融合信息通信和空中计算的认知无线网络鲁棒资源分配优化

doi:10.11772/j.issn.1001-9081.2023050573

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (4): 1195-1202.DOI: 10.11772/j.issn.1001-9081.2023050573

所属专题：网络与通信

融合信息通信和空中计算的认知无线网络鲁棒资源分配优化

罗华亮¹, 李全忠²(), 张旗¹

^1.中山大学电子与信息工程学院，广州 510006
^2.中山大学计算机学院，广州 510006

收稿日期:2023-05-15 修回日期:2023-07-05 接受日期:2023-07-09 发布日期:2023-08-01 出版日期:2024-04-10
通讯作者: 李全忠
作者简介:罗华亮（1994—），男，广西南宁人，博士研究生，主要研究方向：无线通信、资源分配优化
李全忠（1984—），男，广东茂名人，副教授，博士，主要研究方向：无线通信、信号处理、物理层安全 liquanzh@mail.sysu.edu.cn
张旗（1977—），男，广东普宁人，副教授，博士，主要研究方向：无人机通信、非正交多址接入、无线携能通信、协作通信、超宽带通信。
基金资助:
国家自然科学基金资助项目(62272493);广东省基础与应用基础研究基金资助项目(2023A1515011201)

Robust resource allocation optimization in cognitive wireless network integrating information communication and over-the-air computation

Hualiang LUO¹, Quanzhong LI²(), Qi ZHANG¹

^1.School of Electronics and Information Technology，Sun Yat?sen University，Guangzhou Guangdong 510006，China
^2.School of Computer Science and Engineering，Sun Yat?sen University，Guangzhou Guangdong 510006，China

Received:2023-05-15 Revised:2023-07-05 Accepted:2023-07-09 Online:2023-08-01 Published:2024-04-10
Contact: Quanzhong LI
About author:LUO Hualiang， born in 1994， Ph. D. candidate. His research interests include wireless communications， resource allocation optimization.
LI Quanzhong， born in 1984， Ph. D.， associate professor. His research interests include wireless communications， signal processing， physical layer security.
ZHANG Qi， born in 1977， Ph. D.， associate professor. His research interests include UAV communications， non-orthogonal multiple access， simultaneous wireless information and power transfer， cooperative communications， ultra-wideband communications.
Supported by:
National Natural Science Foundation of China(62272493);Guangdong Basic and Applied Basic Research Foundation(2023A1515011201)

摘要/Abstract

摘要：

针对空中计算网络中无线传感器的功率资源限制及其与现有无线通信网络的频谱竞争，研究一个包含信息通信和空中计算功能的认知无线网络，其中，主网络实现无线信息通信功能，次网络实现空中计算功能，且次网络中的传感器利用主网络基站发送的信号收集无线能量。考虑空中计算的均方误差（MSE）约束和网络中各节点的功率约束，基于随机信道不确定性构建目标函数为无线通信用户的和速率最大化的鲁棒资源分配优化问题，提出一个交替优化（AO）-改进的约束随机连续凸逼近（ICSSCA）算法，即AO-ICSSCA算法，将原鲁棒优化问题转换为确定性优化的子问题，并以交替的方式优化主网络基站的下行波束成形向量、次网络中传感器的功率因子和融合中心的融合波束成形向量。仿真实验结果表明，相较于改进前的约束随机连续凸逼近（CSSCA）算法，AO-ICSSCA算法能以更短的计算用时实现更好的优化性能。

关键词: 信息通信, 空中计算, 认知无线网络, 鲁棒资源分配, 随机优化

Abstract:

To address the power resource limitations of wireless sensors in over-the-air computation networks and the spectrum competition with existing wireless information communication networks， a cognitive wireless network integrating information communication and over-the-air computation was studied， in which the primary network focused on wireless information communication， and the secondary network aimed to support over-the-air computation where the sensors utilized signals sent by the base station of the primary network for energy harvesting. Considering the constraints of the Mean Square Error （MSE） of over-the-air computation and the transmit power of each node in the network， base on the random channel uncertainty， a robust resource optimization problem was formulated， with the objective function of maximizing the sum rate of wireless information communication users. To solve the robust optimization problem effectively， an Alternating Optimization （AO）-Improved Constrained Stochastic Successive Convex Approximation （ICSSCA） algorithm called AO-ICSSCA，was proposed， by which the original robust optimization problem was transformed into deterministic optimization sub-problems， and the downlink beamforming vector of the base station in the primary network， the power factors of the sensors， and the fusion beamforming vector of the fusion center in the secondary network were alternately optimized. Simulation experimental results demonstrate that AO-ICSSCA algorithm achieves superior performance with less computing time compared to the Constrained Stochastic Successive Convex Approximation （CSSCA） algorithm before improvement.

Key words: information communication, over-the-air computation, cognitive wireless network, robust resource allocation, stochastic optimization

中图分类号:

TN92

罗华亮, 李全忠, 张旗. 融合信息通信和空中计算的认知无线网络鲁棒资源分配优化[J]. 计算机应用, 2024, 44(4): 1195-1202.

Hualiang LUO, Quanzhong LI, Qi ZHANG. Robust resource allocation optimization in cognitive wireless network integrating information communication and over-the-air computation[J]. Journal of Computer Applications, 2024, 44(4): 1195-1202.

图/表 7

图1 系统模型

Fig. 1 System model

表1 变量的定义

Tab. 1 Definition of variables

变量	定义
$h U, k$ 、 $h S, l$ 、 $g l$	各信道的增益
$h ¯ U, k$ 、 $h ¯ S, l$ 、 $g ¯ l$	各信道增益的估计
$Δ h U, k$ 、 $Δ h S, l$ 、 $Δ g l$	各信道增益的误差
$n U, k$ 、 $n S, l$ 、 $n F C$	通信用户 $k$ 、传感器 $l$ 和融合中心的噪声
$w$	基站波束成形向量
$a$	传感器的发射功率因子
$v$	融合中心的融合波束向量
$Γ l$	传感器 $l$ 的能量收集效率因子
$P B S$ 、 $P l$	基站发射功率、传感器 $l$ 自身携带的能量
$ξ$	空中计算的MSE阈值

表1 变量的定义

Tab. 1 Definition of variables

变量	定义
$h U, k$ 、 $h S, l$ 、 $g l$	各信道的增益
$h ¯ U, k$ 、 $h ¯ S, l$ 、 $g ¯ l$	各信道增益的估计
$Δ h U, k$ 、 $Δ h S, l$ 、 $Δ g l$	各信道增益的误差
$n U, k$ 、 $n S, l$ 、 $n F C$	通信用户 $k$ 、传感器 $l$ 和融合中心的噪声
$w$	基站波束成形向量
$a$	传感器的发射功率因子
$v$	融合中心的融合波束向量
$Γ l$	传感器 $l$ 的能量收集效率因子
$P B S$ 、 $P l$	基站发射功率、传感器 $l$ 自身携带的能量
$ξ$	空中计算的MSE阈值

图2 传感器自身携带不同的能量下的无线通信用户的和速率

Fig. 2 Sum rate of wireless information communication users with different energies carried by sensors

图3 不同传感器数下的无线通信用户的和速率

Fig. 3 Sum rates of wireless information communication users with different sensors

图4 不同空中计算MSE阈值下的无线通信用户的和速率

Fig. 4 Sum rates of wireless information communication users with different MSE thresholds

表2 各算法的计算复杂度

Tab. 2 Computational complexity of each algorithm

算法	计算复杂度
AO-ICSSCA	$O (T n T t (K 3 N B 3 L 0.5 + K 2 N B 2 L 2 + L 3) l o g ε - 1)$
CSSCA-GR	$O (T n T t (K 3.5 N B 3.5 L + K 2.5 N B 2.5 L 2 + K 0.5 N B 0.5 L 3) l o g ε - 1)$

表2 各算法的计算复杂度

Tab. 2 Computational complexity of each algorithm

算法	计算复杂度
AO-ICSSCA	$O (T n T t (K 3 N B 3 L 0.5 + K 2 N B 2 L 2 + L 3) l o g ε - 1)$
CSSCA-GR	$O (T n T t (K 3.5 N B 3.5 L + K 2.5 N B 2.5 L 2 + K 0.5 N B 0.5 L 3) l o g ε - 1)$

表3 各算法的计算用时

Tab. 3 Computing time of each algorithm

传感器数	计算用时/s
传感器数	AO-ICSSCA	CSSCA-GR
10	1 478.8	15 747.2
15	1 523.1	20 131.5
20	1 909.0	34 806.5

参考文献 31

1	AGIWAL M， ROY A， SAXENA N. Next generation 5G wireless networks： a comprehensive survey［J］. IEEE Communications Surveys & Tutorials， 2016， 18（3）： 1617-1655. 10.1109/comst.2016.2532458
2	LIN J， YU W， ZHANG N， et al. A survey on internet of things： architecture， enabling technologies， security and privacy， and applications［J］. IEEE Internet of Things Journal， 2017， 4（5）： 1125-1142. 10.1109/jiot.2017.2683200
3	CHEN X， NG D W K， YU W， et al. Massive access for 5G and beyond［J］. IEEE Journal on Selected Areas in Communications， 2021， 39（3）： 615-637. 10.1109/jsac.2020.3019724
4	ZHAI X， CHEN X， XU J， et al. Hybrid beamforming for massive MIMO over-the-air computation［J］. IEEE Transactions on Communications， 2021， 69（4）： 2737-2751. 10.1109/tcomm.2021.3051397
5	BASARAN S T， KURT G K， CHATZIMISIOS P. Energy-efficient over-the-air computation scheme for densely deployed IoT networks［J］. IEEE Transactions on Industrial Informatics， 2020， 16（5）： 3558-3565. 10.1109/tii.2019.2938005
6	曾续玲，李陶深，巩健，等.无线供能移动边缘计算系统的安全卸载优化［J］. 计算机应用， 2022， 42（4）： 1216-1224.
	ZENG X L， LI T S， GONG J， et al. Secure offloading optimization of wireless powered mobile edge computing system［J］. Journal of Computer Applications， 2022， 42（4）： 1216-1224.
7	马柱华，罗丽平.非理想顺序干扰消除和信道状态信息下SWIPT-NOMA-CR网络中断性能［J］. 物联网学报， 2023， 7（1）： 129-139. 10.11959/j.issn.2096-3750.2023.00314
	MA Z H， LUO L P. Outage performance of SWIPT-NOMA-CR network with imperfect SIC and CSI［J］. Chinese Journal on Internet of Things， 2023， 7（1）： 129-139. 10.11959/j.issn.2096-3750.2023.00314
8	HOU Z， CHEN H， LI Y， et al. Incentive mechanism design for wireless energy harvesting-based internet of things［J］. IEEE Internet of Things Journal， 2018， 5（4）： 2620-2632. 10.1109/jiot.2017.2786705
9	CHU Z， ZHOU F， ZHU Z， et al. Wireless powered sensor networks for internet of things： maximum throughput and optimal power allocation［J］. IEEE Internet of Things Journal， 2018， 5（1）： 310-321. 10.1109/jiot.2017.2782367
10	LI X， ZHU G， GONG Y， et al. Wirelessly powered data aggregation for IoT via over-the-air function computation： beamforming and power control［J］. IEEE Transactions on Wireless Communications， 2019， 18（7）： 3437-3452. 10.1109/twc.2019.2914046
11	WANG Z， SHI Y， ZHOU Y， et al. Wireless-powered over-the-air computation in intelligent reflecting surface-aided IoT networks［J］. IEEE Internet of Things Journal， 2021， 8（3）： 1585-1598. 10.1109/jiot.2020.3015489
12	XUE J， BISWAS S， CIRIK A C， et al. Transceiver design of optimum wirelessly powered full-duplex MIMO IoT devices［J］. IEEE Transactions on Communications， 2018， 66（5）： 1955-1969. 10.1109/tcomm.2018.2801870
13	QI Q， CHEN X， NG D W K. Robust beamforming for NOMA-based cellular massive IoT with SWIPT［J］. IEEE Transactions on Signal Processing， 2019， 68： 211-224. 10.1109/tsp.2019.2959246
14	QI Q， CHEN X， LEI L， et al. Outage-constrained robust design for sustainable B5G cellular internet of things［J］. IEEE Transactions on Wireless Communications， 2019， 18（12）： 5780-5790. 10.1109/twc.2019.2938962
15	YU H， K-W CHIN， SOH S. Charging RF-energy harvesting devices in IoT Networks with imperfect CSI［J］. IEEE Internet of Things Journal， 2022， 9（18）： 17808-17820. 10.1109/jiot.2022.3161023
16	LI B， ZHANG M， RONG Y， et al. Transceiver optimization for wireless powered time-division duplex MU-MIMO systems： non-robust and robust designs［J］. IEEE Transactions on Wireless Communications， 2022， 21（6）： 4594-4607. 10.1109/twc.2021.3131595
17	YU X， CHU J， YU K， et al. Energy-efficiency optimization for IoT-distributed antenna systems with SWIPT over composite fading channels［J］. IEEE Internet of Things Journal， 2020， 7（1）： 197-207. 10.1109/jiot.2019.2946581
18	SARMA S， KANDHWAY K， KURI J. Robust energy harvesting based on a stackelberg game［J］. IEEE Wireless Communications Letters， 2016， 5（3）： 336-339. 10.1109/lwc.2016.2555901
19	LV L， CHEN J， NI Q， et al. Cognitive non-orthogonal multiple access with cooperative relaying： a new wireless frontier for 5G spectrum sharing［J］. IEEE Communications Magazine， 2018， 56（4）： 188-195. 10.1109/mcom.2018.1700687
20	ARZYKULOV S， NAURYZBAYEV G， TSIFTSIS T A， et al. Performance analysis of underlay cognitive radio nonorthogonal multiple access networks［J］. IEEE Transactions on Vehicular Technology， 2019， 68（9）： 9318-9322. 10.1109/tvt.2019.2930553
21	张俊杰，仇润鹤.认知超密集网络用户关联与资源分配联合优化遗传算法［J］. 计算机应用， 2022， 42（12）： 3856-3862.
	ZHANG J J， QIU R H. Joint optimization of user association and resource allocation in cognitive radio ultra-dense networks to improve genetic algorithm［J］. Journal of Computer Applications， 2022， 42（12）： 3856-3862.
22	OZGER M， AKAN O B. On