CN117061036B - 无人机辅助noma反向散射通信系统最小安全速率最大化方法 - Google Patents
无人机辅助noma反向散射通信系统最小安全速率最大化方法 Download PDFInfo
- Publication number
- CN117061036B CN117061036B CN202310996705.2A CN202310996705A CN117061036B CN 117061036 B CN117061036 B CN 117061036B CN 202310996705 A CN202310996705 A CN 202310996705A CN 117061036 B CN117061036 B CN 117061036B
- Authority
- CN
- China
- Prior art keywords
- constraint
- aerial vehicle
- unmanned aerial
- variable
- reflection coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004891 communication Methods 0.000 title claims abstract description 46
- 206010042135 Stomatitis necrotising Diseases 0.000 title claims abstract description 30
- 201000008585 noma Diseases 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims description 27
- 230000009977 dual effect Effects 0.000 claims description 11
- 230000009191 jumping Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011480 coordinate descent method Methods 0.000 abstract 1
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000012733 comparative method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明请求保护一种无人机辅助的非正交多址技术NOMA反向散射通信系统最小安全速率最大化方法，该方法考虑反向散射器BD之间公平性和窃听者瞬时信道状态信息CSI难以获取的条件下，在满足无人机的发射功率、串行干扰消除SIC解码顺序以及BD的反射系数、能量收集EH和安全中断概率约束下，实现无人机辅助的NOMA反向散射通信系统的最小安全速率最大化。本发明首先通过引用辅助变量处理安全中断概率约束，然后采用块坐标下降法、变量替换、惩罚函数、放缩和连续凸逼近SCA等方法获得最优解。本发明同时考虑了BD之间的公平性和实际的窃听场景，具有较好的实用性和可行性。
Description
技术领域
本发明属于无人机辅助的NOMA反向散射通信系统资源分配技术领域。具体地，涉及无人机辅助的NOMA反向散射通信系统最小安全速率最大化方法。
背景技术
从6G“万物互联，智慧孪生”的愿景来看，大量设备将会接入通信网络，物与物之间的通信将成为研究热点。在传统的物联网中，无线设备的能量会受其电池容量的限制，定期更换传感器的电池或对其进行充电会增加成本。因此，拥有低成本、低功耗和低复杂度的反向散射通信技术在物联网中有着广阔的发展前景。然而，由于两道衰减，反向散射接收器(Backscatter Receiver，BR)接收到的信号很弱，并且环境能量中可利用的部分有限，因此反向散射通信范围有限。最近几年，无人机由于具有高机动性、可灵活部署且与地面用户有良好的视距等特点，成了科研人员的聚焦对象，将无人机引入到反向散射通信系统可以增大通信距离。在无人机辅助的反向散射通信系统的资源分配研究中，BD与BR之间的通信协议大多是时分多址(Time Division Multiple Access，TDMA)。然而，随着6G与物联网的快速发展，TDMA在大规模万物互联的场景下频谱效率太低，因此引入能够容纳更多用户且有更高的频谱效率和能量效率的NOMA技术是很有必要的。与其他无线系统类似，反向散射通信系统容易受到潜在的窃听攻击，因此物理层安全也是反向散射通信系统该考虑的一个关键问题。
