无人机(UAV)隐蔽通信(covert communication)的联合功率分配和轨迹设计

文章目录

  • 摘要
  • Introduction


本文是Joint Power Allocation and Trajectory Design
for UAV-Enabled Covert Communication一文的阅读笔记


摘要

在本文中,我们研究了无人机(UAV)网络中的隐蔽通信,其中无人机将信息传输给多个地面用户(GU),而不会被隐藏探测器检测到。考虑到公平性问题,我们的目标是在无人机移动性和隐蔽性约束下,通过联合优化无人机的轨迹、发射功率和功率分配系数来最大化GU之间的最小吞吐量。一方面,根据隐蔽性约束,最大发射功率被表征为无人机位置的近似形式表达。另一方面,最佳无人机轨迹结构的特征是连续悬停飞行(SHF)结构。遵循两个基本特征,我们首先将原始问题转化为联合轨迹和功率分配设计问题,然后将其重新表述为仅解决有限数量的悬停点、相应悬停持续时间、转折点和分配系数的另一个问题。尽管仍然是非凸的,但通过应用顺序凸规划(SCP)方法可以有效地解决新问题。即通过在每次迭代中引入一系列紧凹函数,可以迭代地解决一系列凸问题,使轨迹收敛到高质量的解。数值结果证实了我们的方法的收敛性,并显示出与基准相比的高性能。

Introduction

快速的无人机(UAV)因其快速部署和长航时而被广泛应用[1]。在这些应用中,无人机无线通信网络由于无人机和地面用户(GU)之间的视距(LoS)无线链路的可能性很高而引起了越来越多的关注[2]。例如,通过将无人机无线通信技术集成到蜂窝网络中,可以提高覆盖范围和吞吐量性能[3]-[5]。此外,在[6]、[7]中,无人机被用作飞行中继,以在远程用户之间提供更强的多跳无线链路。此外,由于在移动性方面的显着优势,无人机无线通信网络的性能可以通过优化无人机的轨迹来显着提高[8]。 [9] 中的作者考虑了一种支持无人机的蜂窝通信网络,并优化了无人机轨迹以最小化整个任务时间。此外,考虑无人机中继通信系统,联合设计无人机轨迹及其发射功率以实现最大吞吐量,结果表明联合设计方案优于单方面考虑的方案[9]。此外,在中继系统中,联合设计无人机轨迹和发射功率以实现最大吞吐量,结果表明联合设计方案优于单方面考虑的方案[10]。采用更通用的莱斯衰落模型,作者在[11]中提出了所谓的“S”逻辑函数来拟合最大允许传输速率并设计无人机3D轨迹,旨在提高数据传输效率。考虑到阴影效应,作者在[12]中。

尽管无人机和GU之间的无线链路通常以LoS为主且质量较高,但由于无线传输的广播特性,它们也导致比传统蜂窝网络更严格的安全问题[13]-[16]。为了提高无人机传输关键数据的安全性,无人机辅助无线网络的通信安全在[17]中得到了强调。无人机安全传输中一种众所周知的技术称为(物理层)安全通信,它利用物理层特性来防止机密数据被非法用户解密。在[18]-[20]中,作者通过设计无人机的轨迹和发射功率来提高安全通信性能,同时增强合法信道质量并降低非法信道质量。此外,[21]中的作者研究了通过传输人工噪声(AN)来干扰窃听过程的安全通信。同时,文献[22]研究了利用无人机位置分布的随机性来实现安全通信。

上述关于无人机使能的安全通信的研究仅关注保护信息内容的安全。然而,在诸如军事应用的一些实际场景中,隐藏信息传输行为可能更重要和必要。在这种情况下,需要UAV的传输的隐蔽性,并且已经成为一个有吸引力的问题[23]。目前已有的研究表明,在无人机网络中,通过优化无人机的发射功率和轨迹可以提高网络的隐蔽性。在干扰机辅助的情况下,[24]导出了重要的隐蔽性能指标的闭式表达式,并提出了一种有效的算法来联合设计发射和干扰功率,以最大化隐蔽通信速率。作者在[25]中考虑了UAV使能的隐蔽数据收集,其中提出了惩罚序列凸规划(P-SCP)算法以提高系统性能。与以前的工作不同,在[26]中,通过基于多重近似的传统迭代方法优化轨迹,开发了几何方法来提高隐蔽性能。为了利用地面噪声的不确定性,[27]中的作者考虑了UAV启用的隐蔽通信场景,并设计了UAV的飞行高度和发射功率以隐藏其传输行为。基于这项工作,他们在隐蔽通信和有限块长度的背景下推导出最佳3D布局和发射功率[28]。随后,他们在[29]中研究了UAV轨迹和发射功率的联合优化,以最大化吞吐量。在前人工作的基础上,[30]考虑了多无人机隐蔽通信系统,提出了一种基于快速探索随机树的随机化方法来构造碰撞约束下的无人机轨迹。此外,考虑到具有多个管理员和移动管理员的更复杂的网络,[31],[32]中的作者联合优化了发射功率和位置,以最大化传输速率。然而,值得一提的是,上述工作并没有得到最优轨迹的特性,而只是通过时间离散SCP方法优化无人机的轨迹和发射功率,这通常会引入显着较高的计算复杂度。

据我们所知,在隐蔽通信场景中的最佳UAV轨迹结构的基本特征仍然是开放的问题,并且必须提供低复杂度的设计,以通过有效地联合优化UAV轨迹、发射功率和沿着轨迹的功率分配来最大化吞吐量。在我们以前的工作[33],[34]中,传统通信网络中的最佳UAV轨迹已经被证明遵循所谓的连续悬停和飞行(successive-hover-and-fly)(SHF)结构,其中UAV在一组悬停点处悬停,并以最大速度沿着某些弧线路径在这些点之间飞行。然而,在无人机使能的隐蔽通信网络中,SHF结构的最优性和相应的有效的联合轨迹,发射功率和功率分配方案的严格证明仍然缺失。因此,我们有动机扩展的最佳SHF结构的分析,隐蔽通信的情况下。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/143323.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

Java基础简单整理

文章目录 Java语言具有以下特点:Java SE vs Java EEJVM vs JDK vs JRE为什么说 Java 语言编译与解释并存?Java 和 C 的区别?Java注释用法:Java标识符Java基本数据类型链接Java字符串类型链接基本类型和包装类型的区别?静态方法为…

云计算与大数据——Storm配置及运行WordCountTopology(保姆级教程!)

云计算与大数据——Storm配置及运行WordCountTopology(保姆级教程!) 前言 当今世界正处于云计算和大数据的快速发展阶段,而Storm作为一种高效、可靠的实时计算框架,受到了广泛的关注和应用。在这篇文章中&#xff0c…

【二】xxl-job 源码分析

xxl-job 源码分析 简介:阅读优秀的开源项目源码总是一件让人激动的事情,分布式调度平台xxl-job我们在生产环境也是有了很多的实践应用,一款产品使用久了对其实现原理多少有些了解了,今天也是抽出整块的时间来认真分析一下xxl-job的…

安卓备份分区----手动查询安卓系统分区信息 导出系统分区的一些基本操作

在玩机搞机过程中。有时候需要手动查看有些分区信息,或者备份分区的操作。那么今天以小米8为例解析下其中的操作步骤 机型:小米8 adb版本:https://developer.android.com/studio/releases/platform-tools 机型芯片:高通骁龙845…

三门问题-Swift测试

三门问题(Monty Hall problem)亦称为蒙提霍尔问题、蒙特霍问题或蒙提霍尔悖论,大致出自美国的电视游戏节目Lets Make a Deal。问题名字来自该节目的主持人蒙提霍尔(Monty Hall)。 参赛者会看见三扇关闭了的门&#xf…

TikTok的媒体革命:新闻业如何适应短视频时代?

在数字时代,媒体行业一直在不断演变和创新,以适应观众的变化需求和技术的发展。而在这个进化的过程中,短视频应用TikTok已经崭露头角,成为了一个重要的信息传播平台。 这篇文章将深入探讨TikTok如何引领了媒体的一场革命&#xf…

某高校的毕设

最近通过某个平台接的单子,最后Kali做的测试没有公开可以私聊给教程。 下面是规划与配置 1.vlan方面:推荐一个vlan下的所有主机为一个子网网段 连接电脑和http客户端的接口配置为access接口 交换机与交换机或路由器连接的接口配置为trunk接口---也可以…

数据分析回头看2——重复值检查/元素替换/异常值筛选

0、前言: 这部分内容是对Pandas的回顾,同时也是对Pandas处理异常数据的一些技巧的总结,不一定全面,只是自己在数据处理当中遇到的问题进行的总结。 1、当数据中有重复行的时候需要检测重复行: 方法:使用p…

RabbitMQ工作模式——Routing路由模式

1.Routing路由模式 Routing生产者代码 public class Producer_Routing {public static void main(String[] args) throws IOException, TimeoutException {//1.创建连接工厂ConnectionFactory factory new ConnectionFactory();//2.设置参数factory.setHost("172.16.98.…

Android T 禁止应用添加窗口的操作

序 什么情况下会出现我们需要禁止应用添加窗口的情况呢? 假如有一个应用的窗口,我们点开后是透明的或者会影响到系统的使用,那么我们就有必要对这个窗口操作一下 回顾我们在Android T WMS窗口相关流程中所讲的内容 禁止应用添加窗口的操作…

程序开发常用在线工具汇总

菜鸟工具# https://c.runoob.com/ 编码# ASCII码# https://www.habaijian.com/ 在线转换# https://www.107000.com/T-Ascii/http://www.ab126.com/goju/1711.html Base64# 在线转换# https://www.qqxiuzi.cn/bianma/base64.htmhttp://www.mxcz.net/tools/Unicode.aspx …

Diffusion Autoencoders: Toward a Meaningful and Decodable Representation

Diffusion Autoencoders: Toward a Meaningful and Decodable Representation (Paper reading) Konpat Preechakul, VISTEC, Thailand, CVPR22 Oral, Cited:117, Code, Paper 1. 前言 扩散概率模型 (DPM) 在图像生成方面取得了显着的质量,可与 GAN 相媲美。但是与…

引入嵌入和向量搜索时的三个错误

将非结构化数据表示为嵌入向量以及使用向量搜索进行基于嵌入的检索 (embedding-based retrieval - EBR) 比以往任何时候都更加流行。 嵌入到底是什么? Roy Keyes 在《嵌入的最短定义?》中对此进行了很好的解释。 嵌入是学习的转换,使数据更有…

React redux更新数据的诡异特征==》彻底掌握redux更新state机制的精髓

此文章是跟随我上一篇文章《Redux Toolkit中action派发但state值不更新的原因》写的。 本来一切都搞定了,此时我突发奇想: 如果让api服务端不发送包含x-pagination的header信息,web端会不会报错。因为按照web端 redux原有的逻辑:…

ubuntu与win之间共享文件夹

ubuntu上设置共享文件夹 第一步:点击【设置】或【虚拟机弹窗下面的【设置】选项】 第二步:进入【虚拟机设置】页面,点击【选项】如下图所示 第三步:启用共享文件:点击【总是启用】第四步:添加共享文件&…

【深度学习】RNN循环神经网络和LSTM深度学习模型

1. 循环神经网络 RNN( Recurrent Neural Network) 循环神经网络的一个核心是可以把前面的序列数据用到后面的结果预测里面。怎么样实现这一点呢。RNN 结构如下图所示。 前部序列的信息经处理后,作为输入信息传递到后部序列。 数学模型&…

机器学习第十三课--主成分分析PCA

一.高维数据 除了图片、文本数据,我们在实际工作中也会面临更多高维的数据。比如在评分卡模型构建过程中,我们通常会试着衍生出很多的特征,最后就得到上千维、甚至上完维特征;在广告点击率预测应用中,拥有几个亿特征也是常见的事…

使用U3D、pico开发VR(一)——将unity的场景在设备中呈现

最近srtp项目在赶进度,自己之前是在电脑端进行的开发。但是项目是VR端,因此需要重新学习,在此记录一下自己的学习经历。 首先,如何将unity的场景在自己的眼镜中进行呈现呢? 对此,我也找了很多教程&#xff…

Ubuntu 安装Kafka

在本指南中,我们将逐步演示如何在 Ubuntu 22.04 上安装 Apache Kafka。 在大数据中,数以百万计的数据源生成了大量的数据记录流,这些数据源包括社交媒体平台、企业系统、移动应用程序和物联网设备等。如此庞大的数据带来的主要挑战有两个方面…

软件架构的演化和维护

软件架构的演化和维护 定义 定义 顶不住了,刷题去了,不搞这个了,想吐。。。