基于NOMA的无线携能D2D通信鲁棒能效优化算法

徐勇军; 刘子腱; 李国权; 陈前斌; 林金朝

doi:10.11999/JEIT200175

基于NOMA的无线携能D2D通信鲁棒能效优化算法

doi: 10.11999/JEIT200175

徐勇军^{1, 2, ,},
刘子腱¹,
李国权¹,
陈前斌¹,
林金朝¹

1.
重庆邮电大学通信与信息工程学院重庆 400065
2.
西安邮电大学陕西省信息通信网络及安全重点实验室西安 710121

基金项目: 国家自然科学基金(61601071)，重庆市自然科学基金(cstc2019jcyj-xfkxX0002)，陕西省信息通信网络及安全重点实验室(ICNS201904)

详细信息

作者简介:
徐勇军：男，1986年生，副教授，硕士生导师，研究方向为D2D通信、能量收集、异构无线网络资源分配

刘子腱：男，1995年生，硕士生，研究方向为D2D通信、鲁棒资源分配

李国权：男，1980年生，副教授，硕士生导师，研究方向为多蜂窝网络性能分析

陈前斌：男，1967年生，教授，博士生导师，研究方向为下一代移动通信

林金朝：男，1966年生，教授，博士生导师，研究方向为无线传输技术、BAN网络与信道处理技术

通讯作者:
徐勇军　xuyj@cqupt.edu.cn

中图分类号: TN929.5
计量
- 文章访问数: 2078
- HTML全文浏览量: 1002
- PDF下载量: 176
- 被引次数: 87
出版历程
- 收稿日期: 2020-03-17
- 修回日期: 2020-07-24
- 网络出版日期: 2020-08-22
- 刊出日期: 2021-05-18

Robust Energy Efficiency Optimization Algorithm for NOMA-based D2D Communication With Simultaneous Wireless Information and Power Transfer

1.
School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
2.
Shaanxi Key Laboratory of Information Communication Network and Security, Xi’an University of Posts & Telecommunications, Xi’an 710121, China

Funds: The National Natural Science Foundation of China (61601071), The National Natural Science Foundation of Chongqing (cstc2019jcyj-xfkxX0002), The Shaanxi Key Laboratory of Information Communication Network and Security (ICNS201904)

摘要

摘要: 针对频谱短缺、基站负荷过高、通信系统功耗较大等问题，考虑不完美的信道状态信息，该文提出一种基于非正交多址接入的无线携能(SWIPT)D2D网络鲁棒能效(EE)最大化资源分配算法(SREA)。考虑用户的服务质量约束以及最大发射功率约束，基于随机信道不确定性建立鲁棒能效最大化资源分配模型。利用Dinkelbach和变量替换方法，将原NP-hard问题转换为确定性的凸优化问题，通过拉格朗日对偶理论求得解析解。仿真结果表明，所提算法在保证蜂窝用户通信质量的同时，能够有效提高D2D用户的能效性和鲁棒性能。
- 非正交多址接入 /
- 无线信息与功率同传 /
- 终端直通 /
- 鲁棒资源分配 /
- 随机不确定性模型
Abstract: In order to resolve the problems of spectrum shortage, large power consumption, and excessive load at base stations, a Simultaneous Wireless Information and Power Transfer (SWIPT)-based Robust Energy Efficiency (EE) Algorithm (SREA) with imperfect channel state information is proposed to maximize the total EE in Non-Orthogonal Multiple Access (NOMA) assisted Device-to-Device (D2D) networks. Considering the users' Quality of Service (QoS) constraints and maximum transmit power constraints, a robust EE maximization-based resource allocation model is established based on random channel uncertainties. Moreover, the original NP-hard problem is transformed into a deterministic convex optimization problem by using Dinkelbach’s method and the variable substitution method. And the analytical solutions are obtained through Lagrange dual theory. Simulation results demonstrated that the proposed algorithm can effectively improve the system EE and the robustness of D2D users while ensuring the communication quality of cellular users.
- Non-Orthogonal Multiple Access (NOMA) /
- Simultaneous Wireless Information and Power Transfer (SWIPT) /
- Device-to-Device (D2D) /
- Robust resource allocation /
- Stochastic uncertainty model

HTML全文

图 1 基于下行NOMA的无线携能D2D通信网络

下载: 全尺寸图片幻灯片

图 2 总能效在不同信道距离下的收敛性能

下载: 全尺寸图片幻灯片

图 3 总能效与D2D发射机最大发射功率的关系

下载: 全尺寸图片幻灯片

图 4 总能效与D2D用户数量在不同中断概率门限下的关系

下载: 全尺寸图片幻灯片

图 5 总能效与D2D用户数量在不同算法下的关系

下载: 全尺寸图片幻灯片

图 6 总能效在不同信道估计误差的方差下的收敛性能

下载: 全尺寸图片幻灯片

图 7 中断概率与信道估计误差的方差的关系

下载: 全尺寸图片幻灯片

表 1 系统参数

参数	含义
$N$	D2D用户数量
$\theta$	能量收集效率系数
$P_{}^{\max }$	基站的最大发射功率
${M_k}$	资源块 $k$ 上的蜂窝用户数量
$P_n^{\max }$	D2D用户 $n$ 的最大发射功率
$h_n^k$	D2D用户 $n$ 在资源块 $k$ 上的信道增益
$q_n^k$	D2D用户 $n$ 在资源块 $k$ 上的发射功率
$h_i^{k,C}$	基站到蜂窝用户 $i$ 在资源块 $k$ 上的信道增益
$g_n^{k,B}$	基站到D2D用户 $n$ 在资源块 $k$ 上的信道增益
$K$	资源块数量
$\tau$	中断概率门限
$M$	蜂窝用户总数量
${\sigma ^2}$	接收机的背景噪声功率
$P_c^D$	D2D用户的电路功率消耗
$R_i^{k,\min }$	蜂窝用户 $i$ 的最小数据速率
$p_i^k$	基站通过资源块 $k$ 分配给蜂窝用户 $i$ 的发射功率
$g_{n,i}^k$	D2D用户 $n$ 到蜂窝用户 $i$ 在资源块 $k$ 上的信道增益
$g_{d,n}^k$	D2D用户 $d$ 到D2D用户 $n$ 在资源块 $k$ 上的信道增益

下载: 导出CSV

表 2 鲁棒资源分配算法

初始化系统参数 $N$ , ${M_k}$ , $M$ , $K$ , $P_c^D$ , ${\sigma ^2}$ , $\theta$ , $\tau$ , $R_n^{\min }$ , $R_i^{k,\min }$ , $P_n^{\max }$ , $P_{}^{\max }$ , $d$ ；给定 $p_n^k$ , $x_n^k$ , $\eta$ , $\rho _{n,1}^k$ , $\rho _{n,2}^k$ ；外层迭代次数 $t = 0$ ；定义算法　收敛精度 $\varpi$ 和 $\varsigma$ ，外层最大迭代次数 $T$ ；
(1) While $\left\| {\dfrac{ {\tilde R(t)} }{ {\tilde P(t)} } - \eta (t - 1)} \right\| > \varpi$ 和 $t < T$ , do
(2)　初始化迭代步长和拉格朗日乘子，定义内层最大迭代次数 $L$ ，初始化 $l = 0$ ；
(3)　　While $\left\| {q_n^k(l) - q_n^k(l - 1)} \right\| > \varsigma$ 和 $l < L$ ，do
(4)　　　For $m = 1:1:M$
(5)　　　　For $n = 1:1:N$
(6)　　　　　For $k = 1:1:K$
(7)　　　　　根据式(26)计算 $T_n^k$ ,更新 $x_n^k$ ；
(8)　　　　　根据式(29)计算 $\alpha _n^k$ ；
(9)　　　　　计算 $\rho _{n,1}^k$ , $\rho _{n,2}^k$ , $q_n^k$ 的最优值；
(10)　　　　　根据式(30)—式(34)更新拉格朗日乘子；
(11)　　　　　End For
(12)　　　　End For
(13)　　　End For
(14)　　　更新 $l = l + 1$ ；
(15)　End While 　(16) 更新 $\eta (t) = \dfrac{ {\tilde R(t)} }{ {\tilde P(t)} }$ , $t = t + 1$ ；
(17) End While

