CN109861728B - 大规模mimo系统的联合多中继选择与时隙资源配置方法 - Google Patents
大规模mimo系统的联合多中继选择与时隙资源配置方法 Download PDFInfo
- Publication number
- CN109861728B CN109861728B CN201910128413.0A CN201910128413A CN109861728B CN 109861728 B CN109861728 B CN 109861728B CN 201910128413 A CN201910128413 A CN 201910128413A CN 109861728 B CN109861728 B CN 109861728B
- Authority
- CN
- China
- Prior art keywords
- quantum
- termite
- relay
- eavesdropper
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种大规模MIMO系统的联合多中继选择与时隙资源配置方法,发明结合量子优化机制与白蚁群优化机制的优势,利用量子白蚁群优化方法来解决Massive MIMO系统的多中继选择与时隙资源配置这一复杂的混合优化问题,具有搜索速度快、全局搜索能力强的优点。本发明结合无线能量采集技术,可显著减少Massive MIMO协作通信系统信息传输过程中的能量消耗,通过用户终端与干扰中继分别向窃听器发送干扰信号以降低窃听器的信干噪比,能够有效提高Massive MIMO系统的保密容量,保证通信系统的安全性与可靠性。
Description
技术领域
本发明涉及一种大规模MIMO(Massive MIMO)系统的联合多中继选择与时隙资源配置方法,属于5G移动通信关键技术领域。
背景技术
随着信息技术的飞速发展,移动通信正以前所未有的方式推动社会变革。与4G网络相比,5G网络能满足更高的数据传输要求,具有更广的无线通信覆盖面、更好的通信质量,可构建万物互联的新景象。但随着5G通信的高速发展,移动通信所造成的温室气体排放以及能源消耗问题也会日趋严重,为实现可持续发展,绿色通信已成为5G通信的研究热点。作为5G关键技术之一,Massive MIMO能够显著降低能耗,其基站装备大量的天线,可同时服务于更多的终端,有效提高系统的频谱效率与能效,进一步提升系统容量。利用中继网络协助Massive MIMO系统的数据传输,可以扩大通信系统的覆盖范围,显著改善小区边缘用户的通信质量。由于不同的地理位置和信道衰落的影响,各中继对改善用户通信质量的能力存在差异,如何选择合适的中继协助小区边缘用户的数据传输对提升Massive MIMO系统容量有着重要的意义。
由于无线传输的开放性,窃听器的存在很容易截获通信系统的有用信息,造成信息泄露。因此,在保证用户通信质量的前提下,提高通信系统的保密性已成为Massive MIMO系统的研究热点之一。随着资源的日益短缺,如何建立对环境友好、通信质量高、保密性强的数据传输机制,已成为Massive MIMO系统亟待解决的难题。经对现有文献检索发现,JianChen等在《IEEE Access》(2017,Vol.5,pp.869-880)上发表的“Toward Green and SecureCommunications over Massive MIMO Relay Networks:Joint Source and Relay PowerAllocation”提出了一种能量有限的Massive MIMO系统源节点和中继功率分配方法以提高系统的保密能效,但并未涉及中继选择,且忽略了源节点向中继传输信息时的信息泄露,此外,没有利用其他的防窃听策略以提高信息传输的保密性。Ali Kuhestani等在《IEEETransactions on Information Forensics and Security》(2018,Vol.13,No.2,pp.341-355)上发表的“Joint Relay Selection and Power Allocation in Large-Scale MIMOSystems With Untrusted Relays and Passive Eavesdroppers”提出了一种未知中继与窃听器共存场景下的中继选择与功率分配方法。在系统总功率固定的条件下,用户在基站传输信息过程中对窃听器发送干扰信号,以降低窃听器对有用信息的截获能力,在中继传输阶段,用户终端通过自干扰消除方法提高自身的信干噪比,从而提高Massive MIMO系统的保密容量。但该方法仅涉及单中继选择问题,多个候选中继处于闲置状态。已有文献表明,现有Massive MIMO协作通信系统的数据传输机制需要外界持续不断地提供能量,且资源利用率较低,在实际通信系统中很难得到较大的保密容量。因此,建立新的数据传输机制,在耗能最小的同时提高系统的保密容量,具有重要的意义。本发明设计了一种MassiveMIMO系统的联合多中继选择与时隙资源配置方法,该方法结合量子优化机制与白蚁群优化(Termite Colony Optimization,TCO)机制的优势,利用量子白蚁群优化(Quantum-inspired Termite Colony Optimization,QTCO)方法来解决Massive MIMO系统的多中继选择与时隙资源配置这一复杂的混合优化问题,具有搜索速度快、全局搜索能力强的优点。此外,本发明结合无线能量采集技术,可显著减少Massive MIMO协作通信系统信息传输过程中的能量消耗,通过用户终端与干扰中继分别向窃听器发送干扰信号以降低窃听器的信干噪比,能够有效提高Massive MIMO系统的保密容量,保证通信系统的安全性与可靠性。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种搜索速度快、全局搜索能力强、显著减少Massive MIMO协作通信系统信息传输过程中的能量消耗、有效提高Massive MIMO系统的保密容量、保证通信系统的安全性与可靠性的Massive MIMO系统的联合多中继选择与时隙资源配置方法。
