CN114143790A - 大规模天线Cell-free IRS物理层安全方法 - Google Patents

大规模天线Cell-free IRS物理层安全方法 Download PDF

Info

Publication number
CN114143790A
CN114143790A CN202111442337.4A CN202111442337A CN114143790A CN 114143790 A CN114143790 A CN 114143790A CN 202111442337 A CN202111442337 A CN 202111442337A CN 114143790 A CN114143790 A CN 114143790A
Authority
CN
China
Prior art keywords
irs
beam forming
user
vector
optimal
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.)
Granted
Application number
CN202111442337.4A
Other languages
English (en)
Other versions
CN114143790B (zh
Inventor
冉静学
刘依依
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.)
Minzu University of China
Original Assignee
Minzu University of China
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 Minzu University of China filed Critical Minzu University of China
Priority to CN202111442337.4A priority Critical patent/CN114143790B/zh
Publication of CN114143790A publication Critical patent/CN114143790A/zh
Application granted granted Critical
Publication of CN114143790B publication Critical patent/CN114143790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/04013—Intelligent reflective surfaces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/80—Arrangements enabling lawful interception [LI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Technology Law (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种大规模天线Cell‑free IRS物理层安全方法。通过深度学习估计信道参数，该方法首次考虑了大规模无小区通信中利用IRS的安全和速率最大化问题，在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案，包括在基站上的数字波束形成和基于IRS的模拟波束形成。在此基础上，设计了IRS数量和IRS大小优化方法。

Description

大规模天线Cell-free IRS物理层安全方法
技术领域
本发明属于无线通信领域，尤其涉及大规模天线Cell-free IRS物理层安全方法。
背景技术
无小区的大规模多输入多输出网络通过部署大量分散的基站来进行分布式部署，与经典的以小区为中心的设计原则不同，无小区网络利用了以用户为中心的传输设计，即网络中的所接入点AP共同服务于所有用户，所有的接入点都连接到一个中央处理器(Central Processing Unit,CPU)，没有小区边界。无小区大规模多输入多输出网络(Cell-Free Massive Multiple Input Multiple Output,CF-mMIMO)中的用户很接近AP。比常规的MIMO有更简单的功率控制、更高的光谱效率和更高的能源效率。CF-mMIMO每个用户接收到来自不同的接入点的信号，因此这种分布式系统可以为覆盖范围内的所有用户提供良好的服务质量。为了进一步提高网络容量，部署更多的分布式接入点会给部署无小区网络带来高成本和功耗。将CF-mMIMO与可重构智能反射表面(Intelligent ReconfigurableSurface,IRS)结合能够提供一种节能的替代方案来提高网络容量。
安全性是无线网络中的一个重要方面。IRS能够通过加强合法信道、抑制窃听信道，从而有利于提高安全性。因此，针对无线通信需要设计其物理层安全，以适应安全传输速率的要求。
发明内容
为了提高无线通信的安全和速率和覆盖范围，本发明公开了一种深度学习信道估计以及混合波束形成方案。
本发明实施例提供了如下技术方案：
一种大规模天线Cell-free IRS物理层安全方法，所述方法包括：
大规模天线无小区(Cell-free,CF)可重构智能反射表面(IntelligentReconfigurable Surface,IRS)物理层安全通信传输基于基站的数字波束形成算法和IRS的模拟波束形成算法，其特征在于，包括下步骤：
步骤A，提出一种深度学习的信道估计算法，利用卷积网络,通过接收信号估计原始信道增益；
步骤B，建立接入点到用户和窃听者的直接/间接链路的信道模型。在其噪声方面服从标准复高斯噪声；
步骤C，提出了一种基于交替迭代的算法，求解最优基站主动波束形成向量；
步骤D，根据已经给定的基站波束形成向量，得到最优IRS波束形成向量；
步骤E，得到最优的IRS数量和每个IRS的大小；
其中，步骤A具体包括：
A1，建立基于下行链路(Down Link,DL)的信道估计器，采用具有L层的完全连接的前馈深度神经网络，包括一个输入层，L-2隐藏层和一个输出层。输出估计值
Figure BDA0003383812020000021
x(.)为输入，v为索引，θl为第l层网络参数，gl(.)为第l层输出。
A2，预训练阶段，通过离线训练使损失函数
Figure BDA0003383812020000022
最小化，获得最佳θ。其中Ly是向量y(v)的长度，V为样本大小。采用一种随机优化方法(A Methodfor Stochastic Optimization,ADAM)自适应矩估计作为提出的深度神经网络(DeepNeural Network,DNN)的优化算法。
A3，训练阶段，收集发送的信号x，接收信号y和估计信号
Figure BDA0003383812020000023
作为DNN的原始输入数据向量。加载θ作为DNN的初始参数，然后通过ADAM算法最小化Loss(θ)，直到DNN收敛为止。训练阶段之后的DNN参数为θ(t)。
A4，测试阶段加载训练后的参数θ(t)，然后将输入数据通过训练后的DNN并获得估计的通道。在基于DL的估计信道的基础上，使用迫零波束成形检测器获得信道的估计值。
其中，步骤B具体包括：
B1，计算用户k的可实现速率表达式
Figure BDA0003383812020000031
计算窃听者解码用户k信息的可实现速率表达式
Figure BDA0003383812020000032
w为预编码，σ2为高斯噪声，B为基站数量，
Figure BDA0003383812020000033
为等效信道向量；
Figure BDA0003383812020000034
Gb、
Figure BDA0003383812020000035
分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；
Figure BDA0003383812020000036
βm为幅值，θ为IRS的反射角度，N为反射元数量。
B2，计算用户的安全容量Ck＝Rk-Re,k，系统的安全和速率
Figure BDA0003383812020000037
B3，在发射端的传输功率约束、IRS的角度约束，以及用户服务质量的约束下，最大化系统的安全和速率。
其中，步骤C具体包括：
C1，根据功率约束，初始化波束形成向量w。
C2，基于给定的w，利用
Figure BDA0003383812020000038
求出中间变量tk。将tk代入原优化问题得到新的凸问题，利用凸优化求解器(如CVX)求解，交替迭代和tk可得近似解。
其中，步骤D具体包括：
D1，在给定最优主动波束形成w的情况下,初始化反射系数向量和迭代次数l＝0。
D2，利用凸优化器求解角度Φ，利用
Figure BDA0003383812020000041
求解最优整数解。
D3，交替迭代，直至误差小于预设值或迭代次数达到预设上限。
其中，步骤E具体包括：
E1,根据AP和IRS处的波束形成向量，考虑IRS元件总数为M，计算每个IRS最佳的元件数
Figure BDA0003383812020000042
w为预编码，σ2为高斯噪声，
Figure BDA0003383812020000043
Gb、
Figure BDA0003383812020000044
分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；
Figure BDA0003383812020000045
βm为幅值，θ为IRS的反射角度，N为反射元数量。
E2，得到IRS个数为
Figure BDA0003383812020000046
与现有技术相比，上述技术方案具有以下优点：
本发明利用深度学习估计信道参数，该方法首次考虑了大规模无小区通信中利用IRS的安全和速率最大化问题，在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案，包括在基站上的数字波束形成和基于IRS的模拟波束形成。在此基础上，设计了IRS数量和IRS大小优化方法。基站上的数字波束形成和基于IRS的模拟波束形成以及IRS数量和大小的不同设计权衡提供了新的思路。
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，下面将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为本发明一个实施例所提供的大规模天线Cell-free IRS物理层安全方法的流程示意图。
具体实施方式
正如背景技术部分所述，如何进行无小区大规模接入设备通过无线通信传输控制信息，提高区域内用户安全和速率，实现数据的安全传输为本领域人员亟待解决的问题。
本发明的核心思想在于，无小区网络能服务于覆盖范围内的所有用户，以用户为中心进行传输设计，没有小区边界，能够有效进行信息的传输，将CF-mMIMO与IRS结合能够改变信号传输路径，有利于用户而抑制窃听者，可以进一步提高物理层安全性。从而可以更好地部署未来物联网，提升设备终端的通信安全质量。本发明是在物联网大规模接入条件下控制传输的背景下，提出了大规模天线Cell-free IRS物理层安全方法。
参见图1，本发明实施例提供大规模天线Cell-free IRS物理层安全方法，所述方法包括：
大规模天线无小区(Cell-free,CF)可重构智能反射表面(IntelligentReconfigurable Surface,IRS)物理层安全通信传输基于基站的数字波束形成算法和IRS的模拟波束形成算法，其特征在于，包括下步骤：
步骤A，提出一种深度学习的信道估计算法，利用卷积网络,通过接收信号估计原始信道增益；
步骤B，建立接入点到用户和窃听者的直接/间接链路的信道模型。在其噪声方面服从标准复高斯噪声；
步骤C，提出了一种基于交替迭代的算法，求解最优基站主动波束形成向量；
步骤D，根据已经给定的基站波束形成向量，得到最优IRS波束形成向量；
步骤E，得到最优的IRS数量和每个IRS的大小；
其中，步骤A具体包括：
A1，建立基于下行链路(Down Link,DL)的信道估计器，采用具有L层的完全连接的前馈深度神经网络，包括一个输入层，L-2隐藏层和一个输出层。输出估计值
Figure BDA0003383812020000061
x(.)为输入，v为索引，θl为第l层网络参数，gl(.)为第l层输出。
A2，预训练阶段，通过离线训练使损失函数
Figure BDA0003383812020000062
最小化，获得最佳θ。其中Ly是向量y(v)的长度，V为样本大小。采用一种随机优化方法(A Method forStochastic Optimization,ADAM)自适应矩估计作为提出的深度神经网络(Deep NeuralNetwork,DNN)的优化算法。
A3，训练阶段，收集发送的信号x，接收信号y和估计信号
Figure BDA0003383812020000063
作为DNN的原始输入数据向量。加载θ作为DNN的初始参数，然后通过ADAM算法最小化Loss(θ)，直到DNN收敛为止。训练阶段之后的DNN参数为θ(t)。
A4，测试阶段加载训练后的参数θ(t)，然后将输入数据通过训练后的DNN并获得估计的通道。在基于DL的估计信道的基础上，使用迫零波束成形检测器获得信道的估计值。
其中，步骤B具体包括：
B1，计算用户k的可实现速率表达式
Figure BDA0003383812020000064
计算窃听者解码用户k信息的可实现速率表达式
Figure BDA0003383812020000065
w为预编码，σ2为高斯噪声，B为基站数量，
Figure BDA0003383812020000066
为等效信道向量；
Figure BDA0003383812020000067
Gb、
Figure BDA0003383812020000068
分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；
Figure BDA0003383812020000069
βm为幅值，θ为IRS的反射角度，N为反射元数量。
B2，计算用户的安全容量Ck＝Rk-Re,k，系统的安全和速率
Figure BDA0003383812020000071
B3，在发射端的传输功率约束、IRS的角度约束，以及用户服务质量的约束下，最大化系统的安全和速率。
其中，步骤C具体包括：
C1，根据功率约束，初始化波束形成向量w。
C2，基于给定的w，利用
Figure BDA0003383812020000072
求出中间变量tk。将tk代入原优化问题得到新的凸问题，利用凸优化求解器(如CVX)求解，交替迭代和tk可得近似解。
其中，步骤D具体包括：
D1，在给定最优主动波束形成w的情况下,初始化反射系数向量和迭代次数l＝0。
D2，利用凸优化器求解角度Φ，利用
Figure BDA0003383812020000073
求解最优整数解。
D3，交替迭代，直至误差小于预设值或迭代次数达到预设上限。
其中，步骤E具体包括：
E1,根据AP和IRS处的波束形成向量，考虑IRS元件总数为M，计算每个IRS最佳的元件数
Figure BDA0003383812020000074
w为预编码，σ2为高斯噪声，
Figure BDA0003383812020000075
Gb、
Figure BDA0003383812020000076
分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；
Figure BDA0003383812020000077
βm为幅值，θ为IRS的反射角度，N为反射元数量。
E2，得到IRS个数为
Figure BDA0003383812020000078
与现有技术相比，上述技术方案具有以下优点：
本发明利用深度学习估计信道参数，该方法首次考虑了大规模无小区通信中利用IRS的安全和速率最大化问题，在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案，包括在基站上的数字波束形成和基于IRS的模拟波束形成。在此基础上，设计了IRS数量和IRS大小优化方法。基站上的数字波束形成和基于IRS的模拟波束形成以及IRS数量和大小的不同设计权衡提供了新的思路。
本发明公开了一种大规模天线Cell-free IRS物理层安全方法。该方法首次考虑了大规模无小区通信中利用IRS的安全和速率最大化，分析了在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案。
本发明利用深度学习估计信道参数。利用了交替迭代和凸优化方法，分析了发射端和IRS波束形成对系统安全和速率的影响，给出能够快速的确定波束形成和IRS数量与大小分配的方法。
本说明书中各个部分采用递进的方式描述，每个部分重点说明的都是与其他部分的不同之处，各个部分之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.大规模天线Cell-free IRS物理层安全方法，其特征在于，大规模天线无小区(Cell-free,CF)可重构智能反射表面(Intelligent Reconfigurable Surface,IRS)物理层安全通信传输基于基站的数字波束形成算法和IRS的模拟波束形成算法，包括下步骤：
步骤A，提出一种深度学习的信道估计算法，利用卷积网络,通过接收信号估计原始信道增益；
步骤B，建立接入点到用户和窃听者的直接/间接链路的信道模型，在其噪声方面服从标准复高斯噪声；
步骤C，提出了一种基于交替迭代的算法，求解最优基站主动波束形成向量；
步骤D，根据已经给定的基站波束形成向量，得到最优IRS波束形成向量；
步骤E，得到最优的IRS数量和每个IRS的大小。
2.根据权利要求1所述的方法，其特征在于，步骤A具体包括：
A1，建立基于下行链路(Down Link,DL)的信道估计器，采用具有L层的完全连接的前馈深度神经网络，包括一个输入层，L-2隐藏层和一个输出层。输出估计值
Figure FDA0003383812010000011
x(.)为输入，v为索引，θl为第l层网络参数，gl(.)为第l层输出；
A2，预训练阶段，通过离线训练使损失函数
Figure FDA0003383812010000012
最小化，获得最佳θ，其中Ly是向量y(v)的长度，V为样本大小，采用一种随机优化方法(A Method forStochastic Optimization,ADAM)自适应矩估计作为提出的深度神经网络(Deep NeuralNetwork,DNN)的优化算法；
A3，训练阶段，收集发送的信号x，接收信号y和估计信号
Figure FDA0003383812010000013
作为DNN的原始输入数据向量，加载θ作为DNN的初始参数，然后通过ADAM算法最小化Loss(θ)，直到DNN收敛为止。训练阶段之后的DNN参数为θ(t)；
A4，测试阶段加载训练后的参数θ(t)，然后将输入数据通过训练后的DNN并获得估计的通道。在基于DL的估计信道的基础上，使用迫零波束成形检测器获得信道的估计值。
3.根据权利要求1所述的方法，其特征在于，步骤B具体包括：
B1，计算用户k的可实现速率表达式
Figure FDA0003383812010000021
计算窃听者解码用户k信息的可实现速率表达式
Figure FDA0003383812010000022
w为预编码，σ2为高斯噪声，B为基站数量，
Figure FDA0003383812010000023
为等效信道向量；
Figure FDA0003383812010000024
Gb、
Figure FDA0003383812010000025
分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；
Figure FDA0003383812010000026
βm为幅值，θ为IRS的反射角度，N为反射元数量；
B2，计算用户的安全容量Ck＝Rk-Re,k，系统的安全和速率
Figure FDA0003383812010000027
B3，在发射端的传输功率约束、IRS的角度约束，以及用户服务质量的约束下，最大化系统的安全和速率。
4.根据权利要求1所述的方法，其特征在于，步骤C具体包括：
C1，根据功率约束，初始化波束形成向量w；
C2，基于给定的w，利用
Figure FDA0003383812010000028
求出中间变量tk，将tk代入原优化问题得到新的凸问题，利用凸优化求解器(如CVX)求解，交替迭代和tk可得近似解。
5.根据权利要求1所述的方法，其特征在于，步骤D具体包括：
D1，在给定最优主动波束形成w的情况下,初始化反射系数向量和迭代次数l＝0；
D2，利用凸优化器求解角度Φ，利用
Figure FDA0003383812010000031
求解最优整数解；
D3，交替迭代，直至误差小于预设值或迭代次数达到预设上限。
6.根据权利要求1所述的方法，其特征在于，步骤E具体包括：
E1,根据AP和IRS处的波束形成向量，考虑IRS元件总数为M，计算每个IRS最佳的元件数
Figure FDA0003383812010000032
w为预编码，σ2为高斯噪声，
Figure FDA0003383812010000033
Gb、
Figure FDA0003383812010000034
分别表示从第b个BS到用户k、从第b个BS到IRS、从IRS到用户k的信道；
Figure FDA0003383812010000035
βm为幅值，θ为IRS的反射角度，N为反射元数量；
E2，得到IRS个数为
Figure FDA0003383812010000036
CN202111442337.4A 2021-11-30 2021-11-30 大规模天线Cell-free IRS物理层安全方法 Active CN114143790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111442337.4A CN114143790B (zh) 2021-11-30 2021-11-30 大规模天线Cell-free IRS物理层安全方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111442337.4A CN114143790B (zh) 2021-11-30 2021-11-30 大规模天线Cell-free IRS物理层安全方法

Publications (2)

Publication Number Publication Date
CN114143790A true CN114143790A (zh) 2022-03-04
CN114143790B CN114143790B (zh) 2024-04-26

Family

ID=80389739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111442337.4A Active CN114143790B (zh) 2021-11-30 2021-11-30 大规模天线Cell-free IRS物理层安全方法

Country Status (1)

Country Link
CN (1) CN114143790B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114826833A (zh) * 2022-03-11 2022-07-29 国网福建省电力有限公司经济技术研究院 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170013024A1 (en) * 2015-07-07 2017-01-12 T-Mobile Usa, Inc. Message Delivery Based on Subsets of Network Identities
US20180309585A1 (en) * 2015-10-21 2018-10-25 Globetouch, Inc. Communication exchange for local data services
CN112235026A (zh) * 2020-11-06 2021-01-15 郑州大学 一种mimo-ofdma太赫兹通信系统的混合波束设计方法
CN113612508A (zh) * 2021-08-09 2021-11-05 郑州海威光电科技有限公司 基于机器学习的irs辅助毫米波通信波束成形设计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170013024A1 (en) * 2015-07-07 2017-01-12 T-Mobile Usa, Inc. Message Delivery Based on Subsets of Network Identities
US20180309585A1 (en) * 2015-10-21 2018-10-25 Globetouch, Inc. Communication exchange for local data services
CN112235026A (zh) * 2020-11-06 2021-01-15 郑州大学 一种mimo-ofdma太赫兹通信系统的混合波束设计方法
CN113612508A (zh) * 2021-08-09 2021-11-05 郑州海威光电科技有限公司 基于机器学习的irs辅助毫米波通信波束成形设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王兆瑞;刘亮;李航;崔曙光;: "面向6G物联网的智能反射表面设计", 物联网学报, no. 02 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114826833A (zh) * 2022-03-11 2022-07-29 国网福建省电力有限公司经济技术研究院 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端
CN114826833B (zh) * 2022-03-11 2024-01-26 国网福建省电力有限公司经济技术研究院 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端

Also Published As

Publication number Publication date
CN114143790B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN111371482B (zh) 基于波束聚合的下行广播链路的毫米波mimo-noma方法
CN109547076B (zh) 一种毫米波大规模mimo系统中的混合预编码方法
CN107241799B (zh) 异构网络中能量有效的资源分配和干扰对齐联合方法
Hunter et al. Transmission capacity of multi-antenna ad hoc networks with CSMA
Zhang et al. SCA power optimization in cell-free massive MIMO with short-term power constraints
Gao et al. Resource allocation in IRSs aided MISO-NOMA networks: A machine learning approach
EP4211824B1 (en) Wireless telecommunications network
CN114143790B (zh) 大规模天线Cell-free IRS物理层安全方法
Zhang et al. User-centric cell-free massive MIMO system for indoor industrial networks
Hou et al. Joint IRS selection and passive beamforming in multiple IRS-UAV-enhanced anti-jamming D2D communication networks
CN114143150A (zh) 一种用户公平性通信传输方法
Amiriara et al. IRS-user association in IRS-aided MISO wireless networks: Convex optimization and machine learning approaches
Zhu et al. Joint user association and beamforming multi-objective optimization for distributed mmwave networks
Rahmani et al. Deep reinforcement learning-based sum rate fairness trade-off for cell-free mMIMO
Salaün et al. A GNN approach for cell-free massive MIMO
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
Chen et al. iPAS: A deep Monte Carlo Tree Search-based intelligent pilot-power allocation scheme for massive MIMO system
Lan et al. A new framework of RIS-aided user-centric cell-free massive MIMO system for IoT networks
Ni et al. User association and hybrid beamforming designs for cooperative mmWave MIMO systems
Al-Dujaili et al. Enhancement of the Fifth Generation of Wireless Communication by Using a Search Optimization Algorithm.
Wang et al. Dynamic clustering and resource allocation using deep reinforcement learning for smart-duplex networks
CN116056210A (zh) 一种面向容量覆盖的irs辅助超密集网络资源分配方法
Wang et al. Learning-Based Intelligent Reflecting Surface-Aided Cell-Free Massive MIMO Systems
Banerjee et al. Access point clustering in cell-free massive MIMO using multi-agent reinforcement learning
Raghunath et al. Energy-Efficient Power Allocation in Cell-Free Massive MIMO via Graph Neural Networks

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