past de "Sensing-to-Communication" (S2C) verhouding dynamisch aan. Bij hogere snelheden van de afluisteraar wordt vaker gesenset om de onzekerheid klein te houden, terwijl bij lagere snelheden meer tijd wordt besteed aan communicatie.
Robuustheid: De methode behoudt hoge geheimheidsrates zelfs wanneer de afluisteraar een traject volgt dat niet tijdens het trainingsproces is gezien (bijvoorbeeld een lineair traject met oscillerende snelheid).
Vermogensbeheer: Het gebruik van Algorithm 1 voor de vermogenssplit zorgt voor een dynamisch evenwicht tussen straalvorming naar de gebruiker en jamming naar de afluisteraar, afhankelijk van de relatieve hoeken en afstanden.

Bijvoorbeeld, bij een afluistersnelheid van 14 m/s bereikte het voorgestelde systeem een geheimheidsrate van ongeveer 3,3 bits/s/Hz, vergeleken met ongeveer 2,7 bits/s/Hz voor de beste benchmark.

5. Betekenis en Toekomstperspectief

Dit werk is significant omdat het een praktische oplossing biedt voor het complexe probleem van veilige communicatie in dynamische omgevingen waar de locatie van vijandige actoren onbekend is. Door SAR ATI te koppelen aan DRL, wordt een brug geslagen tussen hoge-resolutie sensoren en adaptieve communicatiebeveiliging.

De resultaten tonen aan dat cognitieve systemen, die in real-time leren en reageren op omgevingsveranderingen, superieur zijn aan statische of vooraf gedefinieerde strategieën. Toekomstig werk zal zich richten op het uitbreiden van het raamwerk naar gezamenlijke optimalisatie van het traject van de drone, straalvorming en jamming, evenals het onderzoeken van hogere niveaus van integratie via golfvormontwerp (waveform design).