智能电网中基于二分图匹配的网络切片资源分配算法

为了解决智能电网中多类业务的服务质量需求难以同时得到满足的问题并兼顾电力终端和网络侧经济效用,提出了一种基于二分图匹配的网络切片资源分配算法。针对智能电网场景中的控制类和采集类业务,为电力终端分别制定相应的投标信息,并据此计算支付价格和效用矩阵;将网络切片与电力终端之间的资源分配建模为二分图匹配问题,根据不同业务的时延、传输速率或能耗需求,向终端分配不同的切片资源以最大化系统效用。仿真结果表明,相较于已有的双向拍卖算法和贪心算法,所提算法能够提高10%~20%的系统效用。

面向移动边缘计算的任务卸载方法研究

目前大多计算卸载策略是在任务整体卸载情况下进行的,且仅考虑时延或能耗单一指标,未将二者结合进行优化,为此,以任务处理的时延与能耗加权和为优化目标,提出一种基于强化学习的部分卸载算法。将单个任务的处理分为本地计算和部分卸载两种方式,且在部分卸载中引入了变量确定卸载权重,最后利用强化学习Q-learning完成了所有任务的计算卸载与资源分配。实验结果表明,所提算法能有效降低任务处理的时延与能耗。

非完美信道状态信息下分布式智能反射面辅助安全通信研究

针对非完美信道状态信息(CSI)下分布式智能反射面(RIS)安全通信问题,该文构建基于基站波束成形、人工噪声(AN)和RISs相移的联合优化问题,并提出相对应优化方法和1维线性搜索的有效算法来求解所构建的非凸优化方程。仿真结果表明:相对于随机相位、无AN辅助的安全传输策略,所提方法在非完美CSI场景可取得更高的安全传输速率;在总反射单元数目固定情况下,分布单元数目越多,所提算法优越性越明显;进一步,所提算法具有更强的鲁棒性,即本策略能更好地适应信道不确定性。

无人机辅助MEC系统中基于最优SIC顺序的能耗优化方案

在基于上行非正交多址接入(NOMA)的无人机(UAV)辅助移动边缘计算(MEC)系统中,NOMA的连续干扰消除(SIC)顺序已成为限制上行任务卸载链路传输性能的瓶颈,为降低系统能耗,对SIC顺序进行了讨论,提出了联合信道增益与任务时延约束的最优SIC顺序。在满足设备给定任务时延、设备最大发射功率约束以及UAV轨迹的约束下,基于最优SIC顺序提出了最小化系统能耗的问题。由于该问题是个复杂的非凸问题,采取交替优化的方法求解该优化问题,以实现功率分配和UAV轨迹的优化;利用匹配理论,提出了低复杂度算法来得到不同时隙的最优设备分组。仿真结果表明,与其他SIC顺序相比,最优SIC顺序能够在相同的任务时延约束下实现更小的系统能耗;所提的低复杂度设备分组算法能够得到最优设备分组。

面向云存储的属性基双边访问控制方案

针对目前云存储中细粒度双边访问控制机制安全模型较弱且外包解密结果缺乏验证的问题,提出了一种面向云存储数据的属性基双边访问控制方案。首先,提出了自适应安全可验证外包双边CP-ABE的形式化定义和安全模型;其次,以此为基础并结合批量可验证技术在合数阶群上设计了双边访问控制方案,支持数据拥有者与数据使用者同时为对方定义访问策略;最后,安全性分析表明,所提方案在自适应安全模型下针对选择明文攻击与选择消息攻击是不可区分的和存在性不可伪造的。实验结果显示,所提方案减轻了用户端的匹配、解密以及验证阶段的计算开销。

同态明文-密文矩阵运算及其应用

支持单指令多数据操作的同态加密方案能有效提高密文计算的均摊效率,但密文结构导致矩阵运算复杂度高。在许多应用中,采用明文-密文矩阵操作可以在确保安全的同时实现隐私计算。基于此,提出一个适用于任意维数的明文-密文矩阵乘法方案。该方案通过明文矩阵编码和密文矩阵维数变换等步骤计算得到密文结果。与已知最好的Jiang等所提的密文方阵乘法算法相比,所提方案支持任意维数的矩阵乘法,并支持矩阵连乘;理论分析和实验结果均表明,所提方案具有更低的密文旋转复杂度和更高的计算效率。将所提方案应用在隐私保护的贝叶斯分类器中,能以更高安全参数和更少计算时间完成分类任务。

子连接有源可重构智能表面辅助的宽带无蜂窝网络能效优化

面对无蜂窝网络中超密集基站部署产生的高功耗问题,提出了一种基于子连接有源可重构智能表面辅助的宽带无蜂窝网络系统。考虑有源智能超表面最大功率约束、放大因子约束和基站端最大功率约束,构建了一个联合基站和可重构智能表面波束优化的能效最大化问题。由于所形成的优化问题非凸,提出了一种交替优化方案将原问题转化为多个子问题,进而利用块坐标下降、拉格朗日对偶变换、多维复二次变换等方法将每个子问题转化为凸优化问题,通过交替求解每个子问题最终获得原问题的解。仿真结果验证了所提方案的有效性。

基于感通算融合和信息年龄优化的车联网多节点协同感知

面向未来自动驾驶系统中的实时性业务需求(如高清地图更新),基于感知-通信-计算融合,引入信息年龄作为实时性度量,设计感通算融合的车联网多节点协同感知机制。在通信-计算资源和车辆能耗约束下,优化调度感知节点信息采集和传输处理,最小化感知信息的平均信息年龄;提出基于李雅普诺夫的在线调度算法,将复杂的长期随机优化问题转化为单时隙在线优化问题,并设计低复杂度算法求解。仿真表明,与现有仅考虑通信与计算融合的机制相比,所提机制信息实时性可提高9%~50%。

智能反射表面辅助的非正交多址接入系统用户分组、波束赋形与相移的优化

该文研究智能反射表面(IRS)辅助的多天线非正交多址接入(NOMA)网络中用户分组、发送波束赋形、相移等的联合优化问题。系统中1个分组分配1个波束并在组内进行连续干扰消除检测。该文提出一种不依赖于发送波束赋形和IRS相移的用户分组配对策略,将用户分组与其他优化分离,显著降低了优化问题求解的难度和计算复杂度。进一步,联合优化基站发送波束赋形、功率分配和IRS相移矩阵,最小化基站的总发送功率。原始优化问题是一个多变量相互耦合的非凸优化问题,利用松弛变量、连续凸逼近、半定松弛、交替迭代优化等方法将原问题转化为凸问题并求解。仿真结果显示,相较于1个用户1个波束的方案,所提方案在基站天线数较少时性能更优,而在天线数较多时也与该对比方案非常接近,但所提方案的优化计算复杂度更低。而对比采用不同分组算法、随机IRS相移方案、最大比发射方案,以及无IRS的方案,所提方案的性能始终更优。

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。

基于AAT模型的毫米波大规模MIMO系统信道估计

针对毫米波大规模多输入多输出信道具有时间相关性、系统易受噪声因素影响导致信道估计精度低的问题,提出了一种基于改进的时序卷积神经网络信道估计方法。该方法将仿真获得的信道矩阵以二维图像数据方式输入系统;利用时间相关性进行特征融合,构建集中注意力机制网络,增强系统模型对信道深层特征的提取能力;将AAN嵌入时序卷积神经网络中进行训练;系统输出去噪后的二维图像,即信道估计矩阵。仿真结果表明,所提信道估计方法在性能和复杂度方面优于传统的信道估计方法,并且当测试场景发生改变时依旧具有鲁棒性。

软件定义卫星网络中基于业务调度的混合路由算法

为了解决低轨卫星网络高动态拓扑、大数据传输量、多信令开销的问题,满足全球覆盖和海量移动用户日益增长的需求,在研究不同业务性能指标体系的基础上,构建了高低轨卫星协同的软件定义卫星网络架构及虚拟拓扑模型;设计了综合考虑业务到达率和等待时长的优先级赋值函数,并提出一种基于业务感知与调度的联合星间路由算法,该算法包括针对高QoS需求业务的低复杂度轨道内优先转发路由算法和针对低QoS需求业务的链路加权路由算法.仿真结果表明,所提算法在平均端到端时延、丢包率和吞吐量等方面比传统算法均有显著的改善.

空中智能反射面辅助的无线供能通信网络轨迹优化研究

由于无人机(UAV)良好的机动性、可靠性和快速部署等特性,无人机搭载智能反射面(IRS)可以有效解决复杂无线场景中混合接入点和节点之间由于障碍物遮挡导致信息传输和能量传输效率低的问题。该文提出一种基于时间划分的空中智能反射面辅助无线供能通信网络架构,充分利用空中智能反射面的灵活性提高网络性能。该架构针对每一个时隙,采用先收集能量后传输信息方案实现能量和数据的分时传输。在满足节点能量收集阈值的前提下,建立一个联合空中智能反射面飞行轨迹、节点选择关联变量、时隙分配比率和智能反射面相位的多变量耦合优化问题。采用块坐标下降算法把原始优化问题分解为4个子问题分别进行求解。首先根据波束对齐原理求解出智能反射面最优相位的闭式解,然后通过引入辅助变量并采用连续凸近似方法使非凸问题转变为凸问题,最后利用交替优化算法迭代求解。仿真结果表明,该文提出的联合优化方案具有很好的收敛性能并可以显著提高系统平均吞吐量。

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization,SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network,CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network,BPNN)、多层感知器(Multilayer Perceptron,MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。

