IRS辅助的车联网相移设计和信道对齐策略

针对车联网中车辆的动态移动以及信号的随机散射所导致的信道快速变化问题,研究了智能反射面(intelligent reflecting surface,IRS)辅助的车联网通信并提出了联合相移设计和信道对齐策略,以削减车联网中多普勒频移的影响并提升通信性能。提出的策略由两个阶段构成。在第一阶段设计IRS的相移以改善级联信道的衰落状态,在策略的第二阶段进行修正函数的设计,实现了直接信道和级联信道的信道对齐,从而减少直接信道快衰落状态对通信性能的影响。通过联合相移设计和信道对齐策略中设计的反射相移以及修正函数,实现了通信性能的提升。仿真结果表明,所提策略相比于相移优化策略可以提升8.8%的频谱效率。

用户请求感知的边端缓存与用户推荐联合优化策略

针对当前边缘缓存场景中普遍存在的用户偏好未知与高度异质问题,该文提出一种用户请求感知的边端缓存与用户推荐联合优化策略。首先,建立点击率(CTR)预测基本模型,引入对比学习方法生成高质量的特征表示,辅助因子分解机(FM)预测用户偏好;然后,基于用户偏好设计一种动态推荐机制,重塑不同用户的内容请求概率,从而影响缓存决策;最后,以用户平均内容获取时延最小化为目标建立边端缓存与用户推荐联合优化问题,将其解耦为边端缓存子问题和用户推荐子问题,分别基于区域贪婪算法和一对一交换匹配算法求解,并通过迭代更新获得收敛优化结果。仿真结果表明,相较于基准模型,引入对比学习方法的预测模型在曲线下面积(AUC)和准确率(ACC)上分别提升1.65%和1.30%,且联合优化算法能够有效降低用户平均内容获取时延,提升系统缓存性能。

面向密集场景的空天地网络资源分配算法

空天地网络具有覆盖范围大、吞吐量高、弹性强等优点。该文针对大量用户并发接入、网络负载不均衡所引发的网络拥塞、服务质量恶化等问题,提出一种面向密集场景的资源分配算法。首先以用户需求为中心,根据不同类型用户任务的偏好来构建用户效用函数,然后基于匹配博弈的网络选择算法和结合对偶上升法的功率控制算法来实现负载均衡,优化资源分配方案。实验表明,相较于传统策略,所提策略整体用户接入率至少提高35%,时延和吞吐量方面性能提升超过50%;在密集场景下,能更有效地均衡负载,提升网络性能。

空中智能反射面增强的URLLC多无人机网络

在多无人机超可靠低时延通信(ultra-reliable low-latency communications,URLLC)网络中,为满足超可靠低时延要求,引入空中智能反射面(intelligent reflecting surface,IRS)辅助通信,提出一种多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)方法.首先,建立URLLC多无人机系统模型,其中,多架主无人机作为空中基站为多个地面用户提供服务,一架辅无人机携带IRS作为空中无源中继,辅助主无人机与地面用户通信;然后,考虑多种信道条件和能耗,分别建立复合信道模型和总能耗模型;接着,对问题进行分析,在满足有限块长、无人机能量以及IRS相移的约束下,通过联合优化通信调度、IRS相移以及块长,达到总解码错误率最小化的目标;最后,考虑集中式训练在URLLC场景下的时延敏感限制以及分布式训练在无人机资源限制下的能量限制,设计集中式训练、分布式执行的MADDPG框架.研究结果表明:总解码错误率随着IRS反射单元的增加而急剧下降;同时,总解码错误率随着块长和发射功率的增大而减小,具体来说,块长每增加20个符号,总解码错误率减小91.1%.

