CN114051225B - 一种基于ris辅助d2d保密通信的资源分配方法及装置 - Google Patents

一种基于ris辅助d2d保密通信的资源分配方法及装置 Download PDF

Info

Publication number
CN114051225B
CN114051225B CN202111351256.3A CN202111351256A CN114051225B CN 114051225 B CN114051225 B CN 114051225B CN 202111351256 A CN202111351256 A CN 202111351256A CN 114051225 B CN114051225 B CN 114051225B
Authority
CN
China
Prior art keywords
ris
constraint
model
base station
phase shift
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
Application number
CN202111351256.3A
Other languages
English (en)
Other versions
CN114051225A (zh
Inventor
朱政宇
侯庚旺
孙钢灿
张淼
郝万明
牛和昊
王宁
刘沛佳
王忠勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Original Assignee
Zhengzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University filed Critical Zhengzhou University
Priority to CN202111351256.3A priority Critical patent/CN114051225B/zh
Publication of CN114051225A publication Critical patent/CN114051225A/zh
Application granted granted Critical
Publication of CN114051225B publication Critical patent/CN114051225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于RIS辅助D2D保密通信的资源分配方法及装置，包括：采用RIS辅助D2D通信，保证基站发射功率约束、D2D传输速率约束、RIS相移约束，得到CU最大保密传输速率模型；对发射波束和RIS联合设计，得到线性分式规划约束模型；构建并行CNN模型，通过对其训练，得到最佳模型，进而求得最大保密传输速率。本发明提出基于一种并行CNN的资源分配算法，相对于传统的无RIS保密传输方案和采用人工噪声方案，在保证D2D用户正常通信前提下显著提高了CU的保密速率。

