[论文解读] Stackelberg Game Approaches for Anti-jamming Defence in Wireless Networks

Luliang Jia, Yuhua Xu+3 more|arXiv (Cornell University)|May 31, 2018

Security in Wireless Sensor Networks参考文献 10被引用 7

一句话总结

本文提出了一种基于Stackelberg博弈的决策框架，用于无线网络中的抗干扰防御，通过建模合法用户（领导者）与干扰者（追随者）之间的层次化互动关系。通过利用战略领导力和追随者响应，该框架优化了功率控制与信道选择，在干扰条件下实现的容量比随机选择高出最多30%。

ABSTRACT

This article investigates the anti-jamming communications problem in wireless networks from a Stackelberg game perspective. By exploring and analyzing the inherent characteristics of the anti-jamming problem, we present and discuss some technical challenges and fundamental requirements to address them. To be specific, the adversarial characteristic, incomplete information constraints, dynamics, uncertainty, dense deployment, and heterogeneous feature bring technical challenges to anti-jamming communications in wireless networks. Then, for the purpose of improving system performance, four requirements for anti-jamming communications are presented and discussed. Following the advantages of the Stackelberg game model in anti-jamming field, we formulate an anti-jamming decision-making framework based on the Stackelberg game for anti-jamming defence in wireless networks. Moreover, two preliminary case studies are presented and discussed for better understanding of the anti-jamming Stackelberg game problem. Finally, some future research directions are also provided.

研究动机与目标

• 解决无线网络中抗干扰面临的技术挑战，包括对抗行为、信息不完全、动态变化以及密集部署等问题。
• 识别在实际网络约束下实现有效抗干扰通信的基本需求。
• 利用Stackelberg博弈理论构建战略决策框架，以建模合法用户与干扰者之间的顺序互动。
• 通过功率控制与信道选择的案例研究，证明所提框架的有效性。
• 提出未来研究方向，涵盖移动干扰者、估计误差、动态流量、异构网络以及干扰者预测等问题。

提出的方法

• 将抗干扰问题建模为分层的Stackelberg博弈，其中合法用户作为领导者，干扰者作为追随者。
• 为领导者和追随者分别制定效用函数，分别代表系统性能与干扰影响。
• 通过逆向归纳法推导Stackelberg均衡，确保双方均获得最优策略。
• 实现一种分层学习算法（HLA），用于动态信道选择，在干扰环境下提升性能。
• 将功率控制与信道分配整合进博弈论框架，以增强频谱效率。
• 通过在不同干扰功率与用户密度下进行仿真实验，验证该框架的有效性。

实验结果

研究问题

• RQ1 如何有效建模合法用户与干扰者之间互动的层次性，以实现抗干扰防御？
• RQ2 由于对抗行为、不确定性与网络动态性，抗干扰通信面临的关键技术挑战是什么？
• RQ3 与传统的随机或非策略性方法相比，Stackelberg博弈框架如何提升系统性能？
• RQ4 在智能干扰存在的情况下，通过最优功率控制与信道选择可实现多大的性能增益？
• RQ5 为应对移动干扰者、估计误差、动态流量及异构网络环境，未来研究需要关注哪些方向？

主要发现

• 所提出的基于Stackelberg博弈的框架通过建模合法用户对干扰者的策略主导地位，显著提升了系统性能。
• 当N=4且P_j=15W时，分层学习算法（HLA）实现的期望可实现速率比随机信道选择高出约30%。
• 随着用户数量增加，由于相互干扰，每个用户的可实现速率下降，但HLA与随机选择之间的性能差距因信道均匀性而缩小。
• 干扰者发射功率越高，可实现速率单调下降，证实了强干扰的负面影响。
• 该框架在高用户密度和动态条件下表现出鲁棒性，性能在高功率水平下趋于稳定或轻微下降，主要由于干扰增加。
• 案例研究证实，在Stackelberg均衡下，最优功率控制与信道分配可实现更高的频谱效率和更强的抗干扰鲁棒性。