面向非地面网络多QoS保障的低地球轨道卫星星座设计

低地球轨道卫星星座(LSC)能够为非地面网络(NTN)提供无缝和快速连接,但无法为用户提供足够的服务质量保障,严重影响了NTN系统性能。综合考虑多个QoS指标,建立了LSC的容量与下行链路预算模型,进而,将星间链路的建立制定为QoS保障的链路预算问题。提出了带有改进交叉和变异算子的非支配排序遗传算法(INSGA-II)优化LSC的配置,实现多重覆盖率和系统容量的最大化以及星座成本的最小化。数值结果表明,与Telesat和Kepler相比,所设计的LSC具有相当甚至更高的性能,且其星座规模仅为Kepler系统的64%。

异构物联网下资源高效的分层协同联邦学习方法

物联网(IoT)设备资源存在高度异构性,严重影响联邦学习(FL)的训练时间和精度。已有研究未充分考虑物联网设备资源的异构性,且缺乏异构设备间协同训练机制的设计,导致训练效果有限且设备的资源利用率较低。为此,该文提出资源高效的分层协同联邦学习方法(HCFL),设计了端边云分层混合聚合机制,考虑边缘服务器的差异化参数聚合频率,提出自适应异步加权聚合方法,提高模型参数聚合效率。提出资源重均衡的客户端选择算法,考虑模型精度与数据分布特征动态选取客户端,缓解资源异构性对联邦学习性能的影响。设计自组织联邦协同训练算法,充分利用空闲物联网设备资源加速联邦学习训练进程。仿真结果表明,在不同资源异构状态下,与基线方法相比,模型训练时间平均降低15%,模型精度平均提高6%,设备平均资源利用率提高52%。

车联网中基于环的匿名高效批量认证与组密钥协商协议

针对当前批量认证与密钥协商协议依赖于半可信路边单元(RSU)且不适用于大规模车联网(IoV)场景下密钥更新的问题,提出了IoV中基于环的匿名高效批量认证与组密钥协商协议。通过假名机制确保匿名性,利用混沌映射安全构建认证密钥对,并通过少量双线性映射快速完成对大批车辆的批量认证。充分考虑大规模IoV场景下车辆加入与离开情况,利用混沌映射半群性高效构建环状会话组,设计了适用于大规模车辆的组密钥建立与更新机制。此外,该协议设定了假名更新与匿名追溯机制确保更安全的会话过程,同时利用BAN逻辑模型证明了协议语义安全性。安全性分析与仿真结果表明,所提协议具备多重安全属性且拥有一定的效率优势。

区块链下基于蛛网模型的新能源汽车能源交易机制研究

针对在新能源汽车有限的车载能源资源约束条件下,如何解决行驶时效性不足的问题,该文提出一种区块链下的分布式能源交易机制。首先基于区块链构建新能源汽车能源交易网络,并通过信誉值共识(PoR)机制确保能源交易的隐私性。然后,基于收敛型蛛网设计了非线性定价协商算法,联合区块链技术分布式存储车辆信誉值数据库,确保能源交易双方至少能在满足弱帕累托效应的情况下获得最优定价。最后通过仿真,验证了所提算法在区块链下的有效性和收敛性,并求出该算法的最优步长及其系数。

考虑工人培养的移动群智感知任务分配机制

移动群智感知(MCS)通过大量感知工人的移动性和工人随身携带的感知设备来收集数据,是一种新的大规模数据感知范式。现有大量研究致力于解决移动群智感知中的任务分配问题,使感知数据质量得以提高,但忽略了缺乏优质工人的感知任务,导致任务完成质量降低。为了解决上述问题,对于缺乏优质工人的感知任务,该文关注将经验不足的工人培养为优质工人,并令其执行这些感知任务,实现工人的长期复用,提高感知数据质量和长期平台效用。具体来说,该文考虑了缺乏优质工人的感知任务所需的能力和工人的能力类型,并据此应用稳定匹配算法选择待培养工人,提出一种基于能力聚合和半马尔可夫预测的多阶段工人选择培养(MWSD)算法。结果表明,相比基于区块链的非确定团队协作(BNTC)算法,该文所提算法能够有效将缺乏优质工人的感知任务的数据质量提高24%,长期平台效用提高17%。

