边缘计算网络中区块链赋能的异步联邦学习算法

由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负,边缘计算网络(ECN)被提出以减轻云服务器的负担。此外,在ECN中启用联邦学习(FL),可以实现数据本地化处理,从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中,中央服务器容易受到单点攻击,导致系统性能下降,甚至任务失败。本文在ECN场景下,提出基于区块链技术的异步FL算法(AFLChain),该算法基于ENs算力动态分配训练任务,以提高学习效率。此外,基于ENs算力、模型训练进度以及历史信誉值,引入熵权信誉机制评估ENs积极性并对其分级,淘汰低质EN以进一步提高AFLChain的性能。最后,提出基于次梯度的最优资源分配(SORA)算法,通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况,证明了所提算法的有效性。

工业物联网中数字孪生辅助任务卸载算法

针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。

基于智能分层切片技术的数字孪生传感信息同步策略

针对传感数据在无线接入网(RAN)中传输的不可靠性与不及时性造成数字孪生(DTs)同步信息的不精确问题,该文提出一种基于智能分层切片技术的DTs传感信息同步策略。该策略在双时间尺度下,以最大化传感信息满意度和最小化切片重配置及DTs同步成本为目标,联合优化切片无线资源配置以及DTs传感信息同步问题。首先,在大时间尺度,利用网络切片为有着不同服务质量(QoS)的DTs提供隔离以及解决部署问题;在小时间尺度,通过更加灵活的无线资源分配来提高DTs传感信息同步任务对动态环境的适应性,进一步提高通信性能,建立更逼近于物理实体的DTs。其次,为了求解不同时间尺度的优化问题,该文提出一种双层深度强化学习(DRL)框架实现高效的网络资源交互,其中下层控制算法利用优先经验放回(PER)机制加快收敛速度。最后,仿真结果验证了所提策略的有效性。

面向6G通信感知一体化的40~50 GHz毫米波信道反射和透射特性研究

为解决毫米波信道反射和透射特性测量数据不足、多层材料传播系数计算不准确和传播特性表征不明的问题,该文开展面向6G通信感知一体化(ISAC)的40~50 GHz毫米波信道反射和透射特性研究。首先,基于菲涅尔理论和射线弹跳追踪原理,提出一种室内多层建筑材料传播系数计算方法;然后,利用基于矢量网络分析仪的毫米波信道测量平台,开展40~50 GHz频率范围内多层木板和多层玻璃的反射和透射系数测量活动。结果表明,该方法与测量值间高度吻合,传播系数误差低于0.1,能够准确地刻画毫米波信道反射和透射特性变化规律。此外,研究还发现反射系数谐振特性和有效布儒斯特角特性依赖于电波极化、入射角和材料厚度。

基于通感融合的无人机预编码及飞行轨迹设计

无人机(UAVs)具有机动性强,低成本及易部署等特性,通过搭载通信及感知设备,支持通信与感知技术的高效资源共享,无人机可作为融合通信与传感技术的高性能空中平台。该文针对多输入多输出(MIMO)无人机使能的联合通信、感知场景,综合考虑无人机飞行能量、多天线传输及用户业务需求等限制条件,建模无人机通信、感知预编码及飞行轨迹联合优化问题为多目标优化问题,以实现通信用户最低速率最大化及目标最小发现概率最大化。由于通信用户最低速率最大化问题为非凸优化问题,难以直接求解,将原优化问题分解为通信预编码设计子问题及无人机轨迹设计子问题,并采用交替迭代法依次求解两个子问题直至算法收敛,其中,对于通信预编码设计子问题,提出一种基于迫零(ZF)算法的求解策略;对于无人机轨迹设计子问题,提出一种基于连续凸逼近(SCA)算法的求解策略。基于所得到的无人机最优轨迹,将无人机感知位置选择问题建模为加权距离和最小化问题,进而应用泛搜索算法优化确定目标感知位置,并设计基于ZF算法的通信感知预编码联合优化策略,以实现通信感知性能的联合优化。最后通过仿真验证了该文所提算法的有效性。

