Securing UAV Communications Via Trajectory Optimization
无人机通信以其低成本、高机动性和按需部署等优点,近年来引起了人们的广泛关注。本文讨论了无人机通信系统中的物理层安全问题,其中无人机在地面上存在潜在窃听者的情况下向合法接收方发送机密信息。我们的目标是最大限度地提高系统的保密率,通过联合优化无人机的轨迹和发射功率在有限的地平线。与现有的文献中的无线安全与静态节点,我们利用无人机在本文中的移动性,以提高保密率,通过一个新的轨迹设计。虽然制定的问题是非凸的,具有挑战性的解决,我们提出了一个迭代算法来有效地解决这个问题,基于块坐标下降和连续凸优化方法。具体地,UAV的发射功率和轨迹各自被优化,另一个以交替的方式固定,直到收敛。仿真结果表明,与不进行发射功率控制或轨迹优化的基准方案相比,该算法显著提高了无人机通信系统的保密率。
2017-10-12 cs.IT math.IT
Trajectory Design for Multiple-UAV Assisted Wireless Networks
无人机(UAV)由于其高移动性和高效部署,可以提高蜂窝网络的性能。在本文中,我们提出了第一个研究如何用户的移动性影响无人机的轨迹的多无人机辅助无线通信系统。具体来说,我们认为无人机是作为空中基站部署的,为在不同地区之间移动的地面用户提供服务。通过优化无人机的飞行轨迹,最大化地面用户在下行通信中的吞吐量,同时考虑用户移动性、推进能量消耗和无人机相互干扰的影响。我们制定的问题作为一个无环有向图的路由选择问题。每个顶点表示与区域时间点中的平均用户吞吐量的奖励相关联的任务,而每个边与飞行和悬停期间的能量推进消耗的成本相关联。对于集中式轨迹设计,我们首先提出了最短路径方案,确定最佳的轨迹为单无人机的情况下。我们还提出了集中式路由选择(CRS)计划,系统地计算更一般的多无人机的情况下的最佳轨迹。由于集中式问题的NP困难性,本文考虑了无人机自主选择航迹的分布式航迹设计,提出了分布式航迹选择(DRS)方案,该方案在有限次迭代内收敛到纯策略纳什均衡。
2019-12-30 cs.IT eess.SP math.IT
Decentralized Computation Offloading With Cooperative UAVs: Multi-Agent Deep Reinforcement Learning Perspective
物联网(IoT)节点的有限计算资源在处理输入数据时引起令人望而却步的延迟。这为任务卸载系统带来了新的研究机会,其中边缘服务器处理物联网设备的密集计算。在现有基站部署计算服务器可能不足以支持在恶劣环境中运行的IoT节点。这要求将移动边缘服务器安装在无人机(UAV)上,以提供按需移动边缘计算(MEC)服务。时变的卸载需求和无人机的机动性,需要一个联合设计的优化变量的所有时间实例。因此,在线决策机制是必不可少的无人机辅助MEC网络。本文概述了最近的深度强化学习(DRL)方法,其中以在线方式做出关于无人机和物联网节点的决策。具体而言,联合优化的任务卸载,资源分配,和无人机的移动性是从DRL的角度来解决。对于分布式实现,多智能体DRL方法提出了多个智能无人机合作确定他们的计算和通信策略,而无需中央协调。数值结果表明,所提出的分散学习策略优于现有的DRL解决方案。该框架揭示了分散式DRL技术在设计自组织物联网网络中的可行性。
2022-07-27 cs.IT math.IT
Reinforcement Learning Based Dynamic Power Control for UAV Mobility Management
本文针对无人机通信中可靠性要求随时间变化的场景,提出基于强化学习的动态功率分配方案,在满足时变中断概率约束下最小化基站总发射功率,实现节能。
2023-12-07 cs.IT eess.SP math.IT
Survey-Free Radio Map Construction via HMM-Based Coarse-to-Fine Inference
The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Shandong University(山东大学);Chalmers University of Technology(查尔姆斯理工大学);University of Macau(澳门大学)
本文提出一种无需人工调查的无线电地图构建方法,通过HMM-based Coarse-to-Fine Inference框架,利用未标记的RSS数据实现高精度定位,实验显示MAE为8.96 dB,定位误差约3.33米。
2026-05-11 cs.IT math.IT
Joint Beamforming, User Association, and Height Control for Cellular-Enabled UAV Communications
为空中用户(例如无人机(UAV))提供可靠和无缝的移动性是下一代蜂窝系统的关键挑战。为了应对这一挑战,我们提出了一个联合波束成形,用户关联,无人机高度控制框架的蜂窝连接多无人机网络与多天线基站(BS)。在多个地面用户设备速率约束条件下,以最大化无人机最小可达速率为目标,设计了一种分层双层迭代算法,对基站波束形成向量、无人机关联矩阵和无人机高度进行联合优化。在内层迭代中采用投影梯度法,在外层迭代中采用几何规划建模加凹凸法,证明了算法收敛于局部最优解。考虑到无人机的移动特性,我们还利用我们提出的算法不完美的信道估计的情况下。数值结果表明,与传统的最邻近关联算法相比,该算法在理想和非理想信道估计情况下均能提高无人机的最小可达速率。此外,我们还研究了无人机的最小可达速率和频率之间的权衡与单移动无人机更新优化变量。
2020-02-16 cs.IT eess.SP math.IT
Aerial Base Stations Deployment in 6G Cellular Networks using Tethered Drones: The Mobility and Endurance Trade-off
机载基站(由无人机携带)具有增强蜂窝网络覆盖范围和容量的巨大潜力。多个场景和用例将极大地受益于这种技术,例如(i)在密集和城市地区卸载地面基站(BS),以及(ii)为农村地区提供覆盖。然而,部署机载BS面临的主要挑战之一是无人机的可用能量有限,这限制了飞行时间。事实上,目前使用的大多数无人机(UAV)最多只能运行一个小时。由于需要频繁访问地面站进行充电,这限制了支持UAV的蜂窝网络的性能,使UAV的覆盖区域暂时无法使用。在这篇文章中,我们提出了一种新的无人机蜂窝网络设置的基础上系留无人机(TUAVs)。在拟议的设置中,TUAV通过系绳连接到地面站(GS),为TUAV提供能量和数据。这使得一个航班可以停留几天。我们详细描述了拟议系统的组成部分。此外,我们争取的主要优势,TUAV使能蜂窝网络相比,典型的无绳系无人机。接下来,我们将讨论TUAV的潜在应用和用例。最后,我们讨论了挑战,设计考虑,和未来的研究方向,以实现拟议的设置。
2020-08-12 cs.IT cs.NI eess.SP
Secure UAV Communication with Cooperative Jamming and Trajectory Control
提出了一种新的协同干扰方法,通过利用附近无人机的干扰来防止窃听,从而保证无人机的通信安全。特别是,我们考虑了两个无人机的情况下,一个无人机发射机提供的机密信息的地面节点(GN),和其他无人机干扰机合作发送人工噪声(AN)混淆地面窃听保护数据传输的机密性。通过利用完全可控的移动性,这两个无人机可以随着时间的推移自适应地调整它们的位置(也称为位置调整)。轨迹)以促进安全通信和合作干扰。我们假设两台无人机完全知道GN的位置,并且部分知道窃听者的位置{ \emph{a-priori} }。在这种设置下,我们最大限度地提高平均保密率从无人机发射机到GN在一个特定的时间段内,通过优化无人机的轨迹,连同他们的通信/干扰功率分配。虽然制定的问题是非凸的,我们提出了一个有效的解决方案,通过应用交替优化和逐次凸逼近(SCA)的技术。
2018-12-17 cs.IT math.IT
Capacity Characterization and Formation Optimization for Multi-User MIMO Communications with UAV Swarm
National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室);Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室)
本文研究了无人机群作为用户在多用户MIMO通信中的最大总容量及最优用户位置问题,推导了闭式表达式并提出优化框架,通过协同移动提升容量,同时考虑碰撞避免和群体凝聚力约束。
2026-05-14 cs.IT math.IT
Active and Dynamic Beam Tracking UnderStochastic Mobility
我们考虑在毫米波频率及以上的主动和顺序波束跟踪的问题。我们专注于无人机到无人机通信的动态场景,我们将问题等效为跟踪沿视线路径的最佳波束形成向量。在这种设置中,所产生的波束理想地指向具有足够高分辨率的到达角方向。现有的解决方案使用过滤策略或通过考虑可预测的移动性来考虑可预测的移动或小的随机移动,但是当由于不可预测的移动而导致跟踪失败时,必须求助于重新估计协议。我们提出了一种算法,主动学习的AoA通过不断发展的贝叶斯后验概率信念,这是用于波束形成向量的顺序选择。我们提出了一种自适应导频分配策略的基础上权衡互信息与频谱效率。数值上,我们分析了我们提出的算法的性能,并证明了显着的改进,现有的战略。
2021-06-21 cs.IT eess.SP math.IT
Adaptive Decoding Mechanisms for UAV-enabled Double-Uplink Coordinated NOMA
提出了一种适用于无人机上行非正交多址通信的自适应解码机制。具体地说,考虑到恶劣的无人机环境,地对地链路是经常不可用的,所提出的ADM克服了传统的UL-NOMA系统的性能是敏感的发射机的统计信道状态信息和接收机的解码顺序的挑战性问题。为了评估ADM的性能,我们推导出系统中断概率(OP)和系统吞吐量的封闭形式的表达式。在性能分析部分,我们提供了实用的空对地和地对空信道的新表达式,同时考虑到UL-NOMA中不完美的连续干扰消除(SIC)的实际实现。此外,所得到的表达式可以用来描述各种系统的OP混合伽玛(MG)分布为基础的衰落信道下。接下来,我们提出了一个次优的基于梯度下降的算法,以获得功率分配系数,导致最大的吞吐量相对于每个位置的无人机的轨迹。为了确定所提出的ADM在非平稳环境中的意义,我们认为地面用户和无人机移动根据随机航路点移动(RWM)和参考点组移动(RPGM)模型,分别。文中还给出了距离分布的精确公式。数值结果表明,ADM增强的NOMA不仅优于正交多址接入(OMA),但也提高了性能的无人机使能的UL-NOMA,即使在移动环境中。
2023-03-09 cs.IT eess.SP math.IT
CRB-Driven Beamforming and Trajectory Optimization for UAV-assisted ISAC System
Department of Electrical and Computer Engineering(电气与计算机工程系)
研究无人机辅助的ISAC系统,在功率和移动性约束下联合优化无人机轨迹与波束成形参数以提升感知性能。采用零空间投影设计波束成形,深度强化学习优化轨迹,相比无无人机辅助系统,显著降低时间平均CRB,提高感知精度。
2026-07-23 cs.IT cs.LG cs.RO
Location-aware Predictive Beamforming for UAV Communications: A Deep Learning Approach
无人机具有高度的机动性和灵活性,能够适应不同应用的异构需求,因此无人机辅助通信成为实现超第五代(5G)无线网络的一种很有前途的技术。然而,无人机的移动对无人机和地面用户设备(UE)之间的精确波束对准提出了挑战。在这封信中,我们提出了一种基于深度学习的位置感知预测波束形成方案,用于在动态场景中跟踪无人机通信的波束。具体而言,设计了一种基于长短期记忆(LSTM)的递归神经网络(LRNet)用于无人机位置预测。基于预测的位置,可以确定UAV与UE之间的预测角度,以用于下一时隙中的有效且快速的波束对准,这使得能够实现UAV与UE之间的可靠通信。仿真结果表明,该方案能够获得满意的通信速率,接近于完美精灵辅助对准方案的通信速率上界。
2020-09-16 cs.IT eess.SP math.IT
OTFS-MDMA: An Elastic Multi-Domain Resource Utilization Mechanism for High Mobility Scenarios
针对高移动性场景下OTFS系统难以支持多样化通信需求的问题,提出一种弹性多域资源利用机制OTFS-MDMA,通过联合优化DD资源时隙划分、多址接入选择与功率分配,最大化系统加权和速率。
2024-11-14 cs.IT eess.SP math.IT
RIS-based Communication Enhancement and Location Privacy Protection in UAV Networks
Tsinghua University(清华大学);Singapore University of Technology and Design(新加坡科技设计大学);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
针对无人机网络中源无人机位置隐私易被恶意无人机通过信号分析泄露的问题,提出基于虚拟分区和人工噪声的ARIS辅助隐蔽通信方案,通过动态分区优化通信与干扰定位,有效保护隐私并提升通信效率。
2025-11-12 cs.IT cs.SY eess.SY
SDN assisted UAV communication systems : Efficient Deployment Strategies
近年来,基于无人机(UAV)的通信系统由于其低成本部署和易于移动而引起了越来越多的研究和商业兴趣,在自然灾害和紧急情况下,这种网络非常有用,可以提供通信服务。在这种情况下,无人机的位置和轨迹必须是最佳的,以保持服务质量在用户端。本文重点研究了一种基于SDN的无人机网络的部署,为用户提供通信服务。我们考虑在体育场和活动中部署该系统。在本文中,我们提出了一个计划,分配无人机的用户和流量拥塞算法,以减少数据包的数量,以避免重传从用户端。我们还提出了一个节能的多跳路由机制,以避免高功率的要求,传输更长的距离。我们假设所有的回程链路都有足够的容量来承载来自前传链路的所有流量,并且无人机的设计必须考虑其飞行和传输的功率要求。
2021-06-02 cs.IT cs.NI math.IT
Energy-Efficient Cooperative Secure Transmission in Multi-UAV Enabled Wireless Networks
研究了一种多个潜在窃听者存在下的多无人机协同安全传输方案。具体而言,多个源无人机(SUAVs)向多个合法地面用户发送机密信息,同时多个干扰无人机(JUAVs)协同向多个窃听者发送干扰信号,以提高合法用户的可达保密率。考虑到无人机的能量预算有限,本文的目标是在无人机机动性和最大发射功率约束下,通过联合优化无人机轨迹、发射功率和用户调度,最大化系统保密能量效率(SEE),即单位能量消耗可达到的保密率。由此产生的优化问题是一个非凸的混合整数分数优化问题,这是具有挑战性的解决。将原问题分解为3个子问题,利用块坐标下降法和Dinkelbach方法,结合逐次凸逼近技术,提出了一种高效的迭代算法.仿真结果表明,所提出的方案优于其他基准显着的系统SEE。
2019-12-04 cs.IT eess.SP math.IT
Common Throughput Maximization in UAV-Enabled OFDMA Systems with Delay Consideration
在未来无线网络中,特别是在临时事件和紧急情况下的按需部署中,使用无人机(UAV)作为通信平台具有重要的现实意义。虽然先前的工作已经表明,通过利用无人机的移动性的性能改善,他们主要集中在延迟容忍的应用。由于延迟要求从根本上限制了UAV的移动性,因此UAV是否能够在延迟受限的通信场景中提供任何性能增益仍然是未知的。出于这一动机,我们在本文中研究了无人机使能的正交频分多址(OFDMA)网络中的无人机被派遣作为一个移动基站(BS),以服务于地面上的一组用户。我们认为最小速率比(MRR)为每个用户,定义为最小的瞬时速率所需的平均可实现的吞吐量,灵活地调整其延迟受限的数据流量的百分比。在给定的用户MRR约束条件下,通过联合优化无人机轨迹和OFDMA资源分配,使所有用户的最小平均吞吐量最大化。首先,我们表明,最大-最小吞吐量一般会随着用户的MRR约束变得更加严格而降低,这揭示了UAV使能通信中的基本吞吐量-延迟权衡。接下来,分别应用连续凸优化和拉格朗日对偶,提出了一种迭代参数辅助的块坐标下降方法,交替优化无人机轨迹和OFDMA资源分配。在此基础上,提出了一种基于简单圆轨迹的无人机轨迹初始化方法。最后,仿真结果验证了我们的理论研究结果,并证明了我们提出的设计的有效性。
2018-01-06 cs.IT math.DS math.HO