车联网中基于区块链的分布式信任管理方案

针对车联网中恶意车辆识别效率低、识别准确率低带来的安全问题,提出了一种基于区块链的分布式车联网信任管理方案。通过聚合车辆的评分信息,结合贝叶斯推理模型设计了一种虚假信息识别策略。联合车辆历史交互信息以及交通事件信息设计了一种声誉值更新算法,并利用声誉阈值识别恶意车辆。通过路边单元构建区块链,实现了交通数据以及车辆声誉值的分布式存储。改进了传统的工作量证明共识机制,通过事件等级与参与评分车辆数量动态改变矿工节点的出块难度,并利用等待机制使近期出块的节点暂时停止参与矿工节点的选举过程,从而减少重复计算带来的资源消耗。仿真结果表明,所提方案能够有效识别虚假信息,抵御恶意车辆的欺骗行为,提升恶意车辆的识别效率,减少资源消耗,在车联网的分布式信任管理方面是有效可行的。

车联网中基于模糊评价密度聚类的共谋节点检测方法

针对开放车联网环境中共谋恶意车辆带来的安全问题,设计了一种基于模糊评价密度聚类的共谋节点检测方法。首先,通过主观推荐信任、客观数据信任和历史信誉值实现车辆信誉更新。其次,设计两轮恶意车辆节点检测方法检测恶意车辆,第一轮利用模糊综合评价筛选出单个恶意车辆节点,第二轮根据单个恶意车辆节点,基于改进的密度聚类方法搜索出共谋恶意车辆节点,保证网络环境安全的可持续发展。实验结果表明,所提方法对恶意车辆有较高的识别率,当恶意车辆占比达到30%时,检测准确率仍能保持在90%以上。在不同恶意车辆占比下,检测召回率和检测F值整体保持较高数值,这表明所提方法具有较高的稳定性。针对总车辆节点的变化,性能评估指标的值变化幅度较小,仍然保持在80%~100%。

基于Transformer的高效自适应语义分割网络

基于Transformer的语义分割网络存在2个问题:分辨率变化引起的分割精度显著下降,自注意力机制计算复杂度过高。为此,利用零值填充的卷积可保留位置信息的特性,提出自适应卷积位置编码模块;利用自注意力计算中特定矩阵的维度可相互抵消的特性,提出降低自注意力计算量的联合重采样自注意力模块;设计用于融合不同阶段特征图的解码器,构造能够自适应不同分辨率输入的高效分割网络EA-Former. EA-Former在数据集ADE20K、Cityscapes上的最优平均交并比分别为51.0%、83.9%.与主流分割算法相比,EA-Former能够以更低的计算复杂度得到具有竞争力的分割精度,由输入分辨率变化引起的分割性能下降问题得以缓解.

车联网中可证安全的分布式匿名高效边缘认证协议

针对当前车联网(IoV)中的分布式认证协议直接依赖于半可信路边单元(RSU)的问题,该文提出一种新的分布式认证模型。该模型中的RSU通过3阶段广播自发建立边缘认证区,利用区域内的RSU同步保存车辆的认证记录,RSU可以通过校验节点同步保存的认证记录来防止恶意RSU的异常认证行为。然后,利用切比雪夫混沌映射设计了IoV中的分布式匿名认证协议,通过车辆发送消息不直接携带身份信息的方式来避免假名机制所带来的存储负担。最后,利用随机预言机对协议安全性进行了证明。仿真结果表明所提方案具有更低的认证时延和通信成本。

群组协作的移动群智感知任务分配方法

时空覆盖类感知任务对参与者的时间与空间约束使得传统单参与者模式难以适用。为此,该文提出群组协作的移动群智感知任务分配方法,以群组模式替代传统单参与者模式。设计层次化群组协作的任务分配框架,提出偏好感知的社交群组生成方法,引入社交关系生成社交群组,提高任务完成率。提出效用优化的任务群组匹配方法,采用网络流理论进行群组-任务匹配,保证平台效用最大化。仿真结果表明所提方法在任务完成率与平台效用方面均有较大提升。

