Effect of Phase Shift Errors on the Security of UAV-Assisted STAR-RIS IoT Networks
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAV)-mounted simultaneous transmitting and reflecting reconfigurable intelligent surface (STAR-RIS) systems can provide full-dimensional coverage and flexible deployment opportunities in future 6G-enabled IoT networks. However, practical imperfections such as jittering and airflow of UAV could affect the phase shift of STAR-RIS, and consequently degrade network security. In this respect, this paper investigates the impact of phase shift errors on the secrecy performance of UAV-mounted STAR-RIS-assisted IoT systems. More specifically, we consider a UAV-mounted STAR-RIS-assisted non-orthogonal multiple access (NOMA) system where IoT devices are grouped into two groups: one group on each side of the STAR-RIS. The nodes in each group are considered as potential Malicious nodes for the ones on the other side. By modeling phase estimation errors using a von Mises distribution, an analytical closed-form expressions for the ergodic secrecy rates under imperfect phase adjustment are derived. An optimization problem to maximize the weighted sum secrecy rate (WSSR) by optimizing the UAV placement is formulated and is then solved using a linear grid-based algorithm. Monte Carlo simulations are provided to validate the analytical derivations. The impact of phase estimation errors on system’s secrecy performance is analyzed, providing critical insights for the practical realisation of STAR-RIS deployments for secure UAV-enabled IoT networks.
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 | 0,007 |
| 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 | 0,000 | 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 ».