为解决上述技术问题,本发明提出一种大规模MIMO系统的联合多中继选择与时隙资源配置方法,包括以下步骤:
步骤一:建立Massive MIMO协作通信系统模型,具体为:
Massive MIMO协作通信系统由一个配置M根天线的基站、用户、L个放大-转发半双工中继和窃听器组成,用户、各中继和窃听器均为单天线设备,与基站共享带宽为B的授权频带,假设所有噪声均为功率谱密度为N0的高斯白噪声,则噪声功率σ2=BN0,信息传输的每一帧分为两个不同的时隙:TS1和TS2,在TS1,基站向中继发送信号,用户在基站传输信息的同时向窃听器发送干扰信号,则第j(j=1,2,…,L)个中继rj接收到的信号yj为:
其中,sBS和su为基站和用户发送的单位能量信号,pBS和pu为基站和用户的发送功率,w为基站的预编码矩阵,(.)H表示共轭转置,hBS,j表示基站到中继rj的信道状态信息,hj,u为中继rj到用户的信道状态信息,nj为中继rj接收到的噪声,将yj归一化,得到:
其中,||.||表示求向量的范数,|.|表示求变量的模;
在基站传输信息的同时,各中继采集自身收到的无线信号的能量,则中继rj在TS1采集到的能量Ej为:
Ej=η(pBS||wHhBS,j||2+pu|hj,u|2+σ2)αT
其中,η为能量采集率,α为时隙分配系数,T为信息传输的子帧时长;
在TS2,一部分中继向用户转发在TS1接收到的信号,其余中继向窃听器发送干扰信号,通过0-1中继选择向量b=[b1,b2,…,bL]表示中继选择结果,若bj=1,则选择中继rj进行数据传输,利用该中继在TS1采集到的能量向用户发送信号;若bj=0,则中继rj对窃听器发送干扰信号;中继对用户产生的总干扰不得超过用户的干扰门限Ith,中继rj采用的功率控制策略为:
其中,min{.}表示取一组数中的最小值,N表示对窃听器发送干扰信号的中继总数;
其中,hj,e和hk,e分别为中继rj和中继rk(k=1,2,…,L,k≠j)到窃听器的信道状态信息,sk为中继rk发送的干扰信号,为窃听器在TS2接收到的噪声,令为与中继选择变量bk相关的变量,若bk=0,若bk=1,窃听器在中继传输信息过程中收到的信干噪比为:
其中,pTS为窃听器在TS2接收到的干扰信号功率之和,具体可表示为:
故窃听器在基站到用户的信息传输过程中收到的信干噪比为:
其中,max{.}表示取一组数中的最大值;
在TS2,通过自干扰消除方法,用户收到的信号为:
其中,hk,u为中继rk到用户的信道状态信息,nu为用户接收到的噪声,用户在中继传输信息过程中收到的信干噪比γu为:
则Massive MIMO中继系统的保密容量为:
R(b,α)=max{(1-α)B[log2(1+γu)-log2(1+γe)],0}
步骤二:初始化量子白蚁群及系统参数,具体为:
设定量子白蚁群中量子白蚁数目为H,量子白蚁位置的维数为D,D表示待求解问题的维数,对待求解的离散变量采用二进制比特编码,连续变量采用K个二进制比特编码,则对于Massive MIMO系统的联合多中继选择与时隙资源配置问题,量子白蚁位置的维数D=L+K;用t表示迭代次数,则第i只量子白蚁第t次迭代的量子位置为其中,i=1,2,…,H,d=1,2,…,D;第i只量子白蚁的位置可通过对它的量子位置测量得到,测量方程为:
步骤三:计算量子白蚁所在位置的适应值,具体为:
将第i只量子白蚁第t次迭代的位置映射为Massive MIMO协作通信系统需要优化的向量即Massive MIMO系统的多中继选择与时隙资源配置方案,通过适应度函数计算量子白蚁的适应值,其中exp{.}表示指数函数,对量子白蚁群中所有量子白蚁的适应值进行分析,将第i只量子白蚁迄今为止所搜到的适应值最小的位置记为局部最优位置将整个量子白蚁群迄今为止所搜到的适应值最小的位置记为全局最优位置
步骤四:根据演化规则,更新量子白蚁的量子位置和位置,具体为:
其中,为第i只量子白蚁学习邻域的标号集合,为第i只量子白蚁的动态搜索半径,为量子白蚁l的第d维位置,为量子白蚁l所在位置的信息素含量,量子白蚁i的学习邻域标号集合中标号的数量代表量子白蚁i的学习邻域中量子白蚁的数量,将量子白蚁i学习邻域内信息素含量最大的量子白蚁的位置记为量子白蚁i按照如下规则演进:
其中,为更新后的量子白蚁群中第i只量子白蚁的第d维量子旋转角,为更新后的量子白蚁i的第d维量子位置,为空集,为[0,1]间的均匀随机数,ε为量子白蚁在量子旋转角为0时量子位置的变异概率,abs(.)表示取绝对值,c1、c2、c3、c4、c5为影响因子;c1、c2、c3分别表示学习邻域非空时,第i只量子白蚁的局部最优位置、学习邻域内信息素含量最大的位置和全局最优位置对量子旋转角的影响程度;c4和c5表示学习邻域为空时,第i只量子白蚁的局部最优位置和全局最优位置对量子旋转角的影响程度;
根据量子白蚁i更新后的量子位置,通过测量方程,得到量子白蚁i更新后的位置;
步骤六:如果迭代次数小于预先设定的最大迭代次数,令t=t+1,返回步骤四;否则,终止迭代,输出量子白蚁群的全局最优位置经映射规则,得到Massive MIMO系统最佳的联合多中继选择与时隙资源配置方案。
本发明有益效果:与现有技术相比,本发明设计的Massive MIMO系统联合多中继选择与时隙资源配置方法充分考虑了窃听器的存在对通信系统的影响以及部分中继造成的干扰对用户的影响,具有以下优点:
1、本发明设计了一种新的Massive MIMO系统数据传输机制,中继网络通过能量采集技术,将接收到的无线信号能量转化为自身的发送功率,能够显著降低协作通信网络信息传输过程中的能量消耗,有效提高通信系统的能量利用率。在数据传输的不同阶段,通过用户与部分中继分别向窃听器发送干扰信号可有效降低窃听器对信息的截获能力,为Massive MIMO系统提供了新的防窃听策略。
2、本发明充分考虑窃听器的存在对Massive MIMO系统保密性的影响,以及部分中继造成的干扰对用户的影响,所设计的联合多中继选择与时隙资源配置方法能够有效平衡用户通信质量、系统能耗和资源利用率,突破了现有Massive MIMO中继选择与资源配置方法的局限性,更能满足实际工程的需要。
3、本发明所设计的量子白蚁群优化方法结合量子优化机制与白蚁群优化机制的优势,充分利用量子白蚁之间的信息交流,具有收敛速度快、全局搜索能力强的特点。对于Massive MIMO多中继选择与时隙资源配置这一复杂的混合优化问题,采用本发明设计的量子白蚁群优化方法可得到最大的系统保密容量。
4、相比于传统的白蚁群优化方法,本发明所设计的量子白蚁群优化方法具有较强的寻优能力,突破了白蚁群优化方法仅适用于求解连续问题的局限性,为复杂的混合优化问题提供了新的求解方法,还可移植到其他复杂的工程问题中,具有很好的推广性。
附图说明
图1为Massive MIMO系统量子白蚁群的联合多中继选择与时隙资源配置方法流程图;
图2为量子白蚁群优化机制流程图;
图3为采用量子白蚁群、白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随迭代次数变化的曲线;
图4为采用量子白蚁群、白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随中继数目变化的曲线;
图5为采用量子白蚁群、白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随用户发送功率变化的曲线;
图6为采用量子白蚁群、白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随基站发送功率变化的曲线;
图7为采用量子白蚁群、白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随用户干扰门限变化的曲线。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
本发明设计了一种Massive MIMO系统量子白蚁群的联合多中继选择与时隙资源配置方法,该方法结合了量子优化机制与白蚁群优化机制的优势,具有搜索速度快、全局搜索能力强的优点,通过如下步骤实现:第一步,建立Massive MIMO协作通信系统模型;第二步,初始化量子白蚁群及系统参数,经测量规则,得到量子白蚁的位置;第三步:计算量子白蚁所在位置的适应值,得到量子白蚁的局部最优位置和量子白蚁群的全局最优位置;第四步:根据演化规则,更新量子白蚁的量子位置和位置;第五步:计算更新后的量子白蚁的适应值,更新量子白蚁的局部最优位置和量子白蚁群的全局最优位置;第六步:如果迭代次数小于预先设定的最大迭代次数,返回第四步;否则,终止迭代,输出量子白蚁群的全局最优位置,经映射规则,得到Massive MIMO系统最佳的联合多中继选择与时隙资源配置方案。本发明所设计的联合多中继选择与时隙资源配置方法能够显著减少Massive MIMO协作通信系统信息传输过程中的能量消耗,有效平衡用户通信质量、系统能耗和资源利用率,显著提高系统的保密容量,更能满足实际工程的需要。
本发明的目的在于针对现有Massive MIMO系统数据传输机制的不足,提出一种基于量子白蚁群的Massive MIMO系统联合多中继选择与时隙资源配置方法。
如图1所示,本发明设计的Massive MIMO系统量子白蚁群的联合多中继选择与时隙资源配置方法包括以下步骤:
步骤一,建立Massive MIMO协作通信系统模型
Massive MIMO协作通信系统由一个配置M根天线的基站、用户、L个放大-转发(Amplify-and-Forward,AF)半双工中继和窃听器组成。用户、各中继和窃听器均为单天线设备,与基站共享带宽为B的授权频带。假设所有噪声均为功率谱密度为N0的高斯白噪声,则噪声功率σ2=BN0。信息传输的每一帧可分为两个不同的时隙(Time Slot,TS):TS1和TS2。在TS1,基站向中继发送信号,用户在基站传输信息的同时向窃听器发送干扰信号,则第j(j=1,2,…,L)个中继rj接收到的信号yj为:
其中,sBS和su为基站和用户发送的单位能量信号,pBS和pu为基站和用户的发送功率,w为基站的预编码矩阵,(.)H表示共轭转置,hBS,j表示基站到中继rj的信道状态信息,hj,u为中继rj到用户的信道状态信息,nj为中继rj接收到的噪声。将yj归一化,可得:
其中,||.||表示求向量的范数,|.|表示求变量的模。
在基站传输信息的同时,各中继采集自身收到的无线信号的能量,则中继rj在TS1采集到的能量Ej为:
Ej=η(pBS||wHhBS,j||2+pu|hj,u|2+σ2)αT
其中,η为能量采集率,α为时隙分配系数,T为信息传输的子帧时长。
在TS2,一部分中继向用户转发在TS1接收到的信号,其余中继向窃听器发送干扰信号。通过0-1中继选择向量b=[b1,b2,…,bL]表示中继选择结果,若bj=1,则选择中继rj进行数据传输,利用其在TS1采集到的能量向用户发送信号;若bj=0,则中继rj对窃听器发送干扰信号。中继向窃听器发送干扰信号的同时也会对用户产生干扰,为保证用户的通信质量,其总干扰不得超过用户的干扰门限Ith,因此,可采用如下简单的功率控制策略:
其中,min{.}表示取一组数中的最小值,N表示对窃听器发送干扰信号的中继总数。
其中,hj,e和hk,e分别为中继rj和中继rk(k=1,2,…,L,k≠j)到窃听器的信道状态信息,sk为中继rk发送的干扰信号,为窃听器在TS2接收到的噪声。令为与中继选择变量bk相关的变量,若bk=0,若bk=1,窃听器在中继传输信息过程中收到的信干噪比为:
其中,pTS为窃听器在TS2接收到的干扰信号功率之和,具体可表示为:
故窃听器在基站到用户的信息传输过程中收到的信干噪比为:
其中,max{.}表示取一组数中的最大值。
在TS2,通过自干扰消除方法,用户收到的信号为:
其中,hk,u为中继rk到用户的信道状态信息,nu为用户接收到的噪声。用户在中继传输信息过程中收到的信干噪比γu为:
因此,Massive MIMO中继系统的保密容量为:
R(b,α)=max{(1-α)B[log2(1+γu)-log2(1+γe)],0}
步骤二,初始化量子白蚁群及系统参数
设定量子白蚁群中量子白蚁数目为H,量子白蚁位置的维数为D,表示待求解问题的维数,对待求解的离散变量采用二进制比特编码,连续变量采用K个二进制比特编码,则对于Massive MIMO系统的联合多中继选择与时隙资源配置问题,量子白蚁位置的维数D=L+K。用t表示迭代次数,则第i只量子白蚁第t次迭代的量子位置可表示为其中,i=1,2,…,H,d=1,2,…,D。第i只量子白蚁的位置可通过对其量子位置测量得到,测量方程为:
步骤三,计算量子白蚁所在位置的适应值
将第i只量子白蚁第t次迭代的位置映射为Massive MIMO协作通信系统需要优化的向量即Massive MIMO系统的多中继选择与时隙资源配置方案,通过适应度函数计算量子白蚁的适应值,其中exp{.}表示指数函数。对量子白蚁群中所有量子白蚁的适应值进行分析,将第i只量子白蚁迄今为止所搜到的适应值最小的位置记为局部最优位置将整个量子白蚁群迄今为止所搜到的适应值最小的位置记为全局最优位置
步骤四,根据演化规则,更新量子白蚁的量子位置和位置
其中,为第i只量子白蚁学习邻域的标号集合,为第i只量子白蚁的动态搜索半径,为量子白蚁l的第d维位置,为量子白蚁l所在位置的信息素含量,量子白蚁i的学习邻域标号集合有几个标号,其学习邻域就有几只相应的量子白蚁。将量子白蚁i学习邻域内信息素含量最大的量子白蚁的位置记为量子白蚁i按照如下规则演进:
其中,为更新后的量子白蚁群中第i只量子白蚁的第d维量子旋转角,为更新后的量子白蚁i的第d维量子位置,为空集,为[0,1]间的均匀随机数,ε为量子白蚁在量子旋转角为0时量子位置的变异概率,abs(.)表示取绝对值,c1、c2、c3、c4、c5为影响因子。c1、c2、c3分别表示学习邻域非空时,第i只量子白蚁的局部最优位置、学习邻域内信息素含量最大的位置和全局最优位置对量子旋转角的影响程度;c4和c5表示学习邻域为空时,第i只量子白蚁的局部最优位置和全局最优位置对量子旋转角的影响程度。
根据量子白蚁i更新后的量子位置,通过测量方程,得到其更新后的位置。
步骤六,如果迭代次数小于预先设定的最大迭代次数,令t=t+1,返回步骤四;否则,终止迭代,输出量子白蚁群的全局最优位置经映射规则,得到Massive MIMO系统最佳的联合多中继选择与时隙资源配置方案。
通过仿真实验进一步说明本发明的有益效果:
对于Massive MIMO中继系统,设定基站天线数M=64,基站坐标位于(0,0)m,用户位于(1200,0)m,窃听器位于(1000,0)m,各中继随机分布在圆心为(500,0)m,半径为200m的区域内。基站采用最大比传输(MRT)方式预编码,能量采集率η=0.8,系统带宽B=1MHz。假设全部信道状态信息均能被获知,所有噪声均为功率谱密度为N0的高斯白噪声,噪声功率谱密度N0=-130dBW/Hz,其中,1dBW=101/10W。
Massive MIMO系统量子白蚁群的联合多中继选择与时隙资源配置方法参数设置如下:量子白蚁群中量子白蚁数目H=20,连续变量编码位数K=15,则量子白蚁的维度D与中继数目L相关,D=L+K。信息素蒸发率ρ=0.8,每只量子白蚁的动态搜索半径均随迭代次数的增加从3线性递减至1,量子白蚁初始位置的信息素均为0,影响因子c1=0.06,c2=0.03,c3=0.01,c4=0.06,c5=0.03,变异概率ε=0.1/K。为了便于比较采用量子白蚁群优化(Quantum-inspired Termite Colony Optimization,QTCO)、白蚁群优化(TermiteColony Optimization,TCO)与粒子群优化(Particle Swarm Optimization,PSO)机制的联合多中继选择与时隙资源配置方法,将三者的种群规模设为相同值,终止迭代次数均设为500,所有仿真结果是200次仿真的平均。白蚁群优化方法的其他参数设置参考RaminHedayatzadeh等在第18届国际ICEE会议上发表的“Termite Colony Optimization:ANovel Approach for Optimizing Continuous Problems”,粒子群优化方法的其他参数设置参考Kai Zhang等在《Information Sciences》(2019,Vol.471,pp.252-268)上发表的“Enhancing Comprehensive Learning Particle Swarm Optimization with LocalOptima Topology”。
