Artificial-Noise-Aided Energy-Efficient Secure Beamforming for Multi-Eavesdroppers in Cognitive Radio Networks
Notice bibliographique
Résumé
In this article, we investigate optimal beamforming at a multiantenna primary base station (PBS) and a multiantenna cognitive base station (CBS) for energy-efficient (EE) secure downlink communication in cognitive radio networks with one single-antenna primary user (PU), one single-antenna cognitive user (CU), and multiple single-antenna eavesdropping nodes. An artificial noise transmission scheme is used by CBS to protect the data against the eavesdropping security attacks at the cost of extra power consumption. To improve the secrecy energy efficiency (SEE), we propose a SEE maximization (SEEM) scheme by exploiting the instantaneous channel state information (CSI) of the eavesdroppers under the secrecy rate (SR) constraints of the PBS-PU and CBS-CU channels, the quality-of-service requirement of the PU, and the transmit power constraint of the CBS. When the eavesdropping links' instantaneous CSI are unknown at the legitimate transmitters (i.e., PBS and CBS), we propose another SEEM scheme based on the statistical CSI of the eavesdropping links. Since the formulated optimization problems with fractional objective functions are nonconvex and mathematically intractable, we first transform them into equivalent subtractive problems, and then, employ the difference of two-convex functions approximation method to arrive at approximate convex problems. In addition, new two-tier optimal BF algorithms are proposed. Finally, simulation results are presented to illustrate the effectiveness and performance gains of our proposed SEEM schemes over conventional SR-only maximization and EE-only maximization schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».