《Journal of Sensor and Actuator Networks》：J-DEAS: A Jamming-Driven Exponential Adaptive Sleeping Technique for Energy-Aware Mitigation in LoRa Networks
编辑推荐：
基于LoRa的低功耗广域网（Low-Power Wide-Area Networks，LPWANs）已广泛部署于智慧城市、农业和环境监测场景中，而其受限的能量预算使其易受射频（radio-frequency）干扰（jamming）攻击的影响。（1）背景：当节点
基于LoRa的低功耗广域网（Low-Power Wide-Area Networks，LPWANs）已广泛部署于智慧城市、农业和环境监测场景中，而其受限的能量预算使其易受射频（radio-frequency）干扰（jamming）攻击的影响。（1）背景：当节点持续在受干扰信道上发送时，会将能量浪费在无法送达的数据包上；然而，干扰检测与能量管理通常被割裂地分别处理。（2）方法：研究人员提出J-DEAS，一种干扰驱动指数自适应休眠（Jamming-Driven Exponential Adaptive Sleeping）技术，将轻量级阈值检测器与指数休眠退避调度器耦合。该检测器仅使用商用收发器报告的接收信号强度指示（Received Signal Strength Indicator，RSSI）和信噪比（Signal-to-Noise Ratio，SNR），并由单一指数加权置信变量驱动休眠间隔；研究进一步以闭式形式分析了判决边界、置信度动力学、稳态占空比以及时延–能量权衡。（3）结果：在测量数据集上，该检测器实现了0.985的曲线下面积（Area Under the Curve，AUC）和0.969的F1值；在持续干扰条件下，J-DEAS将占空比由100%降至5.5%，将无效传输比例由94.3%降至8.3%，同时在洁净信道上保持单时隙中位时延和低于2%的误休眠率。（4）结论：该技术无需训练且无需额外硬件，因此适用于资源受限的终端设备。
该论文发表于《Journal of Sensor and Actuator Networks》，围绕LoRa网络在蓄意射频干扰场景下的能量感知缓解问题，提出了一种将干扰检测与节能控制紧密耦合的端侧机制。研究背景在于，低功耗广域网（Low-Power Wide-Area Networks，LPWANs）已成为物联网（Internet of Things，IoT）基础通信形态，LoRa凭借公里级覆盖和毫瓦级发射功耗被广泛应用于精准农业、海岸与水质监测、智能计量和城市感知等场景。然而，这些优势同时也使LoRa链路暴露于射频干扰和蓄意阻塞攻击之下。对于依赖电池供电、长期无人值守的终端节点而言，受干扰时反复发射不仅无法有效送达数据，还会快速消耗有限电量。因此，问题不仅在于检测干扰是否存在，更在于如何依据检测结果实施节能响应，从而保护节点寿命。现有研究大多将干扰检测与能量管理分离处理：前者只输出告警，后者只在常规条件下安排占空比，缺乏对信道状态的感知。正是在这一缺口之上，研究人员提出了J-DEAS，通过“置信度驱动休眠”的方式，将检测结果直接转化为能量控制动作。
从方法上看，研究人员基于LoRa测试床采集的链路质量数据构建并验证方案。数据集包含16条正常链路轨迹和15条受干扰轨迹，每条轨迹含250个连续样本，总计4000个正常样本与3750个受干扰样本，样本特征为接收端测得的RSSI（dBm）与SNR（dB）。研究首先进行特征统计分析，发现RSSI在正常与受干扰两类中的分布高度重叠，区分能力有限；相反，SNR在受干扰时均值显著下降且短时波动性显著上升，因此以SNR窗口均值与窗口标准差作为核心判别特征。在此基础上，研究构建了轻量级阈值检测器，并以指数加权移动平均（Exponentially Weighted Moving Average，EWMA）置信变量整合逐时隙证据，再通过指数退避映射生成休眠时长。论文还给出了检测边界、误报与漏检概率、稳态占空比、检测时延与节能权衡的形式化推导，并将J-DEAS与始终在线策略、固定50%占空比策略以及响应式SNR策略进行对比评估。
主要技术方法可概括如下：第一，基于LoRa测试床链路质量轨迹开展数据驱动特征分析，比较正常与受干扰状态下RSSI、SNR均值和SNR短时波动特征；第二，设计无需训练的阈值检测器，利用长度为W的滑动窗口实时计算SNR均值与标准差，并以析取规则触发二值干扰证据；第三，采用EWMA置信度递推整合历史证据，以指数自适应休眠调度器将置信度映射为休眠时隙数；第四，通过闭式数学分析与统计评估方法，对误差概率、稳态占空比、反应时延、参数敏感性及置信区间进行验证。样本队列来源为单一LoRa测试床采集的31条链路质量轨迹。
以下结合论文结果部分各小节进行解读。
4.1. Detection Performance
该部分评估J-DEAS检测器本身的识别能力。研究人员以不重叠窗口进行检测评估，共得到372个带标签窗口。结果显示，检测器准确率为0.970，精确率为0.994，召回率为0.944，F1值为0.969。误分类主要表现为1个正常窗口被误判为受干扰，以及10个受干扰窗口漏检；漏检原因集中在受干扰轨迹中短暂出现高SNR恢复片段，偏离了文中假设的窗内平稳性模型。进一步地，与仅依据“SNR均值低于6 dB即判定干扰”的单特征基线相比，J-DEAS的F1显著更高，说明“均值下降+波动增大”的双特征组合比单一门限更有效。通过受试者工作特征曲线（receiver operating characteristic，ROC）分析，模型AUC达到0.985，表明两类样本在联合特征空间中的可分性很强，且检测效果对具体工作点并不过分敏感。
