Jamming-Enhanced Secure UAV Communications With Propulsion Energy and Curvature Radius Constraints
Notice bibliographique
Résumé
A multi-unmanned aerial vehicles (UAVs)-aided secure communication network is studied, where multiple information UAVs carrying temporary aerial base stations transmit confidential information to multiple authorized receivers (ARs), and a jammer UAV is employed to send artificial noise to multiple unauthorized receivers (URs) for mitigating information leakage. Some practical constrains including the inter-UAV interference among the information UAVs and the jammer UAV, the maximal available propulsion energy at UAVs, and the curvature radius limitations of UAVs' trajectories are concurrently taken into account. In order to maximize the minimum secrecy rate among the ARs, the AR scheduling, the UAVs' power allocation and the trajectories of UAVs are jointly optimized by formulating a multi-variable optimization problem. To solve the non-convex problem efficiently, we present a block coordinate descent (BCD)-based approach, where the penalty dual decomposition (PDD)-based algorithm is designed to optimize the AR scheduling, and successive convex approximation (SCA)-based algorithm is proposed to optimize the UAVs' power allocation and the trajectories of UAVs. The complexity of the presented BCD-based approach is analyzed, which achieves polynomial complexity. Simulation results show that imposing curvature radius limitations on the UAVs' trajectory design is effective to avoid sharp turning of UAVs. Moreover, as curvature radius increases, the system max-min secrecy rate decreases. Besides, the secrecy rate performance of the system can be enhanced by exploiting one jammer UAV to interfere with the URs.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».