Popular Matching for Security-Enhanced Resource Allocation in Social Internet of Flying Things
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As the Internet of Things (IoT) is maturing and acquires its social flavor, the Social IoT enables smart devices to build inter-thing social networks without human intervention. As a new form of smart devices, unmanned aerial vehicles (UAVs) are finding their way into IoT applications. The integrated Social Internet of Flying Things (SIoFT) can provide the social-aware UAV-assisted services. However, the broadcast nature of air-to-ground (A2G) channels makes them vulnerable to being eavesdropped by terrestrial malicious users due to their strong line-of-sight (LoS) links. In this paper, we investigate to ensure the security of A2G communications when the location information of multiple potential eavesdroppers cannot be perfectly estimated. Following the “no pain no gain” principle, the terrestrial users who reuse the UAV cellular spectrum will act as friendly jammers to realize “win-win” situation. Hence, joint trajectory design, power control, and channel allocation optimization problem is formulated to maximize the average secrecy rate of UAVs in worst case. In the first stage, we utilize the block coordinate descent method and successive convex optimization method to solve the trajectory design and power control problems in an iterative manner. In the second stage, we convert the user pairing problem into a popular matching problem with externalities. Two distributed algorithms are proposed to maintain the popular matching under dynamics. Moreover, we conduct detailed analysis of the popularity, convergence, and computational complexity. Simulation results demonstrate the superiority of our proposed method in terms of different performance metrics.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle