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


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。

相关推荐
workflower19 小时前
企业竞争要素变迁,智能型企业走向新四化
人工智能·机器学习·机器人·无人机·软件工程
Zentceh21 小时前
夜间野生动物监测:AI全彩夜视+AI行为分析方案
图像处理·人工智能·科技·计算机视觉·车载系统·无人机·智能硬件
workflower7 天前
SSH(Struts+Spring+Hibernate)
人工智能·机器学习·机器人·云计算·无人机
YOLO数据集集合7 天前
天空红外小目标检测数据集 | 红外小目标 天空目标检测 无人机检测 鸟类识别 低空安防9099期
人工智能·目标检测·计算机视觉·目标跟踪·无人机·无人机视角·直升机检测
Liaiyang668 天前
空圈容错视角下的无人机全链路审计:从理论框架到耦合式检验
人工智能·pytorch·python·深度学习·系统架构·自动驾驶·无人机
深蓝学院8 天前
15 m/s动态避障+15g无相机定位!浙大&微分智飞两篇新作:补齐微型敏捷无人机自主飞行能力
无人机
YOLO_DATA8 天前
遥感滑坡检测的数据集 2299 张 1类 yolo格式 遥感滑坡检测数据集
人工智能·深度学习·yolo·计算机视觉·无人机·yolo数据集·ai数据集
亥时科技8 天前
无人机和监控视频,真能一次性打通吗?
开源·无人机·ai巡检
XBWRJ9 天前
职业教育专业建设:《无人机装调维修师》的课程参考价值
无人机
YOLO数据集集合10 天前
小目标无人机、飞机、直升机检测数据集 | 小目标检测 无人机检测 空中目标识别 低空安防 反无人机9090期
深度学习·yolo·目标检测·无人机·飞机·小目标·直升机