Description

一种基于RIS辅助D2D保密通信的资源分配方法及装置
技术领域
本发明涉及通信技术领域，具体涉及一种基于RIS辅助D2D保密通信的资源分配方法及装置。
背景技术
随着物联网(IoT)业务的高速发展，数据流量需求显著增长，无线频谱资源紧缺的现象日益严重。3GPP正在不断推进新兴的无线通信技术，设备到设备(D2D)通信被认为是第五代无线通信(5G)中具有前景的技术之一。D2D技术不仅能提高频谱利用率和系统容量，还能降低信息传输时延和基站负载压力。此外，D2D已正式被列为应急通信领域的标准技术，针对应急通信中频谱短缺的问题，引入D2D技术能有效提高频谱利用率。
D2D技术可以实现D2D通信用户与蜂窝用户(CU)之间频谱资源共享。但同时也将增加系统干扰，将严重影响通信质量甚至无法正常通信。
另一方面，智能超表面(RIS)作为一种新的革命性技术，能实现频谱和能量的高效利用。RIS由大量的无源低成本反射单元构成，每个反射单元能够调整入射电磁波的相位和振幅，并对其进行反射。因此，可以利用RIS设计无源波束，即通过改变每个反射单元反射系数(包括相位和振幅)来增强所需信号并抑制干扰。RIS的典型架构包括一个智能控制器和三层结构(反射原件、铜背板和控制电路板)。与RIS相连的控制器可以智能调节反射系数，并与其他网络组件通信，以实现对无线传播环境的重新配置，从而在物理层的层面上提升D2D通信系统的抗干扰能力。
发明内容
针对现有技术中的缺陷，本发明提供一种基于RIS辅助D2D保密通信的资源分配方法及装置，能够在基站发射功率约束约束、RIS相移约束和D2D通信速率约束情况下，求得CU最大保密速率，从而安全有效传输信息。
第一方面，本发明提供一种基于RIS辅助D2D保密通信的资源分配方法，所述方法包括：
S1：采用RIS辅助D2D通信，保证基站发射功率约束、接收能量功率约束，得到最小发射功率模型；
S2：对发射波束和RIS相移进行联合设计，得到线性分式规划约束模型；
S3：构建并行CNN模型，用数据集对其进行训练，得到最优并行CNN模型，最终求得最佳资源分配方案；
优选地，所述步骤S1具体包括：
根据Saleh-Valenzula信道模型，得到CU、i-th D2D和Eavesdropper(Eve)的信号矢量分别为：
其中，为基站波束赋形向量；/>为第i个DT的发射功率；Θ为RIS的相移矩阵，满足/>主对角线θn＝(0,2π)表示组合入射信号第n(1≤n≤N)个元素的相移；s为基站的发射信号；/>为第i个DT的发射信号；n1，n2，n3均为加性高斯白噪声，且满足ni～CN(0,σ2),i＝1,2,3。
优选地，所述步骤S2具体包括：
在具有完备的信道信息状态情况下，对发射波束和RIS进行联合设计，得：
其中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2表示RIS恒模约束；C3表示每条D2D链路的传输速率约束；Rmin为D2D用户能正常通信的最小传输速率。
优选地，所述步骤S3具体包括：
首先采用卷积层对信道状态信息进行特征提取，然后通过全连接层选择最佳资源分配方案。具体地，首先构建有两个CNN组成的并行计算系统，设定每个CNN模型的具体参数。其次采用块坐标下降法得到数据样本，将样本以8:2比例分为训练集和验证集。最后利用训练集训练模型，并用验证集来验证并行CNN模型的效果。
第二方面，本发明提供了一种能量收集装置，所述方法包括：
建模模块，用于构建采用RIS辅助的D2D保密通信，保证基站发射功率约束、RIS相移约束和D2D传输速率约束，得到CU最大保密速率模型；
线性约束模块，用于对发射波束和RIS相移进行联合设计，得到线性分式规划约束模型；
并行CNN模块，用于构建卷积神经网络，采用数据集对其进行训练，得到最优并行CNN模型；
优选地，所述建模模块具体包括：
在Saleh-Valenzula信道模型中，得到CU、i-th D2D和Eve的信号矢量分别为：
令 根据香农定理，得到CU、i-th D2D和Eve的传输速率分别为：
则CU的保密速率为：
Rec＝[Rc-Re]+
其中，[·]+＝max{·,0}。
优选地，所述线性约束模块具体包括：
在具有完备的信道信息状态情况下，对发射波束和RIS相移进行联合设计，得：