图3~图7为采用量子白蚁群、白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随迭代次数、中继数目、用户发送功率、基站发送功率和用户干扰门限变化的曲线。在图3,中继数目L=12,基站发送功率pBS=5dBW,用户发送功率pu=5dBW,用户干扰门限Ith=-20dBW。在图4,基站数目在10~20范围内变化。在图5,用户发送功率pu在-10dBW~10dBW范围内变化。在图6,基站发送功率pBS在-10dBW~10dBW范围内变化。在图7,用户干扰门限Ith在-50dBm~-10dBm范围内变化,其中,1W=10dBW=30dBm。
图3为Massive MIMO系统保密容量随迭代次数变化的曲线。由仿真结果可以明显得知量子白蚁群优化机制的寻优能力和收敛速度明显优于白蚁群和粒子群优化机制,采用量子白蚁群优化机制的联合多中继选择与时隙资源配置方法比其他两种方法能得到更大的系统保密容量。
图4为Massive MIMO系统保密容量随中继数目变化的曲线。由仿真结果可以明显得知采用量子白蚁群优化机制的联合多中继选择与时隙资源配置方法系统保密容量随着中继数目的增加而增大,而采用白蚁群和粒子群优化机制的联合多中继选择与时隙资源配置方法性能不稳定,难以得到较大的系统保密容量。随着中继数目的增加,量子白蚁群的联合多中继选择与时隙资源配置方法性能越优于白蚁群和粒子群的联合多中继选择与时隙资源配置方法。
图5为Massive MIMO系统保密容量随用户发送功率变化的曲线。由仿真结果可以明显得知系统保密容量随着用户发送功率的增加而增大,量子白蚁群的联合多中继选择与时隙资源配置方法性能明显优于白蚁群和粒子群的联合多中继选择与时隙资源配置方法。
图6为Massive MIMO系统保密容量随基站发送功率变化的曲线。由仿真结果可以明显得知系统保密容量随着基站发送功率的增加而显著提高,量子白蚁群的联合多中继选择与时隙资源配置方法性能明显优于白蚁群和粒子群的联合多中继选择与时隙资源配置方法。
图7为Massive MIMO系统保密容量随用户干扰门限变化的曲线。由仿真结果可知,系统保密容量随用户干扰门限的增加呈先增大后减小的趋势,其原因在于虽然中继网络产生的总干扰随着用户干扰门限的增加而增加,极大降低了窃听器的信干噪比,但产生的总干扰也一定程度上降低了用户的信干噪比。因此,当用户干扰门限超过某一范围时,系统保密容量不随干扰门限的增加而增加。而采用量子白蚁群优化机制的联合多中继选择与时隙资源配置方法可得到较大的系统保密容量,其性能明显优于白蚁群和粒子群的联合多中继选择与时隙资源配置方法。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施值局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (1)
1.一种大规模MIMO系统的联合多中继选择与时隙资源配置方法,其特征在于,包括以下步骤:
步骤一:建立Massive MIMO协作通信系统模型,具体为:
Massive MIMO协作通信系统由一个配置M根天线的基站、用户、L个放大-转发半双工中继和窃听器组成,用户、各中继和窃听器均为单天线设备,与基站共享带宽为B的授权频带,假设所有噪声均为功率谱密度为N0的高斯白噪声,则噪声功率σ2=BN0,信息传输的每一帧分为两个不同的时隙:TS1和TS2,在TS1,基站向中继发送信号,用户在基站传输信息的同时向窃听器发送干扰信号,则第j个中继rj接收到的信号yj为:
其中,j=1,2,…,L,sBS和su为基站和用户发送的单位能量信号,pBS和pu为基站和用户的发送功率,w为基站的预编码矩阵,(.)H表示共轭转置,hBS,j表示基站到中继rj的信道状态信息,hj,u为中继rj到用户的信道状态信息,nj为中继rj接收到的噪声,将yj归一化,得到:
其中,||.||表示求向量的范数,|.|表示求变量的模;
在基站传输信息的同时,各中继采集自身收到的无线信号的能量,则中继rj在TS1采集到的能量Ej为:
Ej=η(pBS||wHhBS,j||2+pu|hj,u|2+σ2)αT
其中,η为能量采集率,α为时隙分配系数,T为信息传输的子帧时长;
在TS2,一部分中继向用户转发在TS1接收到的信号,其余中继向窃听器发送干扰信号,通过0-1中继选择向量b=[b1,b2,…,bL]表示中继选择结果,若bj=1,则选择中继rj进行数据传输,利用该中继在TS1采集到的能量向用户发送信号;若bj=0,则中继rj对窃听器发送干扰信号;中继对用户产生的总干扰不得超过用户的干扰门限Ith,中继rj采用的功率控制策略为:
其中,min{.}表示取一组数中的最小值,N表示对窃听器发送干扰信号的中继总数;
其中,hj,e和hk,e分别为中继rj和中继rk,到窃听器的信道状态信息,k=1,2,…,L,k≠j,sk为中继rk发送的干扰信号,为窃听器在TS2接收到的噪声,令为与中继选择变量bk相关的变量,若bk=0,若bk=1,窃听器在中继传输信息过程中收到的信干噪比为:
其中,pTS为窃听器在TS2接收到的干扰信号功率之和,具体可表示为:
故窃听器在基站到用户的信息传输过程中收到的信干噪比为:
其中,max{.}表示取一组数中的最大值;
在TS2,通过自干扰消除方法,用户收到的信号为:
其中,hk,u为中继rk到用户的信道状态信息,nu为用户接收到的噪声,用户在中继传输信息过程中收到的信干噪比γu为:
则Massive MIMO中继系统的保密容量为:
R(b,α)=max{(1-α)B[log2(1+γu)-log2(1+γe)],0}
步骤二:初始化量子白蚁群及系统参数,具体为:
设定量子白蚁群中量子白蚁数目为H,量子白蚁位置的维数为D,D表示待求解问题的维数,对待求解的离散变量采用二进制比特编码,连续变量采用K个二进制比特编码,则对于Massive MIMO系统的联合多中继选择与时隙资源配置问题,量子白蚁位置的维数D=L+K;用t表示迭代次数,则第i只量子白蚁第t次迭代的量子位置为其中,第i只量子白蚁的位置可通过对它的量子位置测量得到,测量方程为:
步骤三:计算量子白蚁所在位置的适应值,具体为:
将第i只量子白蚁第t次迭代的位置映射为Massive MIMO协作通信系统需要优化的向量即Massive MIMO系统的多中继选择与时隙资源配置方案,通过适应度函数计算量子白蚁的适应值,其中exp{.}表示指数函数,对量子白蚁群中所有量子白蚁的适应值进行分析,将第i只量子白蚁迄今为止所搜到的适应值最小的位置记为局部最优位置将整个量子白蚁群迄今为止所搜到的适应值最小的位置记为全局最优位置
步骤四:根据演化规则,更新量子白蚁的量子位置和位置,具体为:
其中,为第i只量子白蚁学习邻域的标号集合,为第i只量子白蚁的动态搜索半径,为量子白蚁l的第d维位置,为量子白蚁l所在位置的信息素含量,量子白蚁i的学习邻域标号集合中标号的数量代表量子白蚁i的学习邻域中量子白蚁的数量,将量子白蚁i学习邻域内信息素含量最大的量子白蚁的位置记为量子白蚁i按照如下规则演进:
其中,为更新后的量子白蚁群中第i只量子白蚁的第d维量子旋转角,为更新后的量子白蚁i的第d维量子位置,为空集,为[0,1]间的均匀随机数,ε为量子白蚁在量子旋转角为0时量子位置的变异概率,abs(.)表示取绝对值,c1、c2、c3、c4、c5为影响因子;c1、c2、c3分别表示学习邻域非空时,第i只量子白蚁的局部最优位置、学习邻域内信息素含量最大的位置和全局最优位置对量子旋转角的影响程度;c4和c5表示学习邻域为空时,第i只量子白蚁的局部最优位置和全局最优位置对量子旋转角的影响程度;
根据量子白蚁i更新后的量子位置,通过测量方程,得到量子白蚁i更新后的位置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128413.0A CN109861728B (zh) | 2019-02-21 | 2019-02-21 | 大规模mimo系统的联合多中继选择与时隙资源配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128413.0A CN109861728B (zh) | 2019-02-21 | 2019-02-21 | 大规模mimo系统的联合多中继选择与时隙资源配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109861728A CN109861728A (zh) | 2019-06-07 |
CN109861728B true CN109861728B (zh) | 2021-06-18 |
Family
ID=66898428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910128413.0A Active CN109861728B (zh) | 2019-02-21 | 2019-02-21 | 大规模mimo系统的联合多中继选择与时隙资源配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109861728B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430566B (zh) * | 2019-07-26 | 2020-12-25 | 西北工业大学 | 一种基于能量收集的两跳多中继网络安全传输方法 |
CN112954807B (zh) * | 2021-01-28 | 2022-11-18 | 哈尔滨工程大学 | 一种基于网络切片的异构Massive MIMO系统多元资源配置方法 |
CN113375788B (zh) * | 2021-05-31 | 2022-05-20 | 哈尔滨工程大学 | 一种基于矩阵填充的水声传感器网络环境数据采集方法 |
CN114158123B (zh) * | 2021-11-26 | 2023-05-02 | 哈尔滨工程大学 | 一种智能反射面Massive MIMO系统资源分配方法 |
CN114501428B (zh) * | 2022-01-26 | 2023-07-21 | 哈尔滨工程大学 | 一种智能反射面的安全Massive MIMO系统资源分配方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372812A1 (en) * | 2011-09-12 | 2014-12-18 | Norbert Lütkenhaus | System and method for quantum key distribution |
US20160149951A1 (en) * | 2014-11-21 | 2016-05-26 | Electronics And Telecommunications Research Institute | Secure transmission method and system |