下载: 导出CSV

参考文献(19)

[1]	LEE N, LIN Xingqin, ANDREWS J G, et al. Power control for D2D underlaid cellular networks: Modeling, algorithms, and analysis[J]. IEEE Journal on Selected Areas in Communications, 2015, 33(1): 1–13. doi: 10.1109/JSAC.2014.2369612
[2]	PERERA T D P, JAYAKODY D N K, SHARMA S K, et al. Simultaneous wireless information and power transfer (SWIPT): Recent advances and future challenges[J]. IEEE Communications Surveys & Tutorials, 2018, 20(1): 264–302. doi: 10.1109/COMST.2017.2783901
[3]	高东, 梁子林. 基于能量效率的双层非正交多址系统资源优化算法[J]. 电子与信息学报, 2020, 42(5): 1237–1243. doi: 10.11999/JEIT190048 GAO Dong and LIANG Zilin. Energy efficient based resource optimization algorithm for two-tier non-orthogonal multiple access network[J]. Journal of Electronics &Information Technology, 2020, 42(5): 1237–1243. doi: 10.11999/JEIT190048
[4]	PAN Yijin, PAN Cunhua, YANG Zhaohui, et al. Resource allocation for D2D communications underlaying a NOMA-based cellular network[J]. IEEE Wireless Communications Letters, 2018, 7(1): 130–133. doi: 10.1109/LWC.2017.2759114
[5]	CHEN Jian, JIA Jie, LIU Yuanwei, et al. Optimal resource block assignment and power allocation for D2D-enabled NOMA communication[J]. IEEE Access, 2019, 7: 90023–90035. doi: 10.1109/ACCESS.2019.2926438
[6]	SALEEM U, JANGSHER S, QURESHI H K, et al. Joint subcarrier and power allocation in the energy-harvesting-aided D2D communication[J]. IEEE Transactions on Industrial Informatics, 2018, 14(6): 2608–2617. doi: 10.1109/TII.2018.2794467
[7]	DAI Yanpeng, SHENG Min, LIU Junyu, et al. Joint mode selection and resource allocation for D2D-enabled NOMA cellular networks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(7): 6721–6733. doi: 10.1109/TVT.2019.2916395
[8]	ZHENG Hanyu, HOU Shujuan, LI Hai, et al. Power allocation and user clustering for uplink MC-NOMA in D2D underlaid cellular networks[J]. IEEE Wireless Communications Letters, 2018, 7(6): 1030–1033. doi: 10.1109/LWC.2018.2845398
[9]	SUN Huakui, ZHAI Daosen, ZHANG Zhenfeng, et al. Channel allocation and power control for device-to-device communications underlaying cellular networks incorporated with non-orthogonal multiple access[J]. IEEE Access, 2019, 7: 168593–168605. doi: 10.1109/ACCESS.2019.2954467
[10]	ZHAI Daosen, ZHANG Ruonan, WANG Yutong, et al. Joint user pairing, mode selection, and power control for D2D-capable cellular networks enhanced by nonorthogonal multiple access[J]. IEEE Internet of Things Journal, 2019, 6(5): 8919–8932. doi: 10.1109/JIOT.2019.2924513
[11]	CHEN Bo, LIU Juan, YANG Xinjie, et al. Resource allocation for energy harvesting-powered D2D communications underlaying NOMA-based networks[J]. IEEE Access, 2019, 7: 61442–61451. doi: 10.1109/ACCESS.2019.2913041
[12]	PEI Lu, YANG Zhaohui, PAN Cunhua, et al. Energy-efficient D2D communications underlaying NOMA-based networks with energy harvesting[J]. IEEE Communications Letters, 2018, 22(5): 914–917. doi: 10.1109/LCOMM.2018.2811782
[13]	XU Yongjun, ZHAO Xiaohui, and LIANG Yingchang. Robust power control and beamforming in cognitive radio networks: A survey[J]. IEEE Communications Surveys & Tutorials, 2015, 17(4): 1834–1857. doi: 10.1109/COMST.2015.2425040
[14]	WANG Xiaoming, ZHENG Fuchun, ZHU Pengcheng, et al. Energy-efficient resource allocation in coordinated downlink multicell OFDMA systems[J]. IEEE Transactions on Vehicular Technology, 2016, 65(3): 1395–1408. doi: 10.1109/TVT.2015.2413950
[15]	DINKELBACH W. On nonlinear fractional programming[J]. Management Science, 1967, 13(7): 492–498. doi: 10.1287/mnsc.13.7.492
[16]	BOYD S and VANDENBERGHE L. Convex Optimization[M]. Cambridge, UK: Cambridge University Press, 2004: 61–102.
[17]	李国权, 徐勇军, 陈前斌. 基于干扰效率多蜂窝异构无线网络最优基站选择及功率分配算法[J]. 电子与信息学报, 2020, 42(4): 957–964. doi: 10.11999/JEIT190419 LI Guoquan, XU Yongjun, and CHEN Qianbin. Interference efficiency-based base station selection and power allocation algorithm for multi-cell heterogeneous wireless networks[J]. Journal of Electronics &Information Technology, 2020, 42(4): 957–964. doi: 10.11999/JEIT190419
[18]	ALEMAISHAT S, SARAEREH O A, KHAN I, et al. An efficient resource allocation algorithm for D2D communications based on NOMA[J]. IEEE Access, 2019, 7: 120238–120247. doi: 10.1109/ACCESS.2019.2937401
[19]	HAO Yuanyuan, NI Qiang, LI Hai, et al. Robust multi-objective optimization for EE-SE tradeoff in D2D communications underlaying heterogeneous networks[J]. IEEE Transactions on Communications, 2018, 66(10): 4936–4949. doi: 10.1109/TCOMM.2018.2834920

施引文献

期刊类型引用(53)

1.	韦昀昊. 高铁环境下基于循环神经网络的无线传播信道模型研究. 微型电脑应用. 2024(03): 176-179 . 百度学术
2.	陈家乐. 基于大数据分析的网络实时异常入侵行为检测. 信息与电脑(理论版). 2024(02): 198-200 . 百度学术
3.	刘鑫，王明明. 浅析南水北调工程安防系统关键技术要点. 水利技术监督. 2024(05): 209-212 . 百度学术
4.	苏凯旋. 基于改进XGBoost模型的网络入侵检测研究. 计算机与现代化. 2024(06): 109-114 . 百度学术
5.	胡璐锦，王振凯，狄森川，蔡胜奇，刘毓. 城市多出行方式轨迹预测的模型集成方法. 测绘科学. 2024(09): 71-80 . 百度学术
6.	冯国聪，樊凯，叶婉琦. 基于卷积神经网络的网络入侵检测系统设计. 微型电脑应用. 2023(05): 141-143+154 . 百度学术
7.	王文杰，张春英，王立亚，贾栋豪，郭雪飞. 融合IPCA和CNN的增量入侵检测模型. 华北理工大学学报(自然科学版). 2023(03): 90-100+109 . 百度学术
8.	林鹏，陈聪，徐盛秋，蔡富裕，廖华. 融合图像与红外传感的变电站异物入侵在线监测. 电子设计工程. 2023(15): 178-181+186 . 百度学术
9.	王振东，徐振宇，李大海，王俊岭. 面向入侵检测的元图神经网络构建与分析. 自动化学报. 2023(07): 1530-1548 . 百度学术
10.	路春辉. 基于支持向量机和象群优化算法的入侵检测技术研究. 信息技术. 2023(09): 64-70 . 百度学术
11.	周明月，常明航，付殿臣，程超. 一种基于EA-BinGRU算法的网络入侵检测算法. 计算机应用与软件. 2023(11): 321-326 . 百度学术
12.	刘超. 广电机房网络安全隐患及网络安全技术策略探讨. 电脑编程技巧与维护. 2023(12): 160-163 . 百度学术
13.	吴丹，王俊，许燕. 基于深度学习的公共充电桩故障预测模型. 电子设计工程. 2022(05): 127-130+135 . 百度学术
14.	邹洪，刘家豪，陈锋，农彩勤，王斌. 基于递归神经网络的原始训练数据防泄漏密码生成系统设计. 电子设计工程. 2022(05): 122-126 . 百度学术
15.	胡向东，李之涵. 基于胶囊网络的工业互联网入侵检测方法. 电子学报. 2022(06): 1457-1465 . 百度学术
16.	谢澳归. 基于机器学习的入侵检测技术研究. 信息与电脑(理论版). 2022(08): 218-220 . 百度学术
17.	程超，武静凯，陈梅. 一种基于RBM-SVM算法的无线传感网络入侵检测算法. 计算机应用与软件. 2022(05): 325-329 . 百度学术
18.	付吉菊. 交互式网络恶意入侵跳频数据特征自动挖掘方法. 宁夏师范学院学报. 2022(07): 72-79 . 百度学术
19.	颜蔚. 基于卷积神经网络的无线网络安全风险评估及控制. 沈阳工业大学学报. 2022(05): 565-569 . 百度学术
20.	谭韶生，夏旭. 数据挖掘的船舶通信网络非法入侵智能检测方法. 舰船科学技术. 2022(17): 144-147 . 百度学术
21.	洪彦. 基于神经网络优化模型的网络通信异常检测. 佳木斯大学学报(自然科学版). 2022(05): 47-50 . 百度学术
22.	周慧君. 顾及环境胁迫反应机制的船舶轨迹预测方法. 测绘科学. 2022(09): 67-75+94 . 百度学术
23.	钟双莲，童峰，刘雨佶，章宇栋，陈东升. 低信噪比条件下深度学习麦克风阵列波束形成. 兵器装备工程学报. 2022(11): 273-277+296 . 百度学术
24.	李青. 云计算环境下船舶无线通信网络入侵检测方法. 舰船科学技术. 2022(21): 140-143 . 百度学术
25.	年飞翔，郭阳，徐梅，黄纯玺，金津，黄文婷，梁健，王艺. 基于BP神经网络的降水量估算模型在自动气象站降水量质量控制中的应用. 气象与环境科学. 2022(06): 101-107 . 百度学术
26.	谭伦荣，王辉. 基于深度卷积神经网络的无线通信网络异常攻击检测. 重庆科技学院学报(自然科学版). 2022(06): 60-64 . 百度学术
27.	赵晓松. 舰船无线网络入侵数据点自动定位方法. 舰船科学技术. 2021(04): 181-183 . 百度学术
28.	田桂丰，单志龙，廖祝华，王煜林. 基于Faster R-CNN深度学习的网络入侵检测模型. 南京理工大学学报. 2021(01): 56-62 . 百度学术
29.	王钰，刘磊. 基于特征扩展的网构软件测试数据分类模型构建. 电子设计工程. 2021(08): 29-32+37 . 百度学术
30.	田桂丰，单志龙，廖祝华，王煜林. 基于空间降维和多核支持向量机的网络入侵检测. 济南大学学报(自然科学版). 2021(04): 365-369+375 . 百度学术
31.	龚琴，柯善良. 基于机器学习的物联网反入侵检测方法研究. 内蒙古民族大学学报(自然科学版). 2021(03): 211-216 . 百度学术
32.	田里，喻潇，王捷，王晋. 基于Snort的网络安全入侵检测预防系统设计. 电子设计工程. 2021(18): 148-151+156 . 百度学术
33.	潘勇斌，顾全，廖华，周南菁. 基于循环神经网络的电网故障智能告警信息分类研究. 自动化技术与应用. 2021(09): 56-60 . 百度学术
34.	李闯. 无线网络入侵干扰信号特征分离方法. 通信技术. 2021(10): 2413-2417 . 百度学术
35.	陈雪芳. 基于AL-SVM算法的无线传感器网络入侵检测研究. 沈阳工程学院学报(自然科学版). 2021(04): 68-73 . 百度学术
36.	王佳坤，缪祥华，邵建龙. 基于深度循环神经网络的入侵检测方法. 化工自动化及仪表. 2021(06): 566-574+645 . 百度学术
37.	赵冬梅，宋会倩，张红斌. 基于时间因子和复合CNN结构的网络安全态势评估. 计算机科学. 2021(12): 349-356 . 百度学术
38.	杨力. 基于IPSO-SVM算法的网络入侵检测方案研究. 信息与电脑(理论版). 2021(23): 45-47 . 百度学术
39.	杨鹏. 移动警务网络中基于神经网络的入侵检测研究. 信息网络安全. 2021(S1): 26-29 . 百度学术
40.	吴丽佳. 基于压缩感知的智能电网入侵检测方法研究. 通信技术. 2020(03): 733-737 . 百度学术
41.	林立忠，池海宏. 舰船网络入侵目标检测效率优化方法分析. 舰船科学技术. 2020(10): 172-174 . 百度学术
42.	李刚，孙耀文，于德新，付海，赵邵蕾. 基于Agent人工智能技术的分布式入侵检测系统设计. 计算机测量与控制. 2020(07): 29-33+38 . 百度学术
43.	郭华，李颖，江浩，邓翔，王利斌，李祉岐. 基于物联网技术的电力线路信息网入侵检测系统设计. 电子设计工程. 2020(18): 131-135 . 百度学术
44.	邹洪，杨逸岳，张佳发. 基于K-means聚类算法的网络入侵监测系统设计. 自动化与仪器仪表. 2020(09): 123-126 . 百度学术
45.	刘文春. 网络异常流量特征选择方法研究. 新乡学院学报. 2020(09): 25-28+42 . 百度学术
46.	李腾耀，王布宏，尚福特，田继伟，曹堃锐. ADS-B攻击数据弹性恢复方法. 电子与信息学报. 2020(10): 2365-2373 . 本站查看
47.	宣乐飞. 舰船通信网络的入侵检测技术研究. 舰船科学技术. 2020(18): 136-138 . 百度学术
48.	苏明，马琳. 蚁群算法选择神经网络参数的网络入侵检测. 现代电子技术. 2020(22): 114-117 . 百度学术
49.	吴永芬，徐为. 基于蚁群优化算法和支持向量机相结合的医院网络非法入侵检测. 现代电子技术. 2020(22): 78-81 . 百度学术
50.	缪祥华，单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报. 2020(11): 2706-2712 . 本站查看
51.	许春冬，徐琅，周滨，凌贤鹏. 单通道语音增强技术的研究现状与发展趋势. 江西理工大学学报. 2020(05): 55-64 . 百度学术
52.	蒋华伟，张磊. 基于长短期记忆生成对抗网络的小麦品质多指标预测模型. 电子与信息学报. 2020(12): 2865-2872 . 本站查看
53.	古险峰. 一种基于数据挖掘的网络入侵检测系统设计与实现. 河南科技学院学报(自然科学版). 2020(06): 54-58+67 . 百度学术