4.2. Energy and Duty-Cycle Performance
该部分验证J-DEAS在受干扰信道上的节能与减损能力。研究人员将调度器分别与始终在线策略、固定50%占空比策略和响应式SNR策略比较。结果表明，信道无感知的始终在线与固定占空比方案均有94.3%的发送发生在受干扰状态下，因而属于无效传输。J-DEAS则将占空比压缩至5.5%，并将无效传输率降至8.3%。由于占空比可近似反映发射能耗，故相对始终在线策略约实现94%的发射能量降低，相对固定50%占空比策略约实现89%的发射能量降低，这与理论推导的渐近节能结论一致。研究还指出，其中位检测时延仅为单时隙，说明节点在干扰出现后几乎可立即进入节能响应状态。论文进一步利用Semtech SX1276数据手册给出一阶物理量估计，指出平均电流可由始终在线条件下降至约对应5.5%占空比的水平，从而将持续干扰期间的电池寿命由约数天延长到数周，但作者同时明确说明这只是未计入状态切换与唤醒开销的乐观近似。
4.3. Behavior on Clean Channels
该部分考察方案在无干扰环境下是否会损害正常通信。结果显示，在16条正常轨迹上，J-DEAS保持98.4%的占空比和0.1%的无效传输率，说明信道清洁时节点基本处于持续活跃状态，没有因保守休眠而显著影响业务。这一结果与稳态分析中正常状态下占空比趋近于1的理论预测一致。论文指出，轻微偏离100%的原因主要来自两条均值SNR接近阈值的正常轨迹，它们仅触发短暂且可自纠正的休眠，随后随着EWMA置信度衰减而恢复。
4.4. Adaptive Sleep Dynamics
该部分展示J-DEAS调度行为的动态过程。研究人员以单条受干扰轨迹为例跟踪置信变量c
t及其对应的休眠时长s
t。结果表明，随着干扰证据积累，c
t跨越决策阈值后，休眠间隔按指数方式增长并逐步逼近设定上限；当信道短暂改善时，置信度下降，休眠间隔也相应收缩。这说明该机制具有自调节特性：既能在强干扰时迅速减少无效发送，又能在干扰减轻后自动缩短休眠、恢复通信，无需显式重置。
4.5. Confidence Intervals and Cross-Validation
该部分从统计可靠性角度评估结果稳健性。研究人员对准确率使用Wilson区间，对精确率、召回率、F1和AUC采用非参数bootstrap置信区间，对按轨迹聚合的占空比使用正态理论区间，并补充逐轨迹留一（leave-one-trace-out，LOTO）交叉验证。结果表明，检测准确率、AUC等核心指标的95%置信区间都较窄且明显高于无技能基线，说明性能并非偶然。交叉验证进一步显示，31条轨迹中有29条达到1.0的逐轨迹检测准确率，仅1条正常轨迹和1条受干扰轨迹表现异常。研究据此指出，剩余误差并非分散性泛化失败，而是集中于少数违反平稳性假设的特定物理过程。
4.6. Parameter Sensitivity and Validation of the Analytical Trade-Offs
该部分检验参数选择鲁棒性，并验证理论分析与实验观测的一致性。研究围绕电平阈值
mu、波动阈值sigma以及平滑因子进行敏感性分析。结果表明，F1在数据驱动选取的阈值处达到最高，但在相当宽的邻域内都保持较高水平，说明检测器并非依赖精细调参。尤其是波动阈值在一定范围内变化时，F1曲线较平坦，反映出正常与受干扰轨迹在SNR标准差上的分离较明显。进一步，受干扰占空比对几乎不敏感，这与理论上节能率对平滑因子基本独立的结论相符；而中位检测时延则与理论上由控制的时延–稳定性权衡相一致。论文指出，当过大时，尽管理论最坏时延界限变小，但由于置信度方差增大，容易出现过早越阈与振荡，反而不利于稳定进入休眠。因此，=0.3被视为兼顾反应速度与稳定性的合理工作点。
在讨论部分，研究人员强调，本研究的核心科学洞见在于：干扰检测“置信度”本身可以作为能量管理的执行信号，而不仅仅是终止于分类输出的告警标签。J-DEAS通过连续置信度调节休眠时长，打破了入侵检测层与占空比控制层的传统割裂，使节点在最不可能成功传输时自动节能，而在信道恢复时自动回到正常工作状态。论文从理论上用稳态占空比表达式、反应时延定理和方差分析刻画了这一机制的行为，从工程上则证明其每时隙仅增加极少算术运算和少量状态变量，适合class-0级别的资源受限LoRa终端。作者还指出，J-DEAS不依赖训练数据和额外硬件，部署复杂度低，但其作用主要是“节能保全”而非“恢复连通”；因此它更适合作为detect–conserve–recover流水线中的detect与conserve阶段，与跳频、扩频因子自适应或网关协调调度等恢复机制组合使用。
论文结论部分可译为：
本文提出了J-DEAS，一种用于LoRa网络中干扰能量感知缓解的干扰驱动指数自适应休眠技术。基于SNR均值与短时SNR波动性的轻量级检测器，在测量数据集上实现了0.985的曲线下面积（AUC）和0.969的F1值；由置信度驱动的指数休眠调度器在受干扰条件下将传输占空比从100%降低至5.5%，将无效传输率从94.3%降低至8.3%，同时在洁净信道上保持近连续运行和单时隙检测时延。研究还通过形式化分析推导了检测器误差概率、置信变量稳态统计量、闭式稳态占空比以及精确反应时延表达式，并表明实测性能与这些理论预测高度一致。该技术无需训练，也无需额外硬件。未来工作将研究自适应对手，将置信信号与连通性恢复措施相结合，并在更大规模的现场部署中验证该技术。