CN106452655A (zh) * | 2016-08-04 | 2017-02-22 | 华侨大学 | 结合协作干扰与时分能量采集技术的系统安全传输方法 |
CN106452503A (zh) * | 2016-08-04 | 2017-02-22 | 华侨大学 | 基于功率分配能量采集技术的全双工中继安全传输方法 |
CN106788620A (zh) * | 2016-12-02 | 2017-05-31 | 哈尔滨工程大学 | 一种最小化中断概率的分布式中继选择及用户功率分配方法 |
CN107454604A (zh) * | 2017-08-22 | 2017-12-08 | 哈尔滨工程大学 | 认知中继网络的量子化学反应优化多中继选择方法 |
WO2018097430A1 (ko) * | 2016-11-25 | 2018-05-31 | 경상대학교산학협력단 | 중계기 네트워크에서 도청 방지를 위한 중계기 선택 장치 및 방법 |
CN108173580A (zh) * | 2018-01-29 | 2018-06-15 | 哈尔滨工程大学 | 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法 |
CN108880734A (zh) * | 2018-04-28 | 2018-11-23 | 哈尔滨工程大学 | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 |
-
2019
- 2019-02-21 CN CN201910128413.0A patent/CN109861728B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372812A1 (en) * | 2011-09-12 | 2014-12-18 | Norbert Lütkenhaus | System and method for quantum key distribution |
US20160149951A1 (en) * | 2014-11-21 | 2016-05-26 | Electronics And Telecommunications Research Institute | Secure transmission method and system |
CN106452655A (zh) * | 2016-08-04 | 2017-02-22 | 华侨大学 | 结合协作干扰与时分能量采集技术的系统安全传输方法 |
CN106452503A (zh) * | 2016-08-04 | 2017-02-22 | 华侨大学 | 基于功率分配能量采集技术的全双工中继安全传输方法 |
WO2018097430A1 (ko) * | 2016-11-25 | 2018-05-31 | 경상대학교산학협력단 | 중계기 네트워크에서 도청 방지를 위한 중계기 선택 장치 및 방법 |
CN106788620A (zh) * | 2016-12-02 | 2017-05-31 | 哈尔滨工程大学 | 一种最小化中断概率的分布式中继选择及用户功率分配方法 |
CN107454604A (zh) * | 2017-08-22 | 2017-12-08 | 哈尔滨工程大学 | 认知中继网络的量子化学反应优化多中继选择方法 |
CN108173580A (zh) * | 2018-01-29 | 2018-06-15 | 哈尔滨工程大学 | 一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法 |
CN108880734A (zh) * | 2018-04-28 | 2018-11-23 | 哈尔滨工程大学 | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 |
Non-Patent Citations (6)
Title |
---|
A New Cooperative Jamming Technique for a Two-Hop Amplify-and-Forward Relay Network With an Eavesdropper;Yongyun Choi and Jae Hong Lee;《IEEE Transactions on Vehicular Technology》;20181231;第67卷(第12期);第12447-12451页 * |
Ant colony optimization for joint resource allocation and relay selection in LTE-advanced networks;Ahmed Zainaldin et al;《2014 IEEE Global Communications Conference》;20150212;第1271-1277页 * |
Joint Relay Selection and Power Allocation in Large-Scale MIMO Systems With Untrusted Relays and Passive Eavesdroppers;Ali Kuhestani et al;《IEEE Transactions on Information Forensics and Security》;20180228;第13卷(第2期);第341-355页 * |