OTFS系统SBL-Turbo压缩感知信道估计算法

针对正交时频空调制(OTFS)系统由多普勒频移引起的信道估计准确度下降的问题,本文提出了一种联合无线信道在时延-多普勒域稀疏特性的SBL-Turbo压缩感知信道估计算法。首先,对时延-多普勒域稀疏信道建模,使其服从以噪声功率为条件的高斯先验分布,利用稀疏贝叶斯学习模块估计得到稀疏信道的均值与方差,并结合期望最大化算法更新高斯先验模型中的参数。其次,引入了LMMSE(线性最小均方误差)估计器模块,该模块对稀疏信道的后验分布进行再估计,提高估计的准确度。通过对每个模块估计得到的信道后验分布进行数据处理,使得模块的输入值与输出值解耦,进而减少模块间的错误传播。最后,两个模块采用Turbo结构迭代估计信道的后验分布,得到信道状态信息。实验结果表明,相较于其他估计方法,该算法能够显著提高信道估计的精度,并且改善系统的误码率性能,能够有效地解决OTFS系统中由多普勒频移引起的信道估计问题。

基于LSTM的高压输电电缆接头异常预警系统设计

高压输电电缆接头异常预警容易受到谐波电流影响,导致预警效果不佳,为此设计了基于LSTM的高压输电电缆接头异常预警系统。检测高压输电电缆接头异常电流谐波,获取电缆接头介质状态。设计CC2430微处理器预警模块,负责处理预警区域内电流数据。构建接地线电流检测模块,负责评估电缆接头异常。构建LSTM神经网络预警模型,对比分析实时状态与模型中检测点状态,获取当前电缆接头状态的预测值。采用移动平均技术分析电流数据的整体变化走向,判断电流预测数据与阈值关系,根据系统指示灯颜色区分异常等级。由实验结果可知,该系统电流数值最大值为125 A,变化曲线与实际曲线一致,说明该系统的预警效果较好。

面向6G全域融合的智能接入关键技术综述

针对空天地一体化接入网络,该文在总结相关研究的基础上,阐述了未来空天地一体化接入架构的关键技术,分析了空口技术、多址技术、干扰分析、计算技术和人工智能(AI)技术等几个重点方向的研究进展,提出了多种接入形式并存的灵活性网络架构。针对6G全域融合网络接入的重点研究问题,结合用户的服务质量需求,构建了一体化AI赋能架构,提出了大规模混合多址接入及弹性资源适配策略。基于网络架构立体化、网络协同传输、一体化网络资源管理、未来空天地接入技术以及网络协同计算等未来重点研究方向进行了讨论和展望。

全双工主动窃听非正交多址接入系统智能超表面辅助物理层安全传输技术

针对全双工被动窃听和主动干扰攻击下的多用户非正交多址接入(NOMA)系统,该文提出一种智能超表面(RIS)辅助的鲁棒波束赋形方案以实现物理层安全通信。考虑在仅已知窃听者统计信道状态信息的条件下,以系统传输中断概率和保密中断概率作为约束,通过联合优化基站发射波束赋形、RIS相移矩阵、传输速率和冗余速率,来最大化系统的保密速率。为解决上述多变量耦合非凸优化问题,提出一种有效的交替优化算法得到联合优化问题的次优解。仿真结果表明,所提方案可实现较高的保密速率,且通过增加RIS反射单元数,系统保密性能更佳。

反向散射NOMA赋能的混合多播-单播协作传输方案

针对协作中继通信系统频谱效率低和链路利用率低的问题,面向多播、单播业务共存场景,该文提出一种反向散射NOMA赋能的混合多播-单播协作传输方案。机会式选择一个多播用户作为协作节点,将其接收信号的一部分功率用于自身解码,剩余功率反向散射以增强其余用户的接收质量。为提升系统性能,通过联合优化基站功率分配系数、协作用户反向散射系数和协作节点选择变量,在保障多播服务质量的前提下,实现单播用户最小可达速率的最大化。为解决上述高度非凸联合优化问题,该文设计一种协作用户选择准则并提出了一种迭代算法来获取原问题的最优解。仿真结果验证了所提迭代算法的快速收敛性,相较于传统非协作传输方案,所提方案可将单播用户最小可达速率提升11.5%,有效保证多业务服务质量。

基于多查询的社交网络关键节点挖掘算法

关键节点挖掘是复杂网络领域的研究重点和热点。针对社交网络中关键嫌疑人挖掘问题,提出基于多查询的社交网络关键节点挖掘算法。该算法将已知嫌疑人作为查询节点,提取其所在的局部拓扑结构,并计算局部拓扑结构中非查询节点的关键程度,从中选择关键程度较高的节点进行推荐。针对现有方法中关键节点计算复杂度高、已知查询节点信息难以有效利用的问题,提出一个两阶段的基于多查询的社交网络关键节点挖掘算法,整合多查询节点的局部拓扑信息和全局节点聚合特征信息,将计算范围从全局缩减到局部,进而对相关节点的关键程度进行量化。具体而言,利用带重启策略的随机游走算法获得多个查询节点的局部拓扑结构;为了得到节点的嵌入向量,基于graphsage模型构建一种无监督的图神经网络模型,该模型结合节点的自身特征和邻居聚合特征来生成嵌入向量,从而为算法框架的相似度计算提供信息输入。基于与查询节点特征的相似性,衡量局部拓扑中节点的关键程度。实验结果显示,所提算法在时间效率和结果有效性方面均优于传统关键节点挖掘算法。