本文提出了一种新颖的反干扰策略，基于诱骗干扰者攻击受害者通道的想法，在保持合法用户在安全通道中通信的同时欺骗干扰者。通过使用强化学习算法提出了最优信道选择方案和次优功率分配方式，并通过求解接收总功率（TRP）的统计下界来评估其性能。仿真结果表明，与已有的两种基于强化学习算法的反干扰技术和随机信道分配策略相比，该方法表现更优，能够获得接近最优的 TRP。
Mar, 2021
提出一种抵御干扰攻击的无线网络建模方案，通过干扰感知的路由协议和基于深度强化学习的分布式合作框架实现有效通讯以及网络安全防御，并优化吞吐量，能效，时延和安全指标。通过实验表明，提出的方案在对抗干扰攻击和实现优化吞吐量方面具有很好的鲁棒性和有效性。
Oct, 2019
该论文提出了一个在多个基站和多个用户的动态环境中实现网络切片的多智能体深度强化学习框架。通过模拟评估了所提出的深度强化学习算法的性能，然后设计了一种基于深度强化学习的干扰器，用于最小化网络切片实现的传输速率并降低网络切片代理的性能，最后提出一种纳什均衡监督策略集合混合策略配置来进行网络切片和干扰器的防御策略。
Nov, 2023
本研究通过使用神经网络、环境背散射通信等技术，设计了一种新型的深度强化学习算法，实现了优秀的反制干扰效果，提高了平均吞吐量 426% 并减少了 24% 的数据包丢失率，可以应用于 URLLC 和军事场景。
Apr, 2019
本文提出了一种基于深度强化学习的无人机中继框架，旨在通过在动态博弈中使用以前的反干扰中继体验和观察到的当前网络状态来帮助移动用户抵御智能干扰，从而降低丢包率，提高能源利用效率。
May, 2018
本文提出了一种基于在线学习的反干扰通信方法，使用频谱瀑布直接处理原始信号，通过构建深度 Q 网络和强化学习算法得到最佳反干扰策略，从而避免了需要先估计干扰模式和参数的问题，结果表明该方法可以广泛应用于各种反干扰场景。
Oct, 2017
本研究旨在针对移动干扰器存在的情况下，寻找多个航空无人机与地面基站的连通性且避开碰撞的路径。我们提出了一种利用离线时间差异学习算法和在线信噪比映射解决该问题的方案。结果表明，在没有干扰器信息的情况下，我们提出的算法可以高效地避免碰撞并实现实时的多无人机导航任务。
Apr, 2021
提出了一种使用多智能体深度强化学习的机制来管理无线电资源，从而在最大化用户吞吐量和保证公平分配资源之间取得平衡。
Jun, 2019
使用对抗机器学习对无线通信进行干扰攻击，通过深度学习分类器可靠预测下一个成功的传输并有效地干扰。开发了生成对抗网络以减少获取训练数据集的时间。作为一种防御方案，传输机故意采取一些错误的动作来干扰干扰器的可靠分类器，从而增加其吞吐量。
Jul, 2018
本文提出了基于深度强化学习的联合资源管理方法来应对多载波非正交多址系统中的硬件敏感性和不完美连续干扰消除，包括对子载波赋值和功率分配两个迭代子任务的决策过程。经过广泛实验验证，该方法在系统吞吐量和抗干扰能力方面较现有替代方案更加优越，并可以灵活满足用户的个性化服务要求。