目前，在无人机辅助的反向散射通信系统资源分配方法中，HU J等人在《IEEEWireless Communications Letters,2020,9(12):2168-2172.》上发表了题为“Jointtrajectory and scheduling design for UAV aided secure backscattercommunications”的文章，研究了以无人机的轨迹、BD的调度及其反射系数为优化变量的上行链路公平安全速率最大化问题；BAI L等人在《IEEE Journal on Selected Areas inCommunications,2022,40(10):2946-2961.》上发表了题为“UAV-enabled securemultiuser backscatter communications with planar array”的文章，研究了使用模拟波束形成和随机连续波技术且无人机辅助的多用户反向散射通信系统的安全速率最大化问题。
由上述研究成果可知，目前大多数学者研究了在无人机辅助的NOMA反向散射通信系统中基于安全速率最大化的资源分配中，BD与BR之间的通信协议大多是TDMA，使用NOMA协议的较少，且只考虑窃听者的信道为理想CSI的通信环境中，而在实际窃听场景下，窃听者通常在窃听时保持沉默，很难获取窃听信道的瞬时CSI。所以，本发明考虑了BD之间公平性和窃听者的瞬时CSI难以获取的条件下，研究无人机辅助的NOMA反向散射通信系统的最小安全速率最大化方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种无人机辅助NOMA反向散射通信系统最小安全速率最大化方法。本发明的技术方案如下：
一种无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其包括以下步骤：
101、建立无人机辅助的NOMA反向散射通信系统的最小安全速率最大化模型，并采用安全中断概率作为安全度量，利用辅助变量处理安全中断概率约束；
102、初始化目标问题的相关参数，包括内层迭代次数、外层迭代次数、外层最大迭代次数、惩罚参数、无人机发射功率p、BD的反射系数R、变量T、变量θ、无人机位置q、SIC解码顺序A、容差因子及对偶变量；
103、根据给定的无人机位置、SIC解码顺序、BD的反射系数及变量T，求解出无人机发射功率，并将其更新；
104、根据给定的无人机发射功率、无人机位置、SIC解码顺序及变量T，求解出BD的反射系数，并将其更新；
105、根据给定的无人机发射功率、BD的反射系数、无人机位置及SIC解码顺序，求解出变量T，并将其更新；
106、根据给定的无人机发射功率、BD的反射系数，求解出无人机位置、SIC解码顺序，并将其更新；
107、最小安全速率更新收敛判断：若两次的安全速率差值的绝对值不大于容差因子则执行步骤108；若两次的安全速率差值的绝对值大于容差因子则将此时的安全速率保存，并跳转到步骤103，直到安全速率满足条件；
108、惩罚参数收敛判断：使用内循环输出的q和θ计算若惩罚函数不大于容差因子且||y||∞不大于容差因子则更新外层迭代次数和对偶变量；否则，更新惩罚参数，并跳转到步骤103；
109、将外层迭代次数与外层最大迭代次数进行对比，若大于外层最大迭代次数，则算法结束；否则，跳转到步骤103，直到满足条件为止。
本发明的优点及有益效果如下：
本发明在满足无人机的发射功率、SIC解码顺序以及BD的反射系数、EH和安全中断概率约束下，以最大化BD之间的最小安全速率为目标。由于所提出的优化问题是非凸的，难以直接求解，因此本发明提出了基于块坐标下降和SCA等方法的内外两层迭代算法进行求解。其创新在于，在步骤101中，同时考虑BD之间公平性和窃听者的瞬时CSI难以获取的条件下，建立了无人机辅助NOMA反向散射通信系统的最小安全速率最大化模型，并利用辅助变量处理安全中断概率约束。在步骤106中，由于优化子问题是非凸的，直接求解比较困难，因此为了便于计算，采用了惩罚函数和SCA等方法将非凸优化子问题转换为凸优化子问题。本发明所提供的方法与其他方案相比具有计算复杂度低的优点，实用性和可行性更强。
附图说明
图1是本发明提供优选实施例无人机辅助的NOMA反向散射通信系统的系统模型；
图2为本发明的系统最小安全速率的迭代收敛图；
图3为本发明与对比方法，在不同的无人机最大发射功率下，系统的最小安全速率；
图4为本发明与对比方法，在不同的无人机高度下，系统的最小安全速率；
图5为本发明与对比方法，在不同的BD数目下，系统的最小安全速率；
图6为本发明提供优选实施例无人机辅助的NOMA反向散射通信系统的最小安全速率最大化方法流程示意图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
图6公开一种无人机辅助的NOMA反向散射通信系统的最小安全速率最大化方法。其包括以下步骤：
第一步：在考虑BD之间公平性和窃听者的瞬时CSI难以获取的条件下，建立无人机辅助的NOMA反向散射通信系统的最小安全速率最大化模型，并采用安全中断概率作为安全度量，利用辅助变量处理安全中断概率约束；
第二步：初始化目标问题的相关参数，内层迭代次数，外层迭代次数，外层最大迭代次数，惩罚参数，无人机发射功率p，BD的反射系数R，变量T，变量θ，无人机位置q，SIC解码顺序A，容差因子，对偶变量；
第三步：根据给定的无人机位置，SIC解码顺序，BD的反射系数，变量T，求解出无人机发射功率，并将其更新；
第四步：根据给定的无人机发射功率，无人机位置，SIC解码顺序，变量T，求解出BD的反射系数，并将其更新；
第五步：根据给定的无人机发射功率，BD的反射系数，无人机位置，SIC解码顺序，求解出变量T，并将其更新；
第六步：根据给定的无人机发射功率，BD的反射系数，求解出无人机位置，SIC解码顺序，并将其更新；
第七步：最小安全速率更新收敛判断：若两次的安全速率差值的绝对值不大于容差因子则执行步骤108；若两次的安全速率差值的绝对值大于容差因子则将此时的安全速率保存，并跳转到步骤103，直到安全速率满足条件。
第八步：惩罚参数收敛判断：使用内循环输出的q和θ计算若惩罚函数不大于容差因子且||y||∞不大于容差因子则更新外层迭代次数和对偶变量；否则，更新惩罚参数，并跳转到步骤103。
第九步：将外层迭代次数与外层最大迭代次数进行对比，若大于外层最大迭代次数，则算法结束；否则，跳转到步骤103，直到满足条件为止。
进一步的，所述第一步中，在考虑BD之间公平性和窃听者的瞬时CSI难以获取的条件下，建立无人机辅助的NOMA反向散射通信系统的最小安全速率最大化目标优化问题为：
式中，pu表示无人机的发射功率，q表示无人机的位置，R表示BD的反射系数，A表示SIC解码顺序，Rs,n表示第n个BD的安全速率，rn∈[0,1]表示第n个BD的反射系数，ηn∈[0,1]表示第n个BD的能量效率转换系数，hn为无人机到BD的信道功率增益，Rn表示第n个BD到无人机的速率，RnE表示第n个BD到窃听者的速率，αnm∈{0,1}表示SIC解码顺序，αnn＝0表示无人机在解码第n个BD的信号时不应将第n个BD的信号视为干扰，H表示无人机的飞行高度，wn表示第n个BD的位置，N表示BD的数量；C1a表示无人机的发射功率约束，Pmax表示无人机的最大发射功率；C1b表示反射系数rn约束；C1c为EH约束，表示BD收集的能量不小于其消耗的能量，Pc为BD维持自身电路工作需要消耗的功率；C1d为BD的SOP约束，pmax,n表示概率大小；C1e-C1h表示SIC解码约束，其中C1e表示对于两个不同的BD，αnm为0或1；C1g表示对于两个不同的BD,若一个被认为是信道增益较弱的BD，则另一个必须是信道增益较强的BD；C1e、C1g和C1h确保当第m个BD的信道增益比第n个BD的信道增益弱时，有αnm＝1，否则αnm＝0。
具体地，第n个BD到无人机和窃听者的速率可分别表示为：
式中hn为无人机到BD的信道功率增益，gn为窃听者到BD的信道功率增益，σ2为BD或窃听者处的高斯噪声。
引入松弛变量将约束C1d转换为：
而tn满足：
令dmE和dnE分别表示第m个BD和第n个BD到窃听者的距离，β0表示参考距离d0＝1m处的信道功率增益，有
ζn和ζm表示一个服从单位均值的指数分布的随机变量。
所以可将目标优化问题p1转换为：
进一步的，所述第二步中，初始化目标问题的相关参数，内层迭代次数，外层迭代次数，外层最大迭代次数，惩罚参数，无人机发射功率p，BD的反射系数R，变量T，变量θ，无人机位置q，SIC解码顺序A，惩罚因子，对偶变量。
进一步的，所述第三步中，给定的BD的反射系数，变量T，无人机位置，SIC解码顺序，优化无人机发射功率，具体为：
引入辅助变量s，将目标优化问题p2转换为：
其中，s为引入的松弛变量。C3a表示无人机的发射功率约束，Pmax表示无人机的最大发射功率。C3b为EH约束，表示BD收集的能量不小于其消耗的能量，Pc为BD维持自身电路工作需要消耗的功率。约束C3c为不等式两侧取对数后得到的约束。约束C3d是对新引入的变量s的约束使用SCA方法在初始可行点处一阶泰勒展开后得到的约束。
进一步的，所述第四步中，给定无人机发射功率，变量T，无人机位置，SIC解码顺序，优化BD反射系数，具体为：
引入辅助变量u,将目标优化问题p2转换为：
其中，约束C4c是由约束C2d不等式两侧取对数后，使用SCA方法在初始可行点和处进行一阶泰勒展开后得到的；约束C4d是先将新引入的变量u的约束改写为：再对使用SCA方法在初始可行点处进行一阶泰勒展开后得到的。
进一步的，所述第五步中，给定无人机发射功率，BD的反射系数，无人机位置，SIC解码顺序，优化变量T，具体为：
引入辅助变量l，将目标优化问题p2转换为：
其中，约束C5a是由C2d不等式两侧取对数得到的；约束C5b是对新引入的约束左侧使用SCA方法在初始可行点处进行一阶泰勒展开得到的。
进一步的，所述第六步中，给定无人机发射功率，BD的反射系数，变量T，优化无人机位置，SIC解码顺序，具体为：
引入辅助变量将目标优化问题p2转换为：
为了便于计算，引入等式约束条件使用惩罚对偶分解算法可将p6转换为如下优化问题：
其中，τ为惩罚参数；是等式约束条件的对偶变量。将离散的二进制变量A连续化，约束C7c等价为：在目标函数中引入惩罚函数来松弛约束式：并得到新的约束式： 表示引入的惩罚函数。
且变换后的优化问题可以被重写为：
其中，是扩展约束式可行域的松弛变量集；λ＞0表示惩罚参数。对于C8h，令并引入松弛变量和可将C8h改写为如下表达式：
对于C8h3，引入松弛变量和可将C8h3重写为如下表达式：
通过对非凸约束进行凸处理，可得优化问题：
其中，C9f是对约束C8d使用SCA方法在初始可行点处一阶泰勒展开得到的；C9g是将约束C8g重写为后，对其左侧使用SCA方法在初始可行点和处一阶泰勒展开得到的；约束C9h是将约束C8b两侧取对数后，对-ln(rn||wm-e||2θm)使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9i是对约束C8h1左侧使用SCA方法在初始可行点和处一阶泰勒展开得到的；约束C9j是将约束C8h2使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9k是对约束C8h4使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9l是对约束C8h5使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9m是对约束C8h6使用SCA方法在初始可行点处一阶泰勒展开得到的。
进一步的，所述第七步中，比较与容差因子的大小，其中，为第n+1迭代的最大的最小安全速率，为第n次迭代的最大的最小安全速率；若不大于则安全速率收敛，执行第八步；若两次的安全速率差值的绝对值大于容差因子则将此时的安全速率保存，并跳转到第三步，直到安全速率满足条件为止。
进一步的，所述第八步中，使用内循环输出的q和θ计算若惩罚函数不大于容差因子且||y||∞不大于容差因子则更新外层迭代次数和对偶变量；否则，更新惩罚参数，并跳转到第三步。
进一步的，所述第九步中，将外层迭代次数与外层最大迭代次数进行对比，若大于外层最大迭代次数，则算法结束；否则，跳转到第三步，直到满足条件为止。
发明在考虑BD之间公平性和窃听者的瞬时CSI难以获取的条件下，在满足无人机的发射功率、SIC解码顺序以及BD的反射系数、EH和安全中断概率约束下，通过引用辅助变量处理安全中断概率约束，基于变量替换、惩罚函数、放缩和连续凸逼近等方法将非凸优化问题等价转换为凸优化问题，然后使用交替迭代算法，以最大化BD之间的最小安全速率。本发明具有计算复杂度低的优点，同时考虑了BD之间公平性和实际的窃听场景，具有更好的实用性和可行性。
本实施例为无人机辅助的NOMA反向散射通信系统的最小安全速率最大化方法，在无人机辅助的NOMA反向散射通信系统中，BD被随机分布在40m×40m的正方形区域中，BD最大数目为8，无人机飞行高度为10m—15m，无人机最大发射功率为0.2W—1.0W，参考信道功率增益β0＝-30dB，EE转换系数η＝0.6，噪声功率δ2＝-100dBm，BD电路功率pc＝0.25uW，无人机到BD的信道建模为视距信道，窃听者到BD的信道建模为瑞利衰落信道。
在本实例中，图1是本发明提供优选实施例无人机辅助的NOMA反向散射通信系统的系统模型，图中包括一个全双工无人机、N个BD和一个窃听者，其中窃听者可以窃取BD反射给无人机的信号并且窃听者的瞬时CSI难以获取；图2为本发明的系统最小安全速率的迭代收敛图；图3为本发明与对比方法(几何中心、OMA、随机位置)，在不同的无人机最大发射功率下，系统的最小安全速率；图4为本发明与对比方法，在不同的无人机高度下，系统的最小安全速率；图5为本发明与对比方法，在不同的BD数目下，系统的最小安全速率。由图2可见，本发明所提方法随着迭代次数的增加而增加，在经过8次迭代后趋于收敛。图3可见所提方法由于对比方法，而且所提方法的最小安全速率随着无人机最大发射功率的增加而增加，在高发射功率状态下，最小安全速率变化较小。图4可见系统的最小安全速率随着无人机飞行高度的增加而减小，且所提方法最小安全速率均高于对比方法。图5可见，随着BD数目的增加，系统的最小安全速率在减小，且所提方法最小安全速率均高于对比方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其特征在于，包括以下步骤：
101、在考虑BD之间公平性和窃听者的瞬时CSI难以获取的条件下，建立无人机辅助的NOMA反向散射通信系统的最小安全速率最大化模型，并采用安全中断概率作为安全度量，利用辅助变量处理安全中断概率约束；
102、初始化目标问题的相关参数，包括内层迭代次数、外层迭代次数、外层最大迭代次数、惩罚参数、无人机发射功率p、BD的反射系数R、变量T、变量θ、无人机位置q、SIC解码顺序A、容差因子及对偶变量；
103、根据给定的无人机位置、SIC解码顺序、BD的反射系数及变量T，求解出无人机发射功率，并将其更新；
104、根据给定的无人机发射功率、无人机位置、SIC解码顺序及变量T，求解出BD的反射系数，并将其更新；
105、根据给定的无人机发射功率、BD的反射系数、无人机位置及SIC解码顺序，求解出变量T，并将其更新；
106、根据给定的无人机发射功率、BD的反射系数，求解出无人机位置、SIC解码顺序，并将其更新；
107、最小安全速率更新收敛判断：若两次的安全速率差值的绝对值不大于容差因子则执行步骤108；若两次的安全速率差值的绝对值大于容差因子则将此时的安全速率保存，并跳转到步骤103，直到安全速率满足条件；
108、惩罚参数收敛判断：使用内循环输出的q和θ计算若惩罚函数不大于容差因子且||y||∞不大于容差因子则更新外层迭代次数和对偶变量；否则，更新惩罚参数，并跳转到步骤103；
109、将外层迭代次数与外层最大迭代次数进行对比，若大于外层最大迭代次数，则算法结束；否则，跳转到步骤103，直到满足条件为止；
所述步骤101建立无人机辅助的NOMA反向散射通信系统的最小安全速率最大化目标优化问题为：
式中，pu表示无人机的发射功率，q表示无人机的位置，R表示BD的反射系数，A表示SIC解码顺序，Rs,n表示第n个BD的安全速率，rn∈[0,1]表示第n个BD的反射系数，ηn∈[0,1]表示第n个BD的能量效率转换系数，hn为无人机到BD的信道功率增益，Rn表示第n个BD到无人机的速率，RnE表示第n个BD到窃听者的速率，αnm∈{0,1}表示SIC解码顺序，αnn＝0表示无人机在解码第n个BD的信号时不应将第n个BD的信号视为干扰，H表示无人机的飞行高度，wn表示第n个BD的位置，N表示BD的总数量；C1a表示无人机的发射功率约束，Pmax表示无人机的最大发射功率；C1b表示反射系数rn约束；C1c为EH约束，表示BD收集的能量不小于其消耗的能量，Pc为BD维持自身电路工作需要消耗的功率；C1d为BD的安全中断概率SOP约束，pmax,n表示概率大小；C1e-C1h表示SIC解码约束，其中C1e表示对于两个不同的BD，αnm为0或1；C1g表示对于两个不同的BD,若一个被认为是信道增益较弱的BD，则另一个必须是信道增益较强的BD；C1e、C1g和C1h确保当第m个BD的信道增益比第n个BD的信道增益弱时，有αnm＝1，否则αnm＝0；
第n个BD到无人机和窃听者的速率可分别表示为：
式中hn为无人机到BD的信道功率增益，gn为窃听者到BD的信道功率增益，σ2为BD或窃听者处的高斯噪声；
引入松弛变量将安全中断概率约束C1d转换为：
而tn满足：
令其中，dmE和dnE分别表示第m个BD和第n个BD到窃听者的距离，β0表示参考距离d0＝1m处的信道功率增益，则有
ζn和ζm表示一个服从单位均值的指数分布的随机变量；
所以可将目标优化问题p1转换为：
2.根据权利要求1所述的无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其特征在于，所述步骤103给定的BD的反射系数、变量T、无人机位置、SIC解码顺序、优化无人机发射功率，具体为：
引入辅助变量s，将目标优化问题p2转换为：
其中，s为引入的松弛变量，C3a表示无人机的发射功率约束，C3b为EH约束，表示BD收集的能量不小于其消耗的能量，Pc为BD维持自身电路工作需要消耗的功率，约束C3c为C2d不等式两侧取对数后得到的约束，约束C3d是对新引入的变量s的约束使用SCA方法在初始可行点pu处一阶泰勒展开后得到的。
3.根据权利要求2所述的无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其特征在于，所述步骤104，给定无人机发射功率、变量T、无人机位置、SIC解码顺序，优化BD反射系数，具体为：
引入辅助变量u,将目标优化问题p2转换为：
其中，约束C4c是由约束C2d不等式两侧取对数后，使用SCA方法在初始可行点和处进行一阶泰勒展开后得到的；约束C4d是先将新引入的变量u的约束改写为：再对使用SCA方法在初始可行点u处进行一阶泰勒展开后得到的。
4.根据权利要求3所述的无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其特征在于，所述步骤105，给定无人机发射功率、BD的反射系数、无人机位置、SIC解码顺序，优化变量T，具体为：
引入辅助变量l，将目标优化问题p2转换为：
其中，约束C5a是由C2d不等式两侧取对数得到的；约束C5b是对新引入的约束左侧使用SCA方法在初始可行点处进行一阶泰勒展开后得到的。
5.根据权利要求4所述的无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其特征在于，所述步骤106，给定无人机发射功率、BD的反射系数、变量T，优化无人机位置、SIC解码顺序，具体为：
引入辅助变量将目标优化问题p2转换为：
引入等式约束条件使用惩罚对偶分解算法将p6转换为如下优化问题：
其中，τ为惩罚参数；是等式约束条件的对偶变量；将离散的二进制变量A连续化，约束C7c等价为：在目标函数中引入惩罚函数来松弛约束式：并得到新的约束式： 表示引入的惩罚函数；
且变换后的优化问题重写为：
其中，是扩展约束式可行域的松弛变量集；λ＞0表示惩罚参数；对于C8h，令并引入松弛变量和可将C8h改写为如下表达式：
对于C8h3，引入松弛变量和将C8h3重写为如下表达式：
通过对非凸约束进行凸处理，得如下优化问题：
其中，C9f是对约束C8d使用SCA方法在初始可行点处一阶泰勒展开得到的；C9g是将约束C8g重写为后，对其左侧使用SCA方法在初始可行点和处一阶泰勒展开得到的；约束C9h是将约束C8b两侧取对数后，对-ln(rn||wm-e||2θm)使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9i是对约束C8h1左侧使用SCA方法在初始可行点和处一阶泰勒展开得到的；约束C9j是将约束C8h2使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9k是对约束C8h4使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9l是对约束C8h5使用SCA方法在初始可行点处一阶泰勒展开得到的；约束C9m是对约束C8h6使用SCA方法在初始可行点处一阶泰勒展开得到的。
6.根据权利要求5所述的无人机辅助NOMA反向散射通信系统最小安全速率最大化方法，其特征在于，所述步骤107，比较与容差因子的大小，其中，为第n+1次迭代的最大的最小安全速率，为第n次迭代的最大的最小安全速率；若不大于则安全速率收敛，执行步骤108；若两次的安全速率差值的绝对值大于容差因子则将此时的安全速率保存，并跳转到步骤103，直到安全速率满足条件为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310996705.2A CN117061036B (zh) | 2023-08-09 | 2023-08-09 | 无人机辅助noma反向散射通信系统最小安全速率最大化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310996705.2A CN117061036B (zh) | 2023-08-09 | 2023-08-09 | 无人机辅助noma反向散射通信系统最小安全速率最大化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117061036A CN117061036A (zh) | 2023-11-14 |
| CN117061036B true CN117061036B (zh) | 2025-01-28 |
Family
ID=88652908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310996705.2A Active CN117061036B (zh) | 2023-08-09 | 2023-08-09 | 无人机辅助noma反向散射通信系统最小安全速率最大化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117061036B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115942494A (zh) * | 2022-12-03 | 2023-04-07 | 哈尔滨工程大学 | 基于智能反射面的多目标安全Massive MIMO资源分配方法 |
| CN116170053A (zh) * | 2022-12-08 | 2023-05-26 | 重庆邮电大学 | 一种无人机辅助的NOMA反向散射通信系统max-min速率最大化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022133957A1 (en) * | 2020-12-24 | 2022-06-30 | Huawei Technologies Co., Ltd. | Systems and methods for reflective intelligent surfaces in mimo systems |
-
2023
- 2023-08-09 CN CN202310996705.2A patent/CN117061036B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115942494A (zh) * | 2022-12-03 | 2023-04-07 | 哈尔滨工程大学 | 基于智能反射面的多目标安全Massive MIMO资源分配方法 |
| CN116170053A (zh) * | 2022-12-08 | 2023-05-26 | 重庆邮电大学 | 一种无人机辅助的NOMA反向散射通信系统max-min速率最大化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117061036A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Do et al. | Deep reinforcement learning for energy-efficient federated learning in UAV-enabled wireless powered networks | |
| CN108880662B (zh) | 一种基于无人机的无线信息和能量传输的优化方法 | |
| Sinha et al. | Optimal power allocation for a renewable energy source | |
| CN115442824B (zh) | 一种基于无人机和智能反射面的隐蔽通信方法 | |
| CN114124705A (zh) | 无人机辅助反向散射通信系统基于max-min公平的资源分配方法 | |
| CN115002802A (zh) | 一种irs辅助的noma无人机网络的安全速率最大化方法 | |
| CN115002800A (zh) | 一种无人机辅助的noma反向散射通信系统和速率最大化方法 | |
| CN114884949B (zh) | 基于maddpg算法的低轨卫星物联网任务卸载方法 | |
| WO2022242468A1 (zh) | 任务卸载方法、调度优化方法和装置、电子设备及存储介质 | |
| CN113282352A (zh) | 基于多无人机协同辅助边缘计算的节能卸载方法 | |
| CN116095699B (zh) | 利用双边缘计算的高安全卸载方法、系统、终端及其介质 | |
| CN116170891B (zh) | 一种uav辅助的noma双向中继通信网络和速率最大化方法 | |
| Guo et al. | Machine learning for predictive deployment of UAVs with multiple access | |
| CN116248223B (zh) | 基于无人机网络的隐蔽通信优化方法及系统 | |
| Zhang et al. | Multi-objective optimization for UAV-enabled wireless powered IoT networks: An LSTM-based deep reinforcement learning approach | |
| CN117061036B (zh) | 无人机辅助noma反向散射通信系统最小安全速率最大化方法 | |
| Cong et al. | Task scheduling and power allocation in multiuser multiserver vehicular networks by NOMA and deep reinforcement learning | |
| CN118524446A (zh) | 空天地一体化移动边缘计算卸载与资源分配优化方法 | |
| CN119095116A (zh) | 一种天地边缘计算网络下的任务调度方法 | |
| CN116416030A (zh) | 基于多无人机辅助边缘计算的无线充电和任务调度方法 | |
| CN116032351A (zh) | 一种无人机辅助的空地反向散射通信资源优化方法 | |
| Zhang et al. | Learning-based trajectory design and time allocation in UAV-supported wireless powered NOMA-IoT networks | |
| CN117768958B (zh) | 一种基于noma的无人机辅助mec系统的节能方法及系统 | |
| Liu et al. | UAV-Enabled Semantic Communication for Mobile Edge Computing Under Jamming Attacks | |
| CN119233323B (zh) | 一种多irs无人机通感算一体化系统资源配置优化方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20241231 Address after: 075000 ZHUJIAZHUANG, Xuanhua District, Zhangjiakou City, Hebei Province Applicant after: Datang International Power Generation Co.,Ltd. Zhangjiakou Power Generation Branch Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |