Trojan Attacks on Wireless Signal Classification with Adversarial Machine Learning
Intelligent Automation, Inc.（智能自动化公司）
我们提出了一种特洛伊木马（后门或陷阱）攻击，目标是无线通信中的深度学习应用程序。深度学习分类器被认为使用原始（I/Q）样本作为特征并且使用调制类型作为标签来对无线信号进行分类。对手通过插入木马（即，触发器）通过修改它们的相位并将这些样本的标签改变为目标标签而仅对少数训练数据样本进行控制。该中毒的训练数据用于训练深度学习分类器。在测试（推断）时间，对手发送具有相同相移的信号，该相移在训练期间作为触发器添加。虽然接收器可以在没有触发器的情况下准确地对干净（未中毒）信号进行分类，但它不能可靠地对有触发器的中毒信号进行分类。这种隐形攻击保持隐藏，直到被有毒输入（特洛伊木马）激活以绕过信号分类器（例如，用于认证）。我们证明了这种攻击在不同的信道条件下是成功的，并且不能通过简单地用随机相位变化对训练数据和测试数据进行预处理来减轻。为了检测这种攻击，基于激活的离群值检测被认为是统计和聚类技术。我们发现，后者可以检测木马攻击，即使很少的样本中毒。
2019-10-23 cs.CR cs.LG cs.NI
Distributed Deep Learning Models for Wireless Signal Classification with Low-Cost Spectrum Sensors
研究了分布式无线频谱感知网络的技术分类问题。首先，提出了一种新的基于长短期记忆（LSTM）的数据驱动的自动调制分类（AMC）模型。该模型从训练数据中存在的调制方案的时域幅度和相位信息中学习，而不需要像高阶循环矩这样的专家特征。分析表明，该模型产生的平均分类精度接近90%，在不同的信噪比条件下，从0 dB到20 dB。此外，我们还探索了这种LSTM模型在可变符号率场景中的实用性。我们表明，基于LSTM的模型可以学习可变长度时域序列的良好表示，这对于分类具有不同符号率的调制信号非常有用。在64个输入样本长度上实现了75%的准确度，这证明了模型的代表性。为了减少分布式传感器的数据通信开销，研究了利用平均幅度谱数据进行分类或在低成本传感器上进行在线分类的可行性。此外，所提出的模型的量化实现进行了分析，部署在传感器与低处理能力。
2018-07-11 cs.NI
Resource-aware Time Series Imaging Classification for Wireless Link Layer Anomalies
随着智能基础设施的兴起，使用最后一英里无线连接的终端设备数量急剧增加，需要可靠的功能来支持平稳高效的业务流程。为了有效地管理如此庞大的无线网络，需要更先进、更准确的网络监控和故障检测解决方案。在本文中，我们进行了第一次分析的无线异常检测使用递归图和Gramian角场的基于图像的表示技术，并提出了一种新的深度学习架构，使准确的异常检测。我们详细阐述了开发一个资源感知架构的设计考虑，并提出了一个新的模型，使用时间序列的图像转换，使用递归图。我们表明，所提出的模型a）比基于Grammian角场的模型高出14个百分点，b）比使用动态时间规整的经典ML模型高出24个百分点，c）优于主流架构（如AlexNet和VGG 11）或与之相当，同时具有<10倍于其权重和高达其计算复杂性的$\approx$ 8\%，以及在各个应用领域的表现超过最先进水平达55个百分点。最后，我们还解释了随机选择的例子如何分类决策。
2021-11-23 cs.LG cs.NI eess.SP
Sample-Efficient Misconfiguration Classification for Network Resilience in Wireless Communications
Faculty of Engineering and Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院）
本文提出了一种基于图学习的任务，通过EtaGATv2算法对协议误配置进行分类，该算法能够处理非均匀症状传播并提取协议特定特征，实验表明在仅有50%训练样本的情况下达到最先进的性能，适用于动态拓扑和有限负样本的数据集。
2026-07-02 cs.NI
Can You Fix My Neural Network? Real-Time Adaptive Waveform Synthesis for Resilient Wireless Signal Classification
Institute for the Wireless Internet of Things, Northeastern University（东北大学无线物联网研究所）；Roux Institute, Northeastern University（东北大学鲁克斯学院）
深度学习（DL）无需明确建模即可对复杂现象进行分类，因此已被证明是无线信号分类（WSC）的关键推动因素。虽然DL在某些条件下可以达到非常高的准确性，但最近的研究发现，无线信道可能会破坏DL模型在训练过程中学习到的特征，从而大大降低真实世界实时设置中的分类性能。由于重新训练分类器在部署之后是麻烦的，现有的工作已经利用了精心定制的有限脉冲响应（FIR）滤波器的使用，当在发射机侧应用时，该滤波器可以恢复由于信道动作而丢失的特征，即，波形合成然而，这些方法使用离线优化策略来计算FIR，这限制了它们在高度动态信道设置中的功效。在本文中，我们通过提出Chares来改进现有技术，Chares是一种基于深度强化学习（DRL）的框架，用于通道弹性自适应波形合成。Chares通过DRL实时的【形】最佳计算FIR来适应新的和不可见的信道条件。Chares是一个DRL代理，其体系结构是基于双延迟深度确定性策略梯度（TD 3），它需要最小的反馈，从接收器和探索一个连续的动作空间。Chares在两个著名的数据集上进行了广泛的评估。我们还通过现场可编程门阵列（FPGA）的实现评估了Chares的实时的【形】延迟。结果表明，当不进行波形合成时，Chares将准确度提高了4.1倍，相对于现有工作提高了1.9倍，并且可以在41 us内计算新的动作。
2021-03-05 cs.LG cs.NI
A Robust Signal Classification Scheme for Cognitive Radio
本文提出了一种鲁棒的信号分类方案，实现多个共存的无线系统的综合频谱感知。它是建立在一组基于特征的信号检测算法增强的建议尺寸消除（DIC）的方法，以减轻噪声的不确定性问题。我们的测试平台上实现的分类方案，包括现实世界的无线设备。仿真结果与实验结果吻合较好，表明了该方案的有效性和鲁棒性。
2012-07-23 cs.IT cs.LG cs.NI
Power Saving Techniques for Wireless LANs
快速无线接入已迅速变得普遍。无线接入点和热点服务器到处都是。电池寿命仍然是移动计算中的关键问题。本文首先概述了WLAN节能策略，然后说明了一个系统级的方法，以节省电力在异构无线环境中。
2007-10-25 cs.NI
A New Classification of Clustering-based for Different Problems in Different Wireless Ad-hoc Networks
本文对无线自组织网络中基于聚类的多种策略进行比较分析，系统梳理其在确定性与不确定性环境下解决覆盖问题的优缺点，并指出未来研究方向。
2024-05-28 cs.DC cs.NI
Data Driven Environmental Awareness Using Wireless Signals
Univ. of Notre Dame（圣母大学）
针对无线网络优化中需准确区分设备运行环境的需求，提出利用无线信号特征结合机器学习的室内外分类方法，经实验验证DNN模型在降低关键分类误差上表现最优。
2025-01-10 cs.LG cs.NI
Enhancing Data Privacy In Wireless Sensor Networks: Investigating Techniques And Protocols To Protect Privacy Of Data Transmitted Over Wireless Sensor Networks In Critical Applications Of Healthcare And National Security
本文研究医疗与国家安全关键应用中WSNs的数据隐私保护，梳理相关技术、挑战与影响因素，引入创新扩散理论分析隐私技术采纳，并结合实证研究验证安全方案有效性。
2024-04-17 cs.CR cs.NI
Implementation of Connectivity and Handover through Wireless Sensor Node based Techniques
本文提出了一种基于无线传感器节点技术的切换和连通方案。在Qualnet中创建场景，并针对简单情况进行模拟。结果进行了讨论。
2010-01-29 cs.NI
Comparison Based Analysis of Different Cryptographic and Encryption Techniques Using Message Authentication Code (MAC) in Wireless Sensor Networks (WSN)
无线传感器网络（Wireless Sensor Networks，WSN）正日益受到人们的重视，但无线传感器网络面临的主要问题之一是网络资源有限。我们必须寻找资源来创建消息认证码（MAC），同时牢记用于传感器网络的技术的可行性。本研究工作探讨不同的加密技术，如对称密钥加密和非对称密钥加密。此外，还比较了流密码（RC 4）、分组密码（RC 2、RC 5、RC 6等）和散列技术（MD2、MD4、MD5、SHA、SHA 1等）等加密技术。我们的工作结果提供了有效的技术，通信设备，通过选择不同的比较矩阵，即能源消耗，处理时间，内存和费用，满足安全和有限的资源在无线传感器网络环境中创建MAC。
2012-03-14 cs.CR cs.NI
Physical Layer Security Techniques for Future Wireless Networks
无线通信系统的广播性质使得无线传输极易受到窃听甚至恶意干扰。物理层安全技术可以有效地保护发送方发送的隐私信息不被非法窃听者监听，从而保证发送方与合法用户之间通信的隐私和安全。移动通信的发展对物理层安全研究提出了新的挑战。本文综述了移动通信物理层安全的研究现状，包括定向调制（DM）、空间调制（SM）、隐蔽通信、智能反射面辅助通信等，并对移动通信物理层安全的未来发展趋势和有待解决的技术难题进行了总结。
2021-12-29 cs.CR cs.NI
Survey on Energy-Efficient Techniques for Wireless Sensor Networks
节能计算的概念并不新鲜，但最近与技术相关的行业的重点已经转向具有最小能量损失的能量利用技术。计算机网络也需要节能。能量消耗也是无线传感器网络面临的一个重要挑战。能量有效性可以通过分簇算法、能量有效的路由方法、改进的数据聚合方案和能量有效的无线传感器网络MAC协议来实现。
2021-05-21 cs.NI
NMformer: A Transformer for Noisy Modulation Classification in Wireless Communication
Rowan University（罗文大学）；Stevens Institute of Technology（史蒂文斯理工学院）
针对无线通信中噪声干扰下的调制分类难题，提出基于视觉Transformer的NMformer模型，利用星座图表示信号，通过少量微调数据在分布内和分布外场景中显著提升分类准确率。
2024-10-30 cs.LG cs.NI eess.SP
Genetic Algorithms in Wireless Networking: Techniques, Applications, and Issues
近年来，无线接入技术由于操作的容易性和无约束无线介质的安装而变得越来越普遍。无线网络的设计是具有挑战性的，由于高度动态的环境条件，使参数优化是一项复杂的任务。由于动态且通常未知的操作条件，现代无线网络标准越来越依赖于机器学习和人工智能算法。遗传算法（GA）为实现诸如分类、学习和优化的人工智能任务提供了一个完善的框架。遗传算法是众所周知的，其显着的通用性和多功能性，并已被应用在各种各样的设置在无线网络。在本文中，我们提供了一个全面的调查，在无线网络中的应用程序的遗传算法。我们提供了一个共同的GA模型和配置的博览会，并提供了广泛的调查GA技术在无线网络中。我们还指出了开放的研究问题，并确定未来的工作潜力。虽然各种调查存在于文献中的气体，我们的论文是第一篇论文，尽我们所知，它侧重于它们在无线网络中的应用。
2014-11-19 cs.NI
Representation Learning of Knowledge Graph for Wireless Communication Networks
Central South University（中南大学）；Purple Mountain Laboratories（紫金山实验室）；Southeast University（东南大学）
随着第五代无线通信技术的应用，越来越多的灵巧终端被使用并产生大量的数据，这促使人们对如何处理和利用这些无线数据进行广泛的研究。目前研究人员主要集中在对上层应用数据的研究，或者基于蒙特卡洛模拟产生的大量数据，针对具体问题研究智能传输方法。本文根据无线通信协议和领域专家知识构建知识图谱，深入研究无线内生智能，旨在理解无线数据的内生关系。我们首先构建了通过5G/B5 G测试网络收集的无线核心网数据的内生因素的知识图谱。然后，设计了一种基于图卷积神经网络的模型来学习图的表示，并利用该模型对图中的节点进行分类和模拟关系预测。该模型实现了网络节点的自动分类和网络异常原因的追踪。它还以无监督的方式应用于公共数据集。实验结果表明，该模型的分类精度优于现有的无监督图神经网络模型，如VGAE和ARVGE。
2022-08-22 cs.AI cs.LG cs.NI
Location Verification Systems in Emerging Wireless Networks
随着基于位置的技术和应用在新兴的无线网络中变得无处不在，位置信息的验证将变得越来越重要。这导致近年来与无线网络中的位置验证技术相关的活动激增，其中特别关注智能交通系统（ITS）是显而易见的。这种关注主要是由于ITS场景中车辆位置验证的关键任务性质。在这项工作中，我们回顾了最近的研究在无线定位验证相关的车载网络场景。我们特别关注的位置验证系统，依赖于正式的数学分类框架，显示有多少系统是部分或全部包含在这样的框架。
2013-07-12 cs.CR cs.NI
Foundational Techniques for Wireless Communications: Channel Coding, Modulation, and Equalization
本文分析了改善无线通信系统的信道编码、调制与均衡等基础技术，使用仿真工具评估了卷积码、PSK、QAM及均衡技术在不同信道条件下的性能，并提供了现代无线系统实现的实用见解。
2023-10-20 cs.NI eess.SP
Implementation of Handoff through wireless access point Techniques
移动漫游已成为无线蜂窝通信中不可或缺的一部分，不久用户将携带小型便携式手持设备，这些设备将包括计算机、电话、照相机、GPS、个人控制模块等。模拟是使用名为Qualnet的无线通信软件完成的。结果清楚地表明了这种新方案的优点。
2010-06-04 cs.NI
Performance Study of Localization Techniques in Wireless Body Area Sensor Networks
无线体域传感器网络（WBASNs）的主要问题之一是有效的定位。存在用于室内和室外环境以定位人的各种技术。本研究评估并比较了室内环境中无线传感器的最佳放置优化方案的性能，患者可以在其中进行日常活动。在室内环境下，比较了距离矢量跳算法、基于比较接收信号强度指示的环重叠算法（ROCRSSI）、粒子滤波和卡尔曼滤波定位跟踪技术的定位精度。结果表明，粒子滤波优于所有。GPS和GSM定位跟踪方案的基础上提出了室外环境的几种技术。基于隐马尔可夫GSM的定位跟踪方案在定位精度和计算开销方面有效地表现在所有方案中。
2012-07-06 cs.NI
Machine Learning for Wireless Communications in the Internet of Things: A Comprehensive Survey
ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）；Northeastern University（东北大学）
物联网（IoT）预计需要比以往任何时候都更有效、更高效的无线通信。因此，频谱共享、动态频谱接入、信号智能提取和优化路由等技术将很快成为物联网无线通信范式的重要组成部分。考虑到物联网的大部分将由微型、移动和能量受限的设备组成，基于先验网络优化的传统技术可能不适合，因为（i）在实际场景中可能不容易获得准确的环境模型;（ii）传统优化技术的计算要求可能证明物联网设备无法承受。为了解决上述挑战，许多研究致力于探索使用机器学习来解决IoT无线通信领域中的问题。这项工作提供了一个全面的调查，最先进的机器学习技术的应用，以解决物联网无线通信中的关键问题，重点是它的ad hoc网络方面。首先，我们提出了广泛的背景概念的机器学习技术。然后，通过采用自下而上的方法，我们在协议栈的物理层、数据链路层和网络层研究了物联网机器学习的现有工作。此后，我们讨论了社会对硬件实现，以确保这些技术的可行性所采取的方向。此外，在结束之前，我们还简要讨论了机器学习在无线通信之外的物联网中的应用。最后，每一次讨论都详细分析了相关的未决问题和挑战。
2019-07-18 cs.LG cs.NI
Application of Machine Learning in Wireless Networks: Key Techniques and Open Issues
Beijing University of Posts and Telecommunications（北京邮电大学）；Auburn University（奥本大学）
作为实现人工智能的关键技术，机器学习（ML）能够在没有显式编程的情况下解决复杂问题。由于其在图像识别等许多实际任务中的成功应用，工业界和研究界都倡导ML在无线通信中的应用。本文综述了ML在无线通信中的应用，主要包括：MAC层的资源管理、网络层的组网和移动性管理以及应用层的定位。在资源管理中的应用还包括功率控制、频谱管理、回程管理、缓存管理、波束形成器设计和计算资源管理，而基于ML的网络集中在集群、基站切换控制、用户关联和路由中的应用。此外，在每个方面的文献组织根据所采用的ML技术。此外，还分析了ML在无线通信中应用的几个条件，以帮助读者决定是否使用ML以及使用哪种ML技术，并总结了传统方法及其与基于ML的方法的性能比较，在此基础上阐明了被调查文献采用ML的动机。鉴于研究领域的广泛性，提出了挑战和未解决的问题，以促进未来的研究，其中基于ML的网络切片，基础设施更新，以支持基于ML的范例，开放的数据集和平台的研究人员，ML实现的理论指导等进行了讨论。
2019-03-01 cs.LG cs.NI
Wireless resilient routing reconfiguration
移动无线网络本质上比有线网络更容易发生链路拥塞和彻底故障。本文详细阐述了\cite{WangEtAl}的弹性路由重配置方法，并将其推广到点对多点链路和无线网络中。通过将链路故障重构为流量不确定性，该技术允许在防止拥塞的同时基本上瞬时地围绕任意链路故障重新路由。我们通过确定一个现实的模型无线网络中的关键瓶颈来说明该技术。
2020-02-20 cs.NI
Men-in-the-Middle Attack Simulation on Low Energy Wireless Devices using Software Define Radio
以蓝牙为研究对象，利用软件无线电技术，结合无线电波的嗅探和欺骗、捕获和分析技术，对蓝牙低功耗设备和ZigBee数据包进行中间人攻击和渗透测试。本文分析了这一领域的最新科学工作，提供了SDR的比较分析和硬件选择的基本原理，给出了从ZigBee和BLE设备收集无线数据包和数据汇集的操作顺序，并分析了改进捕获的无线数据包分析技术的方法。对于研究收集的实验装置，实时的分析其结果。将收集的无线数据包与发送的无线数据包进行比较。实验结果显示了本地无线网络的弱点。
2019-06-26 cs.CR cs.NI
Density Controlled Divide-and-Rule Scheme for Energy Efficient Routing in Wireless Sensor Networks
分簇路由技术是无线传感器网络中最常用的路由技术。由于无线传感器网络应用需求的变化，有效的能量利用路由协议仍然是一个潜在的研究领域。在这项研究工作中，我们介绍了一种新的节能集群路由技术。在这种技术中，我们试图克服的问题，覆盖孔和能量孔。在我们的技术中，我们通过引入密度控制的均匀分布的节点和固定的最佳数量的簇头（CH）在每一轮控制这些问题。最后通过MATLAB仿真实验结果验证了该方法的有效性。
2013-03-26 cs.NI
The Importance of Being Earnest: Performance of Modulation Classification for Real RF Signals
数字调制分类（DMC）对于在复杂的新兴无线网络中为无线电设备配备增强的频谱感知能力是非常有价值的。然而，由于现有的文献绝大多数是基于理论或仿真结果，目前还不清楚如何以及DMC在实践中执行。在本文中，我们研究了DMC在现实世界的无线网络中的性能，使用广泛的RF信号数据集的250，000通过空中传输异构收发器硬件和同信道干扰。我们的研究结果表明，DMC可以实现较高的分类精度，即使在具有挑战性的现实世界条件下的调制同信道干扰和低品位的硬件。然而，这仅在训练数据集完全捕获真实无线电环境中的各种干扰和硬件类型时才成立;否则，DMC性能显著恶化。我们的工作有两个重要的工程意义。首先，它表明，在实践中，在不同的无线电环境和设备之间交换学习的分类器模型并不简单。其次，我们的分析表明，DMC的实际部署的关键缺失环节是设计信号功能，以及推广到不同的无线网络场景。我们正在公开我们的RF信号数据集，作为迈向现实DMC评估统一框架的一步。
2018-09-19 cs.LG cs.NI eess.SP
Performance evaluation of different optimization techniques for coverage and connectivity control in backbone based wireless networks
在本文中，性能评估的牛顿-拉夫森和共轭梯度方法进行了研究，比较最陡下降方法的覆盖和连接控制在骨干无线网络。为了设计这样的无线网络，主要的挑战是确保网络需求，例如网络覆盖和连接。为了优化覆盖和连通性，骨干节点将通过使用基于上述方法的移动性控制来重新定位。从而使网络自组织，自主地实现能量最小化配置。此外，通过使用MATLAB R2010 a进行仿真，基于优化的成本、迭代次数和经过的时间（即执行算法所花费的总时间）对方法进行比较。
2015-06-14 cs.NI
An Improved Watchdog Technique Based On Power-Aware Hierarchical Design For Ids In Wireless Sensor Networks
在无线传感器网络中，安全性和机密性是至关重要的。与有线网络相比，无线传感器网络更容易受到攻击和入侵。在无线传感器网络中，第三人可以窃听信息或链接到网络。因此，通过检测来防止这些入侵已成为最严峻的挑战之一。本文提出了一种改进的看门狗技术，作为一种有效的技术检测恶意节点的基础上的功率感知层次模型。该技术克服了原有Watchdog机制中的常见问题。提出该模型的主要目的是降低功耗作为增加网络寿命的关键因素。为此，我们使用Tiny-OS模拟器对我们的模型进行了模拟，然后将我们的结果与非分层模型进行了比较，以确保改进。实验结果表明，该模型在性能上优于原模型，对于一个包含100个传感器的网络，该模型使无线传感器节点的生存时间增加了约2611.492秒。
2012-08-10 cs.NI
Novel Network Coding-based Techniques for Multi-layer Video Delivery over Multi-hop Wireless testbed
无线网络视频传输的实际性能最好通过真实测试平台上的实验研究来捕获，这对于揭示实现所提出的视频传输技术的技术问题和实际挑战至关重要。网络编码（NC）提供了一种范式转变，以优化网络资源，提高视频质量的结果，通过多跳无线网络的交付。在本文中，我们提出了一种新的框架，用于评估基于NC的视频传输在多跳无线网络的性能。基于层间视频编码和传输的实验平台实现，我们提出了一种新的通用技术，用于多跳层间NC提高视频传输质量。我们评估多跳NC的复杂性和视频质量增益之间的权衡。我们提供了明确的建议，最佳的设计选择NC为基础的层间视频编码和交付多跳无线网状网络考虑链路条件和数据包交付率（PDR）。实验结果表明，在单跳和多跳网络中，使用NC提高了分层视频的性能。在单跳中使用NC时的解码层的平均数目优于在多跳中使用NC时的解码层的平均数目。
2013-04-29 cs.NI
A Novel Trajectory Clustering technique for selecting cluster heads in Wireless Sensor Networks
无线传感器网络（WSNs）存在热点问题，即距离基站最近的传感器节点比距离基站较远的节点需要转发更多的数据包。因此，感觉网络的寿命取决于这些最近的节点。分簇方法被用来延长无线传感器网络的生命周期。然而，目前的分簇算法通常采用两种技术：选择具有更多剩余能量的簇头，并周期性地轮换簇头，以在每个簇内的节点之间分配能量消耗，延长网络的生命周期。大多数算法使用随机选择来选择簇头。在这里，我们提出了一种新的轨迹聚类技术选择簇头在无线传感器网络。我们的算法选择簇头的流量和周期性旋转的基础上。它提供了第一个基于轨迹的分簇技术选择簇头，并减轻热点问题，延长网络的生命周期。
2011-08-03 cs.NI
Development of Wireless Techniques in Data and Power Transmission - Application for Particle Physics Detectors
无线技术在过去的十年里发展得非常快，在粒子物理探测器中使用它们进行数据和电力传输不再是科幻小说。在过去的几年里，几个研究小组独立地考虑使其成为现实。无线技术已成为一个成熟的研究领域，新的发展可能会对未来的粒子物理实验产生影响。仪器前沿是作为SnowMass 2013年社区夏季研究的一部分而建立的[1]，旨在研究未来几十年粒子物理研究的仪器研发：“为了取得成功，我们需要将技术和科学创新作为该领域的优先事项”。无线数据传输被认为是一项创新，可以彻底改变探测器的数据传输。供电是同一份报告中提到的另一项挑战。我们建议合作，以确定不同的项目，可能受益于无线技术的具体需求。其目的是提供一个共同的研究和开发平台，以优化效率和成本，目的是设计和测试大型仪器系统的无线演示器。
2015-11-18 cs.NI hep-ex physics.ins-det
Connectivity based technique for localization of nodes in wireless sensor networks
我们提出了一个无线传感器网络的定位算法，这是简单的设计，不涉及显着的开销，但提供了可接受的传感器节点的位置估计。该算法使用固定节点作为信标节点，以增加信标节点的数量。该算法是范围自由的，不需要任何额外的硬件进行测距。它也不涉及任何显著的本地化通信开销。仿真和实验结果表明，该算法在室外环境下具有较好的定位精度.
2016-10-03 cs.DC cs.NI
An Efficient Hybrid Localization Technique in Wireless Sensor Networks
传感器节点是低成本、低功耗的设备，用于从远程位置收集物理数据和监测环境条件。无线传感器网络（Wireless Sensor Networks，WSN）是一组传感器节点的集合，它们相互协调以执行特定的任务。定位被定义为在网络中的已知位置的传感器节点的部署。本地化技术分为集中式和分布式。MDS-Map和SDP属于集中式算法，而Diffusion、Gradient、APIT、限界框、Relaxation-Based和Coordinate System Stitching属于分布式算法。在本文中，我们提出了一种新的混合定位技术，它结合了集中式和分布式算法的优点，并克服了现有技术的一些缺点。通过J-Sim仿真证明了该方案在通过改变汇聚节点、增加节点密度和增加通信范围来计算定位误差方面的优势。
2013-03-14 cs.NI
Memoryless Techniques and Wireless Technologies for Indoor Localization with the Internet of Things
近年来，物联网（IoT）已经发展到包括通过使用室内定位系统（IPS）和基于位置的服务（LBS）来跟踪设备。在设计IPS时，一种流行的方法涉及使用无线网络从具有预定位置的设备计算目标的大致位置。在许多智能建筑应用中，LBS是开发高效智能建筑所必需的。在本文中，我们研究了两种无记忆定位技术，K-最近邻（KNN）和朴素贝叶斯，并比较它们与简单的三边测量，在准确性，精度和复杂性。我们通过使用三种流行的物联网无线技术：Zigbee，蓝牙低功耗（BLE）和WiFi（2.4 GHz频段），以及三个实验场景来验证多个环境中的结果，对这些技术进行了全面的分析。实验结果表明，KNN是最准确的定位技术，也是最精确的定位技术。所有实验的RSSI数据集都可以在线获得。
2020-05-18 cs.NI eess.SP
Network Selection Using TOPSIS in Vertical Handover Decision Schemes for Heterogeneous Wireless Networks
“切换”是第四代无线网络（FGWNs）中用于实现业务连续性的技术之一。无缝连续性是第四代无线网络（FGWNs）的主要目标，当移动终端（MT）处于重叠区域时，主要采用切换机制来实现业务连续性。垂直切换是异构无线网络中最小化处理延迟的一种技术。本文对垂直切换决策方案进行了比较，并提出了一种分布式的逼近理想解排序法（TOPSIS）。TOPSIS法是用来选择最好的网络从可用的游客网络（VT）的连续连接的移动终端。在我们的工作中，主要集中在切换决策阶段，减少切换期间的处理延迟
2011-06-13 cs.NI
Analyses and performance of techniques PAPR reduction for STBC MIMO-OFDM system in (4G) wireless communication
为了提高时变频率选择性信道下的分集增益和系统容量，将OFDM系统与多输入多输出（MIMO）相结合。然而，MIMO-OFDM系统的一个主要缺点是在不同天线上传输的信号可能具有较高的峰均功率比（PAPR），本文提出了一种适用于4G无线网络的空时分组编码（STBC）MIMO-OFDM系统的PAPR分析方法。降低MIMOOFDM系统峰均比的方法有：限幅滤波、部分发送序列（PTS）和选择映射（SLM）。仿真结果表明，限幅和滤波方法对峰均比的抑制效果优于其他方法，只有SLM技术保留了接收端的峰均比抑制效果。
2013-11-14 cs.NI
Rethinking Wireless Communication Security in Semantic Internet of Things
语义通信是下一代无线通信的重要参与者。通过这种新的范例，传统的物联网（IoT）正在向语义物联网（SIoT）发展，以实现显着的系统性能改进。然而，传统的用于比特传输的无线通信安全技术不能直接应用于专注于语义信息传输的SIoT。一个关键原因是缺乏新的安全业绩指标。因此，我们必须重新思考SIoT中的无线通信安全。因此，在本文中，我们分析和比较经典的安全技术，即，从语义信息安全的角度来看，物理层安全、隐蔽通信和加密。我们强调了这些安全技术在应用于SIoT时的差异。提出了新的性能指标，如语义保密中断概率（物理层安全技术）和检测失败概率（隐蔽通信技术）。考虑到语义通信可以提出新的安全问题，我们然后审查攻击和防御方法在语义水平。最后，我们提出了未来安全SIoT研究的几个有前途的方向。
2022-10-18 cs.NI
HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation
HiFiNet通过边缘分类和图聚合技术，提升无线传感器网络中故障识别的准确性和效率，有效平衡精度与能耗。
2026-08-25 cs.AI cs.NI
I-Min: An Intelligent Fermat Point Based Energy Efficient Geographic Packet Forwarding Technique for Wireless Sensor and Ad Hoc Networks
能量消耗和数据包传输延迟是衡量无线自组织和传感器网络地理路由协议性能的两个重要指标。因此，能够确保更少的能量消耗和在分组递送中经历更少的延迟的协议适合于同时对延迟敏感和能量饥饿的网络。因此，解决这两个问题的智能分组转发技术是任何地理路由协议所寻找的技术。在本论文中，我们提出了一个基于费马点的转发技术，减少了数据包传输过程中所经历的延迟以及传输和接收数据包所消耗的能量。
2010-06-18 cs.NI
MuSA: Multivariate Sampling Algorithm for Wireless Sensor Networks
无线传感器网络可用于收集和处理环境数据，这些数据通常具有多变量性质。提出了一种基于分量分析技术的无线传感器网络多变量采样算法。为了提高采样率，该算法使用成分分析技术对数据进行排序。一旦排名，最具代表性的数据将被保留。仿真结果表明，我们的技术减少了数据保持其代表性。此外，降低了在网络上传递数据的能量消耗和延迟。
2014-08-03 cs.DC cs.NI
Achieving Small World Properties using Bio-Inspired Techniques in Wireless Networks
无线自组织网络具有自组织特性以实现网络范围的特性是非常可取的和具有挑战性的。研究表明，小世界特性，主要是低平均路径长度和高聚类系数，是一般网络的理想特性。然而，由于无线网络的空间性质，实现小世界属性仍然是极具挑战性的。研究还表明，具有小世界特性的无线自组织网络的度分布介于几何律和幂律之间。在本文中，我们表明，在一个无线ad hoc网络与非均匀的节点密度只有本地信息，我们可以显着减少平均路径长度，并保留聚类系数。为了实现这个目标，我们的算法首先使用侧抑制技术识别逻辑区域，然后识别波束形成的节点，最后使用Flocking识别波束属性。我们使用侧抑制和群集，因为它们使我们能够使用本地状态信息，而不是其他技术。我们通过仿真结果和分析来支持我们的工作，仿真结果和分析表明，对于高密度网络，可以实现高达40%的减少。我们还展示了用于创建区域的跳数对平均路径长度、聚类系数和连通性的影响。
2012-03-03 cs.NI
Global Outliers Detection in Wireless Sensor Networks: A Novel Approach Integrating Time-Series Analysis, Entropy, and Random Forest-based Classification
无线传感器网络（WSNs）由于其在监测、通信和报告特定物理现象方面的实用性，近年来在全球范围内引起了越来越多的关注。由于不可避免的环境因素，无线传感器网络收集的数据往往是不准确的，这些因素可能包括噪声、信号微弱或入侵攻击，这取决于具体情况。发送高噪声数据不仅会对数据准确性和网络可靠性产生负面影响，还会对基站的决策过程产生负面影响。异常检测，或离群值检测，是在所描述的上下文中检测噪声数据的过程。文献中包含相对较少的噪声检测技术的背景下，无线传感器网络，特别是离群检测算法应用时间序列分析，考虑有效的邻居，以确保全球合作检测。因此，本文提出的研究旨在设计和实现一种全局离群检测方法，该方法允许我们找到并选择合适的邻居，以确保基于时间序列分析和熵技术的自适应协作检测。所提出的方法适用于一个随机森林算法，以确定最佳的结果。为了衡量所提出的方法的有效性和效率，英特尔伯克利研究实验室提供了一个全面的和真实的场景进行了模拟。噪声数据被随机地注入到所收集的数据中。从实验中获得的结果，然后进行实验表明，我们的方法可以检测异常高达99%的准确率。
2021-07-21 cs.NI eess.SP
Analyzing Medium Access Techniques in Wireless Body Area Networks
本文介绍了无线体域网（WBAN）的媒体访问控制（MAC）协议中使用的接入技术的比较。对时分多址（TDMA）、频分多址（FDMA）、载波侦听多址（CSMA/CA）、纯ALOHA和时隙ALOHA（S-ALOHA）进行了比较。用于比较的性能度量是吞吐量（T）、延迟（D）和提供的负载（G）。比较的主要目的是显示哪种技术随着负载的增加而提供最高的吞吐量和最低的延迟。能量效率是WBAN中的主要问题，这就是为什么需要知道哪种技术在能量节约方面表现最好，并且还提供最小延迟。针对不同的场景进行模拟，并对所有技术的结果进行比较。我们建议TDMA作为最好的技术，用于WBAN的MAC协议，由于它的高吞吐量和最小的延迟与负载的增加。MATLAB是用于仿真的工具。
2013-04-03 cs.NI
Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Nexcepta（内克塞克萨公司）
本文针对低信噪比下标记射频信号数据不足的问题，提出用VQ-VAE生成高保真合成信号以增强训练集，显著提升基线分类器的准确率、泛化性与鲁棒性。
2024-10-23 cs.LG cs.NI eess.SP
Evaluation of Channel Assignment Performance Prediction Techniques in Random Wireless Mesh Networks
无线网状网络（WMN）在网络容量、端到端延迟和网络弹性方面的性能取决于干扰的普遍水平。因此，干扰减轻是多无线电多信道（MRMC）WMN中的基本设计关注点，并且通过对WMN中的无线电的明智信道分配（CA）来实现。在我们早期的工作中，我们试图解决的问题，估计在无线网络中的干扰强度和预测的CA方案的性能的基础上的干扰估计的措施。我们已经提出了可靠的CA性能预测方法，已被证明是有效的网格WMN。在这项工作中，我们进一步评估这些CA性能预测技术的可靠性在一个大型MRMC WMN，其中包括随机放置的网状路由器。我们进行详尽的模拟NS-3 802.11n环境。我们得到结论性的结果，以证明所提出的方案在随机WMN的有效性。
2015-11-17 cs.NI
Performance Advancement of Wireless Sensor Networks using Low Power Techniques and Efficient Placement of Nodes
在本文中，我们提出了无线传感器网络的优化技术。我们的主要目标是最小化功耗和延迟。我们解决的问题，最大限度地减少能源消耗的无线传感器网络，包括硬件。采用ZigBee协议设计无线传感器网络的节点，实现了极低的功耗率。此外，我们建议使用IRS协议在无线传感器网络中的ZigBee技术发现信息，从不知道的位置，并实现能源效率和牺牲延迟。我们的主要思想是支持无线传感器网络的ZigBee技术和IRS协议。此外，我们解决的问题，有效的节点放置在无线传感器网络的拥塞控制。因此，我们评估的性能，具体的路由和拥塞控制算法时，无线传感器节点部署在不同的网络布局。为了证明所使用的算法的强度，我们在C#中的模拟证明，与现有的低功耗和节点放置技术相比，ZigBee-IRS- ESRT-Flooding方法将功耗从10%降低到19%。
