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。

多交互图卷积网络用于方面情感分析

方面情感分析旨在识别句子中特定方面的情感极性,是一项细粒度情感分析任务。传统基于注意力机制方法,仅在单词之间进行单一的语义交互,没有建立方面词与文本词的语法信息交互,导致方面词错误地关注到与其语法无关的文本词信息。此外,单词的位置距离特征和语法距离特征,分别体现其在句子线性形式中和句子语法依存树中的位置关系,而基于图卷积网络处理语法信息的方法却忽略距离特征,使距方面词较远的无关信息对其情感分析造成干扰。针对上述问题,该文提出多交互图卷积网络(MIGCN),首先将文本词位置距离特征馈入到每层图卷积网络,同时利用依存树中文本词的语法距离特征对图卷积网络的邻接矩阵加权,最后,设计语义交互和语法交互分别处理单词之间语义和语法信息。实验结果表明,在公共数据集上,准确率和宏F1值均优于基准模型。

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%。

光纤无线融合网络(FiWi)能效改善综述

光纤无线宽带接入网架构(Fiber Wireless Broadband Access Network,FiWi)能随时随地为终端用户提供高质量的宽带接入服务。然而,由于大量智能设备的互联和指数级数据业务的增长,FiWi接入网也面临着高能耗的潜在挑战。针对融合FiWi接入网中无线反复重传、业务共存转发以及跨域资源整合所引发的高能耗问题,从高效频带分配、协作计算卸载以及网络虚拟化等方面介绍了国内外研究现状并进行了展望,以期在满足服务质量约束时进一步降低FiWi接入网中的能耗。

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。

工业物联网中基于任务紧急程度的资源分配算法

工业物联网中任务的生成通常具有连续性和周期性,并且任务对时延要求很高,这给系统成本带来了挑战。为应对这一挑战,提出了一种基于任务紧急程度的成本最小化资源分配算法。通过遗传算法优化任务的卸载策略和系统的资源分配策略,对于卸载的任务,根据任务的紧急程度进行调度,并在满足时延要求的前提下计算任务的最优发射功率。仿真结果表明,所提算法有效改善了系统总能耗成本。

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。

基于Z-Score动态压缩的高效联邦学习算法

联邦学习作为一种具有隐私保护的新兴分布式计算范式,在一定程度上保护了用户隐私和数据安全。然而,由于联邦学习系统中客户端与服务器需要频繁地交换模型参数,造成了较大的通信开销。在带宽有限的无线通信场景中,这成为了限制联邦学习发展的主要瓶颈。针对这一问题,提出了一种基于Z-Score的动态稀疏压缩算法。通过引入Z-Score,对局部模型更新进行离群点检测,将重要的更新值视为离群点,从而将其挑选出来。在不需要复杂的排序算法以及原始模型更新的先验知识的情况下,实现模型更新的稀疏化。同时随着通信轮次的增加,根据全局模型的损失值动态地调整稀疏率,从而在保证模型精度的前提下最大程度地减少总通信量。通过实验证明,在I.I.D.数据场景下,该算法与联邦平均(FedAvg)算法相比可以降低95%的通信量,精度损失仅仅为1.6%,与FTTQ算法相比可以降低40%~50%的通信量,精度损失仅为1.29%,证明了该方法在保证模型性能的同时显著降低了通信成本。

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。

QoE感知的V-CRAN视频传输资源分配策略

在如今视频业务要求不断提高的发展趋势下,针对云无线接入网络传输中光域和无线域资源分配不平衡与用户体验质量差的问题,提出了一种在虚拟化云无线接入网中视频体验质量感知的传输资源分配策略。首先,根据不同用户的带宽需求,分别构建了光传输波长分配的前传带宽效率模型、波长调谐开销模型以及光网络间的负载均衡性评估模型,并提出了一种基于合并与分裂规则的光网络单元联盟形成算法,用于构建虚拟化云无线接入网。进一步地,对传输速率以及视频中断危险程度对用户体验质量的影响趋势进行了分析,并在保证资源总量不变的情况下,建立起用户和虚拟化云无线接入网两阶段的Stackelberg博弈,并证明了其纳什均衡解的存在与唯一性。最终,在提升用户体验质量的同时,优化了有限的无线资源分配以保证服务提供商的效用。大量的仿真结果表明,在不同用户数量以及负载率的场景下,所提策略在保证鲁棒性的前提下不仅满足了用户观看视频的体验质量,而且有效地提升了光域和无线域的资源利用率。

