MétaCan
Menu
Retour à la cohorte
Enregistrement W4392824349 · doi:10.1109/tcomm.2024.3375815

Secure Transmission of UAV Control Information via NOMA

2024· article· en· W4392824349 sur OpenAlexaff
Zhaoxin Feng, Huabing Lu, Nan Zhao, Zhaoyuan Shi, Yunfei Chen, Xianbin Wang

Notice bibliographique

RevueIEEE Transactions on Communications · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensWestern University
Organismes subventionnairesNatural Science Foundation of Anhui ProvinceChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésNomaTransmission (telecommunications)Computer scienceComputer networkInformation transmissionControl (management)Electronic engineeringTelecommunicationsEngineeringTelecommunications link

Résumé

récupéré en direct d'OpenAlex

Unmanned aerial vehicle (UAV) assisted wireless communication is a key component of the next-generation mobile networks. In coping with the increased dynamics in UAV networks, the transmission of control information is indispensable, requiring not only ultra reliability and low latency, but also high security. In this paper, we investigate the secrecy performance of the control information in a NOMA ground-air short-packet wireless network with an untrusted internal UAV or an external flying eavesdropper, respectively. Both the large-scale path loss and the Nakagami-m small-scale fading are considered. First, the closed-form expressions of the average secure block error rate (BLER) and the average achievable secrecy throughput in each scenario are derived. Then, the asymptotic performance in the high signal-to-noise ratio (SNR) regime is analyzed to get more insights from both scenarios. Specifically, analytical results show that error floors occur with the increase of SNR. Moreover, a one-dimensional search is applied to maximize the average achievable secrecy throughput by optimizing the blocklength. Simulation results are provided to verify the accuracy of analysis and the effectiveness of optimization.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,007
Tête enseignante GPT0,215
Écart entre enseignants0,208 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on CommunicationsMême sujetUAV Applications and OptimizationTravaux en français237 207