Decoding Order and Power Control for Securing Priority Users in Cooperative NOMA-Enabled Industrial IoT Networks
Notice bibliographique
Résumé
The advancement of industrial Internet of Things (IIoT) networks has brought challenges in terms of connectivity, efficient spectrum usage, and low latency. To tackle these challenges, advanced multiple access techniques have been developed. Non-orthogonal multiple access (NOMA) is a promising multiple access technique due to its high energy efficiency and fairness for devices. However, NOMA has inherent security issues due to wireless transmission and complex successive interference cancellation (SIC) based decoding, which can negatively impact system performance. Furthermore, achieving perfect SIC is also a challenging task due to implementation complexity. This study investigates the effects of imperfect SIC in a dual-device cooperative NOMA system. Our system includes direct links between the source and devices and uses both decode-and-forward and amplify-and-forward relays. The overall objective is to optimize decoding order and power allocation coefficients in order to maximize the near or priority device’s secrecy rate while meeting the quality-of-service (QoS) requirements of the far or normal device. Observing the underlying optimization problems to be non-convex, a low-complexity algorithm yielding optimal solutions is developed. Our findings reveal how imperfect SIC can impact massive access systems and secrecy performance. Extensive simulations provide novel design insights into the achievable secrecy rate and optimal power allocation coefficients. We also explore the trade-off between the priority device’s secrecy rate and the normal device’s rate, along with the impact of residual interference. Finally, our proposed solution has been shown to significantly improve the QoS-constrained secrecy rate of priority devices when compared to relevant benchmarks.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».