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。

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%。

高性能YOLOv5:面向嵌入式平台高性能目标检测算法研究

针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题,该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代(YOLOv5)网络,改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块,结合改进的混洗网络2代替换原有的跨级局部暗网络,减小空间金字塔池化(SPP)的内核尺寸,实现了主干网络的轻量化。其次,颈部采用了基于路径聚合网络(PAN)设计的增强型路径聚合网络(EPAN),增加了P6大目标输出层,提高了网络的特征提取能力。然后,检测头部分采用以自适应空间特征融合(ASFF)为基础设计的自适应空洞空间特征融合(A-ASFF)来替代原有的检测头,解决了物体尺度变化问题,在少量增加额外开销情况下大幅提升检测精度。最后,函数部分采用高效交并比(EIoU)代替完整交并比(CIoU)损失函数,采用S型加权线性单元(SiLU)代替HardSwish激活函数,提升了模型的综合性能。实验结果表明,与YOLOv5-S相比,该文提出的同版本算法在mAP@.5,mAP@.5:.95上分别提高了4.6%和6.3%,参数量降低了43.5%,计算复杂度降低了12.0%,在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估,分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络,对嵌入式平台更为友好,具有实际应用意义。

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。

基于深度强化学习的OFDM自适应导频设计

针对正交频分复用系统,提出了一种基于深度强化学习的自适应导频设计算法。将导频设计问题映射为马尔可夫决策过程,导频位置的索引定义为动作,用基于减少均方误差的策略定义奖励函数,使用深度强化学习来更新导频位置。根据信道条件自适应地动态分配导频,从而利用信道特性对抗信道衰落。仿真结果表明,所提算法在3GPP的3种典型多径信道下相较于传统导频均匀分配方案信道估计性能有显著的提升。

基于二维卷积的端到端无线通信系统研究

针对现有端到端自动编译码器无线通信系统在多径信道中表现不佳的问题,本文提出了一种改进的自动编译码器端到端无线通信系统.在设计中,通过改变卷积核的尺寸,利用二维卷积来对抗多径效应引起的频率选择性衰落,并将传统OFDM(Orthogonal Frequency Division Multiplexing)模块同自动编译码器相结合,以此来增加系统应对多径信道的能力.同时,通过仿真分析一维卷积自动编译码器无线通信系统、传统OFDM无线通信系统以及本文改进的自动编译码器无线通信系统在多径信道下的性能.结果表明,在5径瑞利信道下并且以误块率(Block Error Rate,BLER)作为性能指标时,所提出的基于二维卷积的自动编译码器无线通信系统在64QAM调制下相比经典自动编译码器无线通信系统和传统OFDM无线通信系统分别提升了17%和60%的性能,本文的仿真分析给出了详细的对比说明.另外本文还分析了不同调制、不同信道时卷积核数量对系统性能的影响.

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%。

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。

内容新鲜度保障的车联网多智能体缓存分发策略

车辆需要频繁动态变化内容支持车联网(IoV)时延敏感型应用,这会增加宏基站(MBS)负载,降低内容新鲜度。利用边缘缓存将最新内容提前缓存在小基站(SBS)能有效降低车辆时延和提高内容新鲜度。对影响时延和内容信息年龄(AoI)进行深入分析,提出一种内容新鲜度保障的多智能体强化学习(MARL)算法,通过优化缓存分发决策保障车辆获得高新鲜度内容。仿真结果表明,所提算法不仅收敛速度更快,而且在降低车辆时延和提升内容新鲜度方面表现出更好效果。