多机协同自主任务规划系统研究综述

针对多机协同自主任务规划显著提升无人机任务感知效能、提高任务执行能力的现状,对其关键技术进行阐述,主要包括知识表示、通感一体化、任务调度及航迹规划等技术。针对知识表示技术,阐述基于任务环境上下文感知的知识库构建方法,进而对多域融合知识图谱构建、动态知识图谱更新与共享方法进行分析总结;针对通感一体化技术,分析了环境适变、灵活可扩的多机协同通感一体化架构,进而揭示多机协同通感一体化理论能限,阐述面向任务差异性需求的资源共享方法;针对任务调度及航迹规划技术,阐述资源适配的多机协同自主任务调度方案,并对基于动力学模型的航迹控制策略及不完美环境下的鲁棒控制机制进行分析总结。

面向用户多样化业务需求的多波束卫星系统动态资源分配算法

多波束卫星通信系统由于其高吞吐量和高资源利用率而受到广泛关注.已有研究主要考虑多波束卫星通信系统的信道或功率分配问题,但较少考虑用户分组和动态资源分配策略的联合优化设计,导致系统性能受限.此外,现有研究往往假设固定的波束覆盖半径,忽略了波束覆盖半径可变性对波束覆盖性能提升的影响.本文研究了多波束卫星通信系统中的用户分组和资源分配问题,提出了一种两阶段资源管理方案.针对动态和多样化的用户服务需求,首先设计一种基于Voronoi图的迭代用户分组算法以实现分组之间的负载均衡,然后将子信道和功率分配问题建模为系统平均效用函数最大化问题.为解决该问题,将每个波束视为一个智能体,采用一种基于多智能体深度Q网络(Deep Q Network,DQN)的算法来确定子信道和功率分配策略.仿真结果表明,与K-均值用户分组方案相比,本文所提出的基于Voronoi图的迭代用户分组算法对应的用户组负载差异值可降低49.2%,体现了本文所提算法在实现用户组间负载均衡方面的优势.此外,本文所提两阶段资源管理方案与现有文献中所提算法相比,系统所提供容量与用户需求差值可降低83.43%,体现了本文所提算法在实现系统资源高效利用及用户服务需求保障方面的性能优势.

人工智能重塑未来网络体系架构

未来网络将实现由“万物互联”向“万物智联”的演进,通信也将超越信息的连接而成为智慧的互联。在此过程中,网络将面临灵活性、扩展性、移动性、安全性等诸多挑战。在人工智能技术全面赋能下,未来网络的功能和形态势必发生重大改变。文章首先回顾网络融合的发展历史与互联网设计的基本原则,梳理未来网络体系架构的探索设计,在此基础上,提出一种具有独立知识平面、面向服务的软件定义网络架构。

数字孪生辅助联邦学习中的边缘选择和资源分配联合优化

在基于联邦学习的智能驾驶中,智能网联汽车(ICV)的资源限制和可能出现的设备故障会导致联邦学习训练精度下降、时延和能耗增加等问题。为此该文提出数字孪生辅助联邦学习中的边缘选择和资源分配优化方案。该方案首先提出数字孪生辅助联邦学习机制,使得ICV能够选择在本地或利用其数字孪生体参与联邦学习。其次,通过构建数字孪生辅助联邦学习的计算和通信模型,建立以最小化累积训练时延和能耗为目标的边缘选择和资源分配联合优化问题,并将其转化为部分可观测的马尔可夫决策过程。最后,提出基于多智能体参数化Q网络(MPDQN)的边缘选择和资源分配算法,用于学习近似最优的边缘选择和资源分配策略,以实现联邦学习累积时延和能耗最小化。仿真结果表明,所提算法在保证模型精度的同时,有效降低联邦学习累积训练时延和能耗。

基于数字孪生的多自动驾驶车辆分布式协同路径规划算法

针对多辆自动驾驶车辆(AVs)在进行路径规划过程中存在的车辆之间协作难、协作训练出来的模型质量低以及所求结果直接应用到物理车辆的效果较差的问题,该文提出一种基于数字孪生(DT)的多AVs分布式协同路径规划算法,基于可信度加权去中心化的联邦强化学习方法(CWDFRL)来实现多AVs的路径规划。首先将单个AVs的路径规划问题建模成在驾驶行为约束下的最小化平均任务完成时间问题,并将其转化成马尔可夫决策过程(MDP),使用深度确定性策略梯度算法(DDPG)进行求解;然后使用联邦学习(FL)保证车辆之间的协同合作,针对集中式的FL中存在的全局模型更新质量低的问题,使用基于可信度的动态节点选择的去中心化FL训练方法改善了全局模型聚合质量低的问题;最后使用DT辅助去中心化联邦强化学习(DFRL)模型的训练,利用孪生体可以从DT环境中学习的优点,快速将训练好的模型直接部署到现实世界的AVs上。仿真结果表明,与现有的方法相比,所提训练框架可以得到一个较高的奖励,有效地提高了车辆对其本身速度的利用率,与此同时还降低了车辆群体的平均任务完成时间和碰撞概率。

一种基于时间序列分解和时空信息提取的云服务器异常检测模型

异常检测是维护云数据中心性能的一项重要任务。云数据中心中运行着大量的云服务器以实现各种云计算功能。由于云数据中心的性能取决于云服务的正常运行,因此检测和分析云服务器中的异常至关重要。为此,该文提出一种基于时间序列分解和时空信息提取的云服务器异常检测模型。首先,提出带时空信息提取模块的双向Wasserstein生成对抗网络算法(BiWGAN-GTN),该算法在具有梯度惩罚的双向Wasserstein生成对抗网络(BiWGAN-GP)算法的基础上,将生成器与编码器替换为由图卷积网络(GCN)与时间卷积网络(TCN)组成的时空信息提取模块(GTN),实现对数据空时信息的提取;其次,提出半监督BiWGAN-GTN算法来识别多维时间序列中的异常,以在训练过程中避免异常数据侵入的风险并增强模型鲁棒性。最后设计多通道BiWGAN-GTN算法-MCBiWGAN-GTN以实现降低数据复杂度并提升模型学习效率的目标。利用带有自适应噪声完全集合经验模态分解(CEEMDAN)算法将时序数据分解,然后将不同的分量送入对应通道下的BiWGAN-GTN算法中训练。在真实世界云数据中心数据集Clearwater和MBD上采用精确率、召回率和F1分数这3个性能指标验证了该文所提模型的有效性。实验结果表明,MCBiWGAN-GTN在这两个数据集上的性能稳定并优于所比较的方法。

有向无环图区块链辅助深度强化学习的智能驾驶策略优化算法

深度强化学习(DRL)在智能驾驶决策中的应用日益广泛,通过与环境的持续交互,能够有效提高智能驾驶系统的决策能力。然而,DRL在实际应用中面临学习效率低和数据共享安全性差的问题。为了解决这些问题,该文提出一种基于有向无环图(DAG)区块链辅助深度强化学习的智能驾驶策略优化(D-IDSO)算法。首先,构建了基于DAG区块链的双层安全数据共享架构,以确保模型数据共享的效率和安全性。其次,设计了一个基于DRL的智能驾驶决策模型,综合考虑安全性、舒适性和高效性设定多目标奖励函数,优化智能驾驶决策。此外,提出了一种改进型优先经验回放的双延时确定策略梯度(IPER-TD3)方法,以提升训练效率。最后,在CARLA仿真平台中选取制动和变道场景对智能网联汽车(CAV)进行训练。实验结果表明,所提算法显著提高了智能驾驶场景中模型训练效率,在确保模型数据安全共享的基础上,有效提升了智能驾驶的安全性、舒适性和高效性。

支持无线采能及簇间负载均衡的无人机辅助数据调度及轨迹优化算法

该文研究了无人机(UAV)辅助无线传感器网络的数据收集问题。首先提出基于均值漂移算法的传感器节点(SN)初始分簇策略,进而以簇间负载均衡为目标,设计SN切换算法。基于所得成簇策略,将UAV数据收集及轨迹规划问题建模为系统能耗最小化问题。由于该问题是一个非凸问题,难以直接求解,将其分为两个子问题,即数据调度子问题及UAV轨迹规划子问题。针对数据调度子问题,提出一种基于多时隙库恩-蒙克雷斯算法的时频资源调度策略。针对UAV轨迹规划子问题,将其建模为马尔可夫决策过程,并提出一种基于深度Q网络的UAV轨迹规划算法。仿真结果验证了所提算法的有效性。

车联网中基于有向无环图区块链的个性化联邦互蒸馏学习方法

联邦学习(FL)作为一种分布式训练方法,在车联网(IoV)中得到了广泛应用。区别于传统机器学习,FL允许智能网联车辆(CAVs)通过共享模型而非原始数据来协同训练全局模型,从而保护CAV隐私和数据安全。为了提升联邦学习模型精度,降低通信开销,该文首先提出一种基于有向无环图(DAG)区块链和CAVs的IoV架构,分别负责全局模型共享和本地模型训练。其次,设计了一种基于DAG区块链的异步联邦互蒸馏学习(DAFML)算法在本地同时训练教师和学生模型,教师模型的专业级网络结构可取得更高精度,学生模型的轻量级网络结构可降低通信开销,并采用互蒸馏学习使教师模型和学生模型从互相转移的软标签中学习知识以更新模型。此外,为了进一步提高模型精度,基于全局训练轮次和模型精度设定个性化权值来调节互蒸馏占比。仿真结果表明,DAFML算法在模型精度和蒸馏比率方面优于其他比较算法。

面向6G通信感知一体化的亚太赫兹路径损耗测量与建模研究

针对传统通信信道路径损耗模型无法准确描述和表征感知信道的问题,开展面向6G通信感知一体化的亚太赫兹路径损耗测量与建模研究。基于雷达散射截面理论,引入室内材料回波特性的感知信道路径损耗,构建角度-距离联合的感知信道路径损耗模型。结合基于矢量网络分析仪的亚太赫兹感知信道实测数据,研究129.5~135 GHz频段内不同角度和距离下的感知信道衰落特性。实验结果表明,所构建的路径损耗模型能够准确刻画感知信道路径损耗随距离和角度遮挡因子的变化规律。

室内场景亚太赫兹信道测量与混合信道建模

针对当前准确定性信道模型不能准确地描述室内场景亚太赫兹信道特性的问题,提出一种基于准确定性的亚太赫兹混合信道建模模型。首先,基于亚太赫兹信道多径稀疏簇特性,利用镜像法追踪视距径和低阶反射径建模确定性部分。其次,结合220 GHz室内大厅及132 GHz走廊场景测量数据,利用扩展的SV模型分别统计确定簇和随机簇内的散射径,对数正态分布描述簇内多径数分布,完成随机性部分建模。确定性信道冲激响应hD和随机性信道冲激响应hS相加获得混合信道冲激响应h。最后,通过科尔莫戈罗夫-斯米尔诺夫检验混合模型准确性,以及与扩展的SV模型小尺度参数的均方根误差和结构相似性比较验证混合模型的有效性,结果表明,所提出的模型能够准确有效地描述亚太赫兹信道特性。

IRS辅助的全双工通感一体化波束成形设计

为了解决传统通感一体化(integrated sensing and communication,ISAC)场景中通信和感知系统收发信号的切换频率差异以及通信易受障碍物阻挡的问题,将全双工(full-duplex,FD)技术和智能反射面(intelligent reflecting surface,IRS)引入ISAC系统,研究ISAC场景下IRS辅助的FD波束成形设计。基于IRS相移约束、基站接收波束成形约束、基站最大发射功率约束、上行用户最大发射功率约束、雷达感知阈值约束,建立了上下行用户和速率最大化波束成形优化问题。利用交替优化、连续凸逼近、半正定松弛、变量替换、半正定规划将原非凸优化问题转换成凸优化问题进行求解。仿真结果表明,在所考虑的通信性能指标下,所提方案相比对应的半双工和随机IRS方案分别提升了89.02%和70.15%。

联合RIS子块与接收天线的索引调制方案性能分析

利用大量无源反射器件设计的可重构智能表面(RIS),具有拓展无线通信覆盖范围、降低系统成本/功耗和提升未来通信系统性能的优势;而索引调制(IM),通过激活通信资源的子集可实现信息的隐性传输,有望为无线通信带来更高的频谱效率和能量效率,因此,为进一步提升未来无线通信系统的性能,该论文融合RIS与IM技术,提出一种联合RIS子块与接收天线的IM方案。在该方案中,按照相邻原则,将RIS反射元件分割为若干子块,进而利用RIS子块索引与接收天线索引同时实现附加信息传递,即对待传输比特序列,将其分割为三部分,其中第一部比特被调制为星座符号,第二部分用于指示RIS子块划分,第三部分用于指示接收天线索引;在此基础上,根据最大似然(ML)检测的成对错误概率(PEP)解析形式,分四种情况,从理论上推导出对应的矩母函数(MGF),得到无条件PEP的解析表达式,最后得到该方案ML检测的平均误码率(ABER)性能上界。仿真结果表明,与现有RIS辅助的IM方案相比,无须增加额外频谱资源,所提方案的系统可达速率和系统差错性能方面均具有一定优势;同时,验证了ML检测的ABER上界具备严格一致性。

可重构智能表面辅助通信系统网络架构演进综述

随着无线通信技术的发展,越来越多的无线终端接入到通信系统中,对通信网络造成很大的业务承载与传输压力,尤其是障碍物严重阻挡或强信道衰落情况下,使得接收机信号以及系统频谱效率下降现象日益严峻。为了解决该问题,近年来,可重构智能表面(Reconfigurable Intelligent Surface, RIS)作为一种有效的6G候选技术被提出。RIS可以通过电磁调控方式主动改变信道传输质量,从而能够解决无线通信系统频谱效率受限、信号补盲、绕障通信等现实难题。基于此,对RIS辅助通信网络架构演进进行了研究。介绍了RIS的基本概念,并对其三种基本网络架构进行了分析与对比;根据不同的信号传输类型和传输环境,对RIS辅助通信网络架构进行了分析与设计;对当前网络架构发展所面临的挑战以及未来研究趋势进行了展望,为RIS辅助通信系统性能分析、资源分配、网络优化、RIS位置部署提供帮助。

基于硬件损伤和非完美CSI的IRS辅助NOMA网络鲁棒传输算法

为提升非正交多址接入(NOMA,non-orthogonal multiple access)网络的鲁棒性并减少其能量消耗,考虑了收发器的硬件损伤(HWI,hardware impairment)和非完美的信道状态信息(CSI,channel state information),提出了智能反射面(IRS,intelligent reflecting surface)辅助的NOMA网络传输功率最小化算法。考虑了用户服务质量(QoS,quality of service)约束、串行干扰消除约束以及IRS的反射相移约束,基于HWI和非完美CSI建立了基站主动波束成形和IRS被动波束成形联合优化问题模型。为求解该非凸优化问题,首先利用线性近似和S-Procedure方法对QoS约束进行转换,然后将优化问题分解为两个子问题,并且利用逐次凸逼近(SCA,successive convex approximation)方法求解主动波束成形子问题,利用惩罚凸凹过程算法求解被动波束成形子问题,最后利用交替优化将子问题交替迭代得到最终解。仿真结果表明,在传输功率方面,所提算法比正交多址鲁棒算法降低了17.05%;在系统鲁棒性方面,所提算法相较于HWI鲁棒算法和CSI鲁棒算法,分别提升了20.69%和31.14%。