Aerial-IRS-Assisted Securing Communications Against Eavesdropping: Joint Trajectory and Resource Allocation
Notice bibliographique
Résumé
Intelligent reconfigurable surface (IRS) is an innovative and promising technology to achieve intelligent reconfigurable wireless environment, and thus, enables cost-effective and energy-efficient wireless communications. Due to the broadcasting nature of the wireless signals, the reflected signal in IRS-assisted wireless communications networks might suffer from eavesdropping. Thus, it is essential to tackle the secrecy aware problems in IRS-assisted wireless communications networks. In this article, we consider an aerial IRS (AIRS) assisted wireless relay network scenario, where IRS is mounted on the aerial platform. The artificial noise is added to interrupt the eavesdropping. A secrecy rate maximization problem is formulated subject to the total transmit power and reflecting phase shift constraints. To solve this problem, we first divide the secrecy maximization problem into three subproblems, i.e., transmit power allocation, AIRS trajectory design, and reflecting phase shift optimization. These three subproblems are solved alternately until convergence to maximize the secrecy rate. Especially, for the AIRS trajectory design and reflecting phase shift optimization, we employ the successive convex approximation (SCA) and positive semidefinite relaxation (SDR) technologies to convert the nonconvex optimization problems into convex problems, respectively. The intercept probability of the proposed optimal schemes is derived and the theoretical analyses show that the intercept probability can be reduced by increasing the numbers of IRS elements. Simulation results show that the joint optimization of transmit power, AIRS trajectory and reflecting phase shift can effectively improve the secrecy rate.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 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 ».