覆盖指定区域的卫星通信组网虚拟仿真实验教学创新研究

卫星通信组网存在的空间跨度巨大、轨位受限、频率受控、系统复杂且节点动态可变等因素,导致实体实验平台建设成本极高,且无法开展系统级的多因素实验教学活动,开展卫星通信组网虚拟仿真实验教学是必要的。重庆邮电大学信息通信技术与网络国家级虚拟仿真实验教学中心凸显信息通信专业特色,依托科研项目成果转换,开发覆盖指定区域的卫星通信组网虚拟仿真实验教学系统,以“强实践动手、铸工程素养、培创新能力”为培养理念,建设“学、践、研、赛、创”五位一体的教学资源,避免传统实验教学对卫星通信组网设计不可见、高成本、空时受限等问题,激发学生工程意识,提高实践创新能力。

物联网中带有隐私保护的鲁棒联邦学习研究

联邦学习允许数据不出本地的情况下实现数据价值的有效流动,被认为是物联网(IoT)场景下兼顾数据共享与隐私保护的有效方法。然而,联邦学习系统易受拜占庭攻击和推理攻击的影响,导致系统的鲁棒性和数据的隐私性受损。物联网设备的数据异构性和资源瓶颈,也为带有隐私保护的鲁棒聚合算法设计带来巨大挑战。该文提出面向异构物联网的带有数据重采样的鲁棒聚合方法Re-Sim,通过测量方向相似性和标准化更新幅度实现模型的鲁棒聚合,并采用数据重采样技术增强数据异构环境下模型的鲁棒性。同时构建轻量安全聚合协议(LSA),在保证数据隐私性的同时兼顾模型鲁棒性、准确性和计算开销,并从理论上对协议的隐私性进行了分析。仿真结果表明,该方案能在数据异构情况下有效抵抗拜占庭攻击和推理攻击,与基线方法相比,该文所提方案精度提高1%~3%,同时减轻客户端侧计算开销79%。

一种联合正交带复用与限幅方法的CO-OFDM峰均比降低策略

为了降低相干光正交频分复用(coherent optical orthogonal frequeng division multiplexing,CO-OFDM)系统的高峰均值比(peak to averqge vatio,PAPR),提出一种正交带复用(orthogonal band multiplexing,OBM)和限幅相结合的策略,该策略通过正交带复用将输入的子载波进行分带来减少IFFT的采样点数达到降低CO-OFDM系统的高峰均值比的目的,正交带复用与限幅方法相结合进一步降低CO-OFDM系统的高峰均值比。仿真结果表明,该策略能有效地降低信号幅值超过门限值的概率,从而达到进一步降低CO-OFDM系统的峰均值比,提高系统性能。

基于训练序列与数据叠加的ACO-OFDM无线光通信系统时间同步方法

提出了一种适用于ACO-OFDM无线光通信系统的基于时域叠加训练序列的时间同步方法.该方法将经过ACO-OFDM调制后的伪随机序列作为训练序列,并将其在一个符号周期内与数据同时发送.接收端利用本地序列与接收信号进行相关运算,对所叠加训练序列的能量进行积累,从而实现时间同步.仿真表明,在多种信道模型下,该方法能够有效改善同步准确率和定时偏移方差,同时极大地提高了带宽效率,使得时间功率分配具有较强的灵活性.

WDM网络中一种基于分层图模型的RWA算法

提出了一种基于分层图的最大边不相关(Layered Graph-Based Edge Disjoint Path)算法,该算法不同于现有研究大多将WDM网络的RWA问题拆分为选路和分配波长两个子问题,而是将波长分层图和图论中的最大边不相关原理引入RWA问题中,可同时进行选路和波长分配。仿真证明,该算法可以有效节省网络波长资源,且易于实施。

基于圈覆盖的光突发交换网状网故障监测方案

针对光突发交换网状网中采用逐跳探测的故障监测方法监测成本过高的缺陷,提出了基于探测圈覆盖的故障监测机制.该机制利用启发式深度优先搜索(HDFS)、最短路径欧拉匹配(SPEM)和启发式生成树圈覆盖(HST)3种典型的圈发现算法搜索光突发交换网状网的圈覆盖,然后为每个圈安放一个故障探测模块,构成基于圈覆盖的监测机制.计算和统计结果表明,该机制相对于逐跳探测机制能节约大量监测成本.