其中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2表示RIS恒模约束；C3表示每条D2D链路的传输速率约束；Rmin为D2D用户能正常通信的最小传输速率。
优选地，所述并行CNN模块具体包括：
设计一种并行CNN计算模型，其中一个CNN模型求解波束赋形向量f，将其构建成回归问题。另一个CNN模型求解RIS中N个反射单元的相移θ，其为典型的分类问题。
具体地，每个模型均由两部分组成：(1)特征提取部分：这部分由三层卷积层构成，负责从信道信息状态中提取关键特征；(2)资源选择部分：这部分由两层全连接层构成，由提取的特征选择最佳资源配置方案。
然后对网络参数初始化，将信道信息输入并行CNN模型，通过前向传播计算得到输出。然后对输出结果进行运算得到损失函数，再利用反向传播更新网络参数。最后使模型输出的损失函数降到最低并趋于稳定，完成CNN模型的训练。
由上述技术方案可知，通过本发明提供的基于RIS辅助D2D保密通信的资源分配方法及装置，通过安全波束赋形和RIS相移进行联合设计，解决在基站发射功率有限下最大化CU保密通信的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是基于RIS辅助D2D保密通信系统结构示意图；
图2是本发明提供的基于RIS辅助D2D保密通信的资源分配方法的流程示意图；
图3是并行CNN模型图；
图4是单个CNN结构设计图；
图5是CU保密速率与RIS反射元素数量N的关系；
图6是CU保密速率与基站发射功率Pb与的关系；
图7是CU保密速率与D2D用户数量K的关系；
图8是本发明提供的一种资源分配装置。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。
S1：采用RIS辅助D2D通信，保证基站发射功率约束、接收能量功率约束，得到最小发射功率模型；
S2：对发射波束和RIS相移进行联合设计，得到线性分式规划约束模型；
S3：构建并行CNN模型，用数据集对其进行训练，得到最优并行CNN模型，最终求得资源分配方案；
如图1所示，本实施例所述的方法应用于RIS辅助D2D无线通信系统下行链路，基站配备M根天线，周围分布一个CU和K对D2D用户，每对D2D用户包含一个发射用户(DT)和一个接收用户(DR)。另外，在小区内部署了由大量内置可编程原件组成的RIS，通过反射定向波束至目标接收器。其中，RIS包含N个反射单元，假设每个反射单元的相移离散为2-bit，相移范围为[0,2π]。本实施例中，步骤S1具体过程如下：
在Saleh-Valenzula理论信道中，基站到RIS、CU、D2D接收端、Eve的信道增益分别为RIS到CU、DR、Eve的信道增益为DT到RIS、DR、CU、Eve的信道增益分别是
CU的接收信号为：
第i个DR的接收信号为：
Eve的接收信号为：
其中，为基站波束赋形向量；/>为第i个DT的发射功率；Θ为RIS的相移矩阵，满足/>主对角线θn＝(0,2π)表示组合入射信号第n(1≤n≤N)个元素的相移；s为基站的发射信号；/>为第i个DT的发射信号；n1，n2，n3均为加性高斯白噪声，且满足ni～CN(0,σ2),i＝1,2,3。
根据香农定理，CU的传输速率为：
第i个D2D用户的传输速率为：
Eve的窃听速率为：
则CU的保密速率为：
Rec＝[Rc-Re]+
其中，[·]+＝max{·,0}。
本实施例中，S2具体包括：
由于该问题是非凸问题，难以直接解决，在具有完善的信道信息状态，对发射波束和RIS相移进行联合设计，上述问题重写为：
其中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2表示RIS恒模约束；C3表示每条D2D链路的传输速率约束；Rmin为D2D用户能正常通信的最小传输速率。
在本实施例中，步骤S3具体包括：
设计了一种并行CNN计算模型，每个CNN具体结构如图3所示。其中一个CNN模型求解波束赋形向量f，将其构建成回归问题。另一个CNN模型求解RIS中N个反射单元的相移θ，其为典型的分类问题。
具体地，每个模型均由两部分组成：(1)特征提取部分：这部分由三层卷积层构成，负责从信道信息状态中提取关键特征；(2)资源选择部分：这部分由两层全连接层构成，由提取的特征选择最佳资源配置方案。
然后对网络参数初始化，其次将信道信息输入神经网络，通过网络前向传播计算得到输出。然后对输出结果进行运算得到损失函数，再利用反向传播更新网络参数。最后使模型输出的损失函数降到最低并趋于稳定，完成CNN模型的训练。
具体地，CNN每层参数如图4所示，第一卷积层卷积核数量为5，卷积核大小2*3，激活函数Relu；第二卷积层卷积核数量为7，卷积核大小2*2，激活函数为Relu；第三卷积层卷积核数量为5，卷积核大小2*2，激活函数为Relu；第一全连接层的神经元个数为256，激活函数Relu；第二全连接层的神经元个数为64，激活函数Relu。特别地，用于求解波束赋形向量的CNN网络是解决回归问题，因此输出层采用最小均方误差(MSE)作为损失函数；用于求解RIS相移则是分类问题，损失函数采用Softmax函数。
由此可见，本实施例提出的一种基RIS辅助D2D保密通信的资源分配方法，将发射波束和RIS相移进行联合设计，对于任何满足该模型的系统均适用。通过上述方法，在D2D通信系统中加入RIS，利用深度学习方法求解资源分配问题，大大降低了计算的复杂度并提升了模型的稳定性、准确性和可扩展性。
下面将给出本发明的能量采集方案与现有的其它方案的比较，以使本发明的优势及特征更加明显。
图5为保密速率与RIS反射元素数量N的关系，从图中可知，在PB＝25dB和K＝15时，本文所提方案优于其他三种基准方案，且随着RIS反射元素数量增加，CU保密速率呈单调递增趋势。当反射元素N＝30时，该方案的CU保密速率比块坐标下降法、随机相移和无RIS方案分别高出0.58bit/s、1.62bit/s和6.75bit/s。
图6为CU最大保密速率与基站发射功率PB的关系。K＝15和N＝40时，随着PB增加，CU保密速率呈递增趋势，且本文所提方案优于其他三种基准方案。对比分析可知，RIS辅助的系统保密速率明显优于非RIS方案，尤其是随着基站发射功率的增大，RIS方案与非RIS方案的差异愈加明显。
图7为CU保密速率与D2D用户数量K的关系，从图中可以看出，基站发射功率PB＝25dB和RIS反射元素N＝40时，随着D2D用户数量增加，CU保密速率逐渐下降，原因在于随着小区内D2D数量增加，D2D用户对CU用户的干扰也会愈加严重，但本文所提方案的CU保密速率仍然优于其它三种基准方案。
图8是本发明提供的一种能量收集装置的结构示意图，包括：
建模模块，用于构建采用RIS辅助D2D通信中，保证基站发射功率约束、RIS相移约束和D2D传输速率约束，得到最大CU保密速率模型；
线性约束模块，用于对发射波束和RIS相移进行联合设计，得到线性分式规划约束模型；
并行CNN模块，用于引入松弛变量，采用SCA方法对线性分式规划模型设计，得到凸优化模型；
本实例中，所述建模模块具体包括：
在Saleh-Valenzula信道中，得到CU、D2D、Eve的信号矢量：
根据香农定理，得到CU、D2D、Eve的传输速率：
则CU的保密速率为：
Rec＝[Rc-Re]+
其中，[·]+＝max{·,0}。
本实例中，所述线性约束模块具体包括：
在具有完备的信道信息状态情况下，对发射波束和RIS相移进行联合设计，得：
其中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2表示RIS恒模约束；C3表示每条D2D链路的传输速率约束；Rmin为D2D用户能正常通信的最小传输速率。
本实例中，所述并行CNN模块具体包括：
设计了一种并行CNN计算模型，每个CNN具体结构如图3所示。其中一个CNN模型求解波束赋形向量f，将其构建成回归问题。另一个CNN模型求解RIS中N个反射单元的相移θ，其为典型的分类问题。
然后对网络参数初始化，其次将信道信息输入神经网络，通过网络前向传播计算得到输出。然后对输出结果进行运算得到损失函数，再利用反向传播更新网络参数。最后使模型输出的损失函数降到最低并趋于稳定，完成CNN模型的训练。
以上所述，仅为本发明的具体实施方式，但是，本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替代，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (2)

1.一种基于RIS辅助D2D保密通信的资源分配方法，其特征在于，包括以下步骤：
S1：采用RIS辅助D2D在Saleh-Valenzula信道中进行保密通信，保证基站发射功率约束、RIS相移约束和D2D最低通信速率约束，得到CU最大保密速率模型；
S2：对发射波束和RIS相移进行联合设计，得到线性分式规划约束模型；
S3：构建并行CNN模型，用数据集对其进行训练，得到最优并行CNN模型，采用训练所得模型求得最佳资源分配方法；
所述步骤S1具体包括：
在Saleh-Valenzula信道下，根据基站发射功率约束、RIS相移约束、D2D传输速率约束，得到蜂窝用户最大保密传输模型：
Rec＝[Rc-Re]+
其中，[·]+＝max{·,0}，f为基站波束赋形功率，PDi为第i个DT用户的发射功率；
所述步骤S2中所述具体包括：
在Saleh-Valenzula信道信息已知状态下，对发射波束和RIS相移进行联合设计，得到：
s.t.C1:fHf≤Pmax
式中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2表示RIS恒模约束；C3表示每条D2D链路的传输速率约束；Rmin为D2D用户能正常通信的最小传输速率；
所述步骤S3中所述具体包括：
首先构建有两个CNN组成的并行计算系统，设定每个CNN模型的具体参数，其次采用块坐标下降法得到数据样本，将样本以8:2比例分为训练集和验证集，最后利用训练集训练模型，并用验证集来验证并行CNN模型的效果；
具体地，每个模型均由两部分组成：(1)特征提取部分：这部分由三层卷积层构成，负责从信道信息状态中提取关键特征；(2)资源选择部分：这部分由两层全连接层构成，由提取的特征选择最佳资源配置方案。
2.一种基于RIS辅助D2D保密通信的装置，其特征在于，包括：
建模模块：用于构建采用RIS辅助的D2D保密通信，在Saleh-Valenzula信道下，保证基站发射功率约束、RIS相移约束和D2D传输速率约束，得到CU最大保密速率模型；
线性约束模块：用于对发射波束和RIS相移联合设计，得到线性分式规划约束模型；
并行CNN模块：用于构建卷积神经网络，采用数据集对其进行训练，得到最优并行CNN模型；
所述建模模块具体包括：
根据系统参数，得到CU、i-th D2D、Eve的接收到的信号，保证基站发射功率、RIS相移和D2D传输速率约束，得到最大CU保密通信速率模型：
Rec＝[Rc-Re]+
其中，[·]+＝max{·,0}，f为基站波束赋形功率，PDi为第i个DT用户的发射功率；
所述线性约束模块具体包括：
在Saleh-Valenzula信道信息已知状态下，对发射波束和RIS相移进行联合设计，得到：
s.t.C1:fHf≤Pmax
式中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2表示RIS恒模约束；C3表示每条D2D链路的传输速率约束；Rmin为D2D用户能正常通信的最小传输速率；
所述并行CNN模块具体包括：
构建并行CNN模型，将数据集分为训练集和测试集两部分；随机初始模型中神经元权重，设置学习速率η，其中0<η<1、每批输入数据量Batch size及训练次数Epoch；训练并行CNN模型，输入数据，经过前向传播得到输出值，采用误差函数计算误差并使用Adam优化器优化网络中的参数；重复上述步骤，直至误差值小于阈值；最后利用验证集评估并行CNN模型的性能。
CN202111351256.3A 2021-11-16 2021-11-16 一种基于ris辅助d2d保密通信的资源分配方法及装置 Active CN114051225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111351256.3A CN114051225B (zh) 2021-11-16 2021-11-16 一种基于ris辅助d2d保密通信的资源分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111351256.3A CN114051225B (zh) 2021-11-16 2021-11-16 一种基于ris辅助d2d保密通信的资源分配方法及装置

Publications (2)

Publication Number Publication Date
CN114051225A CN114051225A (zh) 2022-02-15
CN114051225B true CN114051225B (zh) 2023-09-26

Family

ID=80209266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111351256.3A Active CN114051225B (zh) 2021-11-16 2021-11-16 一种基于ris辅助d2d保密通信的资源分配方法及装置

Country Status (1)

Country Link
CN (1) CN114051225B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114928838B (zh) * 2022-04-29 2024-05-28 重庆邮电大学 一种智能反射表面辅助的共生通信信息传输系统和方法
CN115278678B (zh) * 2022-07-21 2023-04-25 国家工业信息安全发展研究中心 一种安全传输通信系统
CN116471613B (zh) * 2023-04-28 2023-10-10 南京邮电大学 一种多用户mimo系统能效优化方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111447618A (zh) * 2020-03-13 2020-07-24 重庆邮电大学 一种基于安全通信的智能反射面能效最大资源分配方法
CN111698046A (zh) * 2020-06-11 2020-09-22 电子科技大学 基于可重构智能反射面的绿色通信方法
CN111726803A (zh) * 2020-06-06 2020-09-29 郑州大学 一种基于认知无线电的能量采集方法和装置
CN111954190A (zh) * 2020-08-20 2020-11-17 深圳恩步通信技术有限公司 基于智能反射面的d2d通信吞吐量最大化的方法及装置
KR20210071440A (ko) * 2019-12-06 2021-06-16 인하대학교 산학협력단 셀룰러 망과 공존하는 단말 대 단말 통신에서 전송속도 보장 제한 조건을 만족하는 효율적인 자원 할당 방법 및 장치
CN113271597A (zh) * 2021-04-15 2021-08-17 广东工业大学 可重构智能表面辅助非正交多址接入的安全通信优化方法
CN113596784A (zh) * 2021-07-24 2021-11-02 浙江以正通信技术有限公司 一种智能反射表面辅助d2d通信系统的鲁棒性传输设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355520B (zh) * 2020-03-10 2022-03-08 电子科技大学 一种智能反射表面辅助的太赫兹安全通信系统设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210071440A (ko) * 2019-12-06 2021-06-16 인하대학교 산학협력단 셀룰러 망과 공존하는 단말 대 단말 통신에서 전송속도 보장 제한 조건을 만족하는 효율적인 자원 할당 방법 및 장치
CN111447618A (zh) * 2020-03-13 2020-07-24 重庆邮电大学 一种基于安全通信的智能反射面能效最大资源分配方法
CN111726803A (zh) * 2020-06-06 2020-09-29 郑州大学 一种基于认知无线电的能量采集方法和装置
CN111698046A (zh) * 2020-06-11 2020-09-22 电子科技大学 基于可重构智能反射面的绿色通信方法
CN111954190A (zh) * 2020-08-20 2020-11-17 深圳恩步通信技术有限公司 基于智能反射面的d2d通信吞吐量最大化的方法及装置
CN113271597A (zh) * 2021-04-15 2021-08-17 广东工业大学 可重构智能表面辅助非正交多址接入的安全通信优化方法
CN113596784A (zh) * 2021-07-24 2021-11-02 浙江以正通信技术有限公司 一种智能反射表面辅助d2d通信系统的鲁棒性传输设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于双层蜂窝网络协作的物理层安全通信方法;郭飞;彭华;金梁;;信息工程大学学报(第06期);全文 *

Also Published As

Publication number Publication date
CN114051225A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN114051225B (zh) 一种基于ris辅助d2d保密通信的资源分配方法及装置
Maksymyuk et al. Deep learning based massive MIMO beamforming for 5G mobile network
Hu et al. Joint deep reinforcement learning and unfolding: Beam selection and precoding for mmWave multiuser MIMO with lens arrays
Rajapaksha et al. Deep learning-based power control for cell-free massive MIMO networks
CN113810908B (zh) Mec系统安全卸载方法、设备及mec系统
Jin et al. Multiple residual dense networks for reconfigurable intelligent surfaces cascaded channel estimation
CN102868432B (zh) 一种双阶段神经网络下的盲波束形成装置及其形成方法
CN113949427B (zh) 一种多用户无线网络安全能效优化设计方法和系统
CN113315560A (zh) 一种紧凑型平面阵列Massive MIMO系统的波束赋形方法
EP4211824B1 (en) Wireless telecommunications network
Sengly et al. Joint optimization of spectral efficiency and energy harvesting in D2D networks using deep neural network
CN112770398A (zh) 一种基于卷积神经网络的远端射频端功率控制方法
Zhang et al. Hybrid precoding design based on dual-layer deep-unfolding neural network
CN110191476B (zh) 一种基于可重构天线阵列的非正交多址接入方法
CN109039402B (zh) 基于用户压缩的mimo拓扑干扰对齐方法
CN116321236A (zh) Ris辅助的安全无蜂窝大规模mimo系统能效优化方法
CN114157392A (zh) 一种分布式irs辅助通信系统安全传输的优化方法
CN105391511A (zh) 消除异构网络层间干扰的方法及装置
Wang et al. Throughput optimization in heterogeneous MIMO networks: a GNN-based approach
Rahman et al. Deep Learning Based One Bit-ADCs Efficient Channel Estimation Using Fewer Pilots Overhead for Massive MIMO System
CN114499602B (zh) Ris辅助mimo-noma通信系统中的发送预编码和相移矩阵设计方法
Chen et al. A Light-weight Learning Framework for RIS-assisted Beamforming Design with Mobile Edge Computing
Li et al. Min-Max Latency Optimization for Intelligent Reflecting Surface-Assisted Mobile Edge Computing
CN115102589B (zh) 太赫兹大规模mimo系统的深度学习混合预编码方法
WO2024065476A1 (zh) 一种无线策略的优化方法及装置

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