Multi-relay selection scheme based on quantum particle swarm optimization in relay networks;Jinlong Cao et al;《The 15th International Symposium on Wireless Personal Multimedia Communications》;20121231;第648-652页 * |
无线协作网络中的最优中继选择方案及中断概率分析;冯友宏;《电信科学》;20181130(第11期);第87-95页 * |
窃听环境下AF中继选择与功率分配的研究;张伟,芮贤义;《信号处理》;20180131;第34卷(第1期);第114-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109861728A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109861728B (zh) | 大规模mimo系统的联合多中继选择与时隙资源配置方法 | |
CN109729528B (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
CN109474980B (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
Song et al. | Spectrum and energy efficient resource allocation with QoS requirements for hybrid MC-NOMA 5G systems | |
Khan et al. | Performance analysis of cloud radio access networks with distributed multiple antenna remote radio heads | |
AU2020100505A4 (en) | Physical Layer Security Method Applicable To Non-Orthogonal Multiple Access System | |
Yan et al. | QoE-aware resource allocation for semantic communication networks | |
CN108880734B (zh) | 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法 | |
Peng et al. | Inter-tier interference suppression in heterogeneous cloud radio access networks | |
CN111586646B (zh) | 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法 | |
CN107026684B (zh) | 一种基于人工噪声的认知通信物理层安全能效优化方法 | |
Zhou et al. | A cache-aided communication scheme for downlink coordinated multipoint transmission | |
Khan et al. | Efficient power allocation for multi-cell uplink NOMA network | |
Yu et al. | Dynamic resource allocation in TDD-based heterogeneous cloud radio access networks | |
CN113596785A (zh) | 基于深度q网络的d2d-noma通信系统资源分配方法 | |
CN106792893A (zh) | 基于最大接收功率的异构蜂窝网络接入方法 | |
CN107809795B (zh) | D2d异构无线通信网络中基于时间反演的抗干扰方法 | |
Cheng et al. | Deep reinforcement learning-based spectrum allocation and power management for IAB networks | |
CN116760448A (zh) | 一种基于mimo-noma的星地融合网络资源高效分配方法 | |
CN116347635A (zh) | 一种基于NOMA和多智能体强化学习的NB-IoT无线资源分配方法 | |
Wu et al. | On energy efficiency optimization in downlink MIMO-NOMA | |
CN111741520B (zh) | 一种基于粒子群的认知水声通信系统功率分配方法 | |
Yan et al. | QoE-based semantic-aware resource allocation for multi-task networks | |
Ding et al. | Efficient MIMO-NOMA clustering integrating joint beamforming and power allocation | |
Wu et al. | A novel low-complexity power allocation algorithm based on the NOMA system in a low-speed environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |