MétaCan
Menu
Retour à la cohorte
Enregistrement W3112073723 · doi:10.1109/twc.2020.3041339

Robust Secrecy Competition With Aggregate Interference Constraint in Small-Cell Networks

2020· article· en· W3112073723 sur OpenAlexaff
Xiao Tang, Ruonan Zhang, Wei Wang, Lin Cai, Zhu Han

Notice bibliographique

RevueIEEE Transactions on Wireless Communications · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensUniversity of Victoria
Organismes subventionnairesChina Postdoctoral Science FoundationNational Natural Science Foundation of ChinaNational Science Foundation
Mots-clésComputer scienceEavesdroppingProvisioningMathematical optimizationSmall cellNash equilibriumComputer networkBase stationMathematics

Résumé

récupéré en direct d'OpenAlex

In this article, we address the security issue in a tiered small-cell network aiming at security optimization for small-cell users (SUEs) to defend against eavesdropping. Meanwhile, the transmissions from small-cell base stations (SBSs) are subject to the aggregate interference constraints of macro-cell users (MUEs). In particular, we consider two-fold information uncertainties in small cells, i.e., the uncertainties regarding the eavesdroppers and interference channels to the MUEs. As such, the SBSs compete for robust secrecy rate with robust protection for the MUEs. We adopt the generalized robust Nash equilibrium problem (GRNEP) formulation, for which we confirm the existence of equilibrium and analyze the condition for the uniqueness with variational inequality-assisted analysis. Furthermore, to solve for the equilibrium, we introduce the pricing mechanism and decompose the original GRNEP as a nonlinear complementarity problem with a priced NEP, where the former provides solution of price coefficients and the latter for resource allocation strategies based on given prices. Finally, extensive simulation results are provided to demonstrate the impacts of the interference constraint and uncertainties upon the security performance of an individual SUE and the overall network, which also corroborate the effectiveness of our proposal in security provisioning for the SUEs and interference protection for the MUEs.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,973
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,217
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Wireless CommunicationsMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207