Beamforming and Jamming Optimization for IRS-Aided Secure NOMA Networks
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
The integration of intelligent reflecting surface (IRS) and multiple access provides a promising solution to improved coverage and massive connections at low cost. However, securing IRS-aided networks remains a challenge since the potential eavesdropper also has access to an additional IRS reflection link, especially when the eavesdropping channel state information is unknown. In this paper, we propose an IRS-assisted non-orthogonal multiple access (NOMA) scheme to achieve secure communication via artificial jamming, where the multi-antenna base station sends the NOMA and jamming signals together to the legitimate users with the assistance of IRS, in the presence of a passive eavesdropper. The sum rate of legitimate users is maximized by optimizing the transmit beamforming, the jamming vector and the IRS reflecting vector, satisfying the quality of service requirement, the IRS reflecting constraint and the successive interference cancellation (SIC) decoding condition. In addition, the received jamming power is adapted at the highest level at all legitimate users for successful cancellation via SIC. To tackle this non-convex optimization problem, we first decompose it into two subproblems, and then each subproblem is converted into a convex one using successive convex approximation. An alternate optimization algorithm is proposed to solve them iteratively. Numerical results show that the secure transmission in the proposed IRS-NOMA scheme can be effectively guaranteed with the assistance of artificial jamming.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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