基于C-RAN前向压缩的物联网安全通信方法

提出了一种云无线接入网络(C-RAN, cloud radio access network)安全通信系统下行资源分配算法,该算法在满足物联网信息终端的信干噪比、物联网窃听终端信干噪比和前向链路容量等约束条件下,通过联合优化基站模式、量化噪声和波束成形等参数实现系统功率最小化。此设计是一个非凸优化问题,为了有效求解该问题,采用分步优化方法将原问题进行分解。提出利用半定松弛技术和函数平滑方法,并通过迭代差分凸函数法求得原问题的次优解。通过二分法确定基站模式,再优化基站发射功率。仿真结果表明,所提联合优化算法相比组稀疏优化算法和基准算法具有更好的性能,且其性能接近穷举法。

基于分段的ZigBee网络按需可扩展地址分配算法

提出基于分段的按需可扩展地址分配算法,按照预设的地址量对16bit地址空间进行分段,当路由节点子地址空间不足时对其逐段扩展,使更多节点获得地址;同时改进现有树路由协议使之能够兼容扩展的地址。理论和仿真分析表明所提算法的地址分配成功率等性能优于DAAM和它的改进方案SLAR。

基于NAWL-ILSTM的网络安全态势预测方法

安全态势是网络安全预警的前提。各种复杂网络环境中的网络攻击行为给网络带来了意想不到的挑战,导致网络负载增加和网络故障等突发网络安全事件随时都会发生。因此,针对网络安全态势时间序列的不确定性、非线性等特点,为了提高网络安全态势预测的精度,提出了基于改进Nadam和改进长短期记忆网络(NAWL-ILSTM)的网络安全态势预测方法。首先,利用一种在线更新机制改进长短期记忆网络(LSTM)以建立态势时间序列预测模型,它可以实时地对接收到的在线观测数据进行参数更新,使代价函数最小化,从而解决了传统LSTM网络模型不能合理地利用网络系统在线传送数据的问题,在优化参数更新的同时也大大提高了LSTM模型的预测精度;然后,针对神经网络训练过程中收敛速度较慢和训练成本较高的问题,采用Look-ahead方法对Nesterov加速梯度的自适应估计动量算法(Nadam)的更新公式进行改进,以加快模型的收敛速度,从而加快了ILSTM预测模型的训练速度,减少了训练的时间和成本。基于Python在tensorflow环境下进行仿真实验,结果验证了所提的基于在线更新机制的LSTM预测模型的合理性,通过收敛性分析和算法对比得出了NAWL算法具有更快的收敛速度的结论。最后,与其他预测模型的对比结果表明了NAWL-ILSTM预测模型在态势时间序列分析中具有更强的适用性和更高的准确性。

基于MAODV协议的网络编码方案

目前网络编码在Ad hoc组播网络中的应用研究比较缺乏,针对这个问题,提出了一种在由MAODV协议(multicast Ad hoc on-demand distance vector routing protocol)组建的Ad hoc组播网络中使用网络编码的网络编码策略,并且为了解决如何解码的问题提出了网络编码处理策略,使得网络编码可以应用在Ad hoc组播网络中,提高了网络性能。理论分析和仿真结果表明,基于网络编码的Ad hoc组播网络与普通Ad hoc组播网络相比,减少了数据包发送次数,降低了网络能量消耗,保护了节点能量。

CNR中基于多用户Q学习的联合信道选择和功率控制

针对认知无线网络中多用户资源分配时需要大量信道和功率策略信息交互,并且占用和耗费了大规模系统资源的问题,通过非合作博弈模型对用户的策略进行了研究,提出一种基于多用户Q学习的联合信道选择和功率控制算法。用户在自学习过程中将采用统一的策略,仅通过观察自己的回报来进行Q学习,并逐渐收敛到最优信道和功率分配的最优集合。仿真结果表明,该算法可以高概率地收敛到纳什均衡,用户通过信道选择得到的整体回报非常接近最大整体回报值。

机会网络中一种混合的Epidemic路由算法

机会网络采用存储-携带-转发的路由模式,利用节点移动所形成的相遇机会实现节点间通信。由于网络中节点之间的接触时间周期较短以及节点能量和缓存空间有限,容易导致时延增加和数据分组丢失。为此,提出一种混合的Epidemic路由算法(H–EP算法),通过优先发送目的地址为对方节点的数据分组;同时,根据数据分组的生存时间进行有效的缓存管理;此外,为数据分组设置合理的跳数门限值,达到门限值时,转为直接投递。理论分析和仿真结果表明,所提算法能够在保证分组投递率的同时,有效缩短投递时延,增加缓存利用效率等。

多载波系统中一种基于预编码的改进PAPR降低方案

针对多载波系统中峰均功率比(Peak to Average Power Ratio,PAPR)普遍较高的问题,首先给出预编码技术抑制PAPR的基本思路和预编码矩阵的一般性设计规则;然后将降低信号峰值的问题转化为在信号瞬时功率均值不变的条件下最小化信号瞬时功率方差的优化问题;最后,为了使预编码矩阵能够联合改善载波的相位和发送信号的非周期自相关性以提高PAPR的抑制效果,基于梯度搜索算法提出一种将非周期自相关性和相位共同优化的算法求解上述最小化问题,通过互补误差函数(Complementary Cumulative Distribution Function,CCDF)表示对PAPR的抑制效果。仿真结果表明,该算法在不影响甚至稍微提高系统误码率性能的前提下,相比于预编码方法改善约0.8 dB。

基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混

基于欧氏距离标准的非负矩阵分解(NMF)在面对含有噪声和异常像元污染的高光谱图像时,容易造成解混的失败。为了抑制噪声或异常像元的影响,采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图像内在的丰度结构,因此为保证原始高光谱内部数据不被破坏,将图拉普拉斯约束引入模型中。同时,为提高丰度矩阵的稀疏性,提高解混性能,引入重加权稀疏约束项,提出基于图拉普拉斯正则化的柯西非负矩阵(CNMF-GLR)分解的算法。考虑到图拉普拉斯约束对邻域选择的需求,使用局部邻域加权的方法,通过矩形窗结构来确定局部邻域。在模拟数据集和真实数据集上使用相同初始化条件与其他经典算法进行比较,结果表明,所提算法具有更好的鲁棒性和解混性能。