Active RIS-NOMA Uplink in URLLC, Jamming Mitigation via Surrogate and Deep Learning
Notice bibliographique
Résumé
The integration of Non-Orthogonal Multiple Access (NOMA) and Reconfigurable Intelligent Surfaces (RIS) significantly enhances 5G across a variety of technologies such as the Internet of Things (IoT), smart cities, and industrial automation. This work explores an active RIS-assisted NOMA uplink system aimed at mitigating jamming attacks while ensuring the reliability and latency requirements of ultra-reliable low-latency communication (URLLC) applications. We investigate the potential of RIS with active elements that adjust the phase and amplitude of the received signals for robust jamming mitigation. The study incorporates finite blocklength (FBL) and Automatic Repeat Request (ARQ) strategies to handle real-world complex configurations effectively. A thorough examination of various network parameters is conducted, including user transmit powers, active RIS elements amplitude, and the number of RIS elements. The paper utilizes the surrogate optimization technique, particularly the Radial Basis Function (RBF), to address the non-convex optimization problem minimizing the power consumption. The complexity of the optimization problem, involving numerous interacting variables, leads us to develop a deep regression model to predict optimal network configurations, providing a computationally efficient approach as well as reducing the signaling overhead. The findings emphasize the delicate balance required in optimizing network parameters. For instance, increasing the blocklength from 100 to 150 increases the reliability feasibility by 12.19%. The results demonstrate an optimal range for the amplitude value of active RIS elements (2<β<15). Exceeding this range results in over-amplification, high latency, and lower reliability, due to the interference related to NOMA cluster users. The deep regression model converges to a weighted mean square error (WMSE) of 10.6 for RIS with 25 elements and 15.8 for larger RIS size, highlighting the effectiveness of the deep regression model and RIS configuration’s importance.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».