2014-07-01 cs.NI
Wireless Charging Technologies: Fundamentals, Standards, and Network Applications
无线充电是一种通过气隙向电气设备传输电力以补充能量的技术。无线充电技术的最新进展和商业产品的开发为解决传统便携式电池供电设备的能源瓶颈提供了一种有前途的替代方式。然而，将无线充电并入现有无线通信系统中也带来了关于实现、调度和功率管理的一系列挑战性问题。在这篇文章中，我们将全面概述无线充电技术、技术标准的发展及其在网络应用中的最新进展。特别是，在网络应用方面，我们回顾了移动充电器调度策略，静态充电器调度策略和无线充电器部署策略。此外，我们还讨论了在实施无线充电技术方面存在的问题和挑战。最后，我们展望了无线充电的一些实际未来网络应用。
2015-11-14 cs.NI
An image classification approach for hole detection in wireless sensor networks
无线传感器网络通常由低性能传感器组成，空洞检测是监测网络状态的关键。由于传感器放置或电源/硬件故障期间的问题，可以在WSNs中形成孔。在这些情况下，传感或传输数据可能会受到影响，并可能中断无线传感器网络的正常运行。它还可能减少网络的寿命和传感器的感测覆盖范围。在无线传感器网络中，由于传感器的确切位置通常是未知的，因此孔洞检测问题尤其具有挑战性。本文提出了一种基于力导向（FD）算法和卷积神经网络（CNN）的空洞检测方法FD-CNN。与现有方法相比，FD-CNN是一种集中式方法，能够在不依赖于与传感器位置相关的信息的情况下检测到来自WSNs的漏洞。所提出的方法还解决了分布式方法中高计算复杂性的问题。所提出的方法接受作为输入的无线传感器网络的网络拓扑结构，并产生周围的每个检测到的孔在网络中的节点的身份作为最终输出。在所提出的方法中，FD算法被用来生成的无线传感器网络的布局，然后通过使用训练的CNN模型的布局中的孔的识别。为了准备用于训练CNN模型的标记数据集，本文还提出了一种无监督的预处理方法。在利用CNN模型检测出孔洞后，提出了两种算法来识别孔洞区域及其周围的对应节点。进行了大量的实验，以评估所提出的方法基于不同的数据集。实验结果表明，FD-CNN可以在不到2分钟的时间内实现80%的灵敏度和93%的特异性。
2022-03-31 cs.NI
Evolution of Target Localization in Wireless Sensor Network (WSN): A Review
无线传感器网络具有举足轻重的地位，近年来受到了研究者的广泛关注。传感器节点已经被用于诸如环境监测、安全目的应用和目标跟踪的大量应用中。后者包括目标运动的检测和监视。在本文中，我们详细探讨了著名的目标跟踪技术。现有的技术进行评估，如网络拓扑结构，目标恢复，能源效率和安全性的指标。我们还讨论了一些影响跟踪计划的性能的挑战。此外，对现有技术进行了深入的分析，并探讨了未来的发展方向。
2021-07-08 cs.NI
Routing Technique Based on Clustering for Data Duplication Prevention in Wireless Sensor Network
由于组成传感器网络的节点体积小，电池容量有限，传感器节点长时间活动对节点能耗影响很大。为了降低传感器节点的能量消耗，传感器网络路由技术分为平面路由和层次路由。层次路由技术是一种能量有效的路由协议，它通过形成簇并与簇头通信来降低整个传感器节点的能量消耗，分散传感器节点的能量消耗。但是，尽管基于分簇的分层路由技术比平面路由技术更有优势，但由于不现实的原因，这并没有被使用。其不现实的原因是分层路由技术实际上没有考虑传感器节点的数据传输半径。因此本文提出了基于分簇现实路由技术。
2009-11-26 cs.DC cs.NI cs.PF
Defining and Surveying Wireless Link Virtualization and Wireless Network Virtualization
虚拟化是移动和无线通信系统领域中非常感兴趣的主题。然而，术语虚拟化是以不精确的方式使用的，这使得难以比较和对比迄今为止已经进行的工作。本文件有两个目的。首先，本文发展了一个定义虚拟化的正式理论。在第二种情况下，这个理论被用来作为一种方式，调查的工作机构在无线链路虚拟化，无线网络虚拟化的子空间领域。形式化理论提供了一种方法，用于区分应归类为资源分配的工作，以区别于虚拟化。它还有助于对虚拟化发生的表示级别进行进一步分类，这使得工作比较更有意义。本文提供了一个全面的调查，并强调了研究的差距，使富有成效的未来工作。
2018-07-04 cs.NI
Fast Adaptation for Deep Learning-based Wireless Communications
本文研究基于深度学习的无线通信难以快速适应动态环境的问题，利用少样本学习并结合领域知识，以MU-MIMO预编码为例综述方法并指出未来研究方向。
2024-09-06 cs.ET cs.NI eess.SP
A survey on energy efficiency for wireless mesh network
减少二氧化碳排放是一个重要的全球环境问题。近年来，无线和移动通信越来越受到消费者的欢迎。一种日益流行的无线接入类型是所谓的无线网状网络（WMN），与有线解决方案相比，其通过更便宜且更灵活的回程基础设施提供无线连接。无线网状网（WMN）是一种新兴的无线互联网解决方案。由于信息和通信技术（ICT）产业中能源消耗的增加及其随之而来的环境影响，能源效率已成为评估通信网络性能的关键因素。本文主要针对现有最大的分类层节能方法进行研究。它还讨论了WMN网络中最有趣的节能工作。
2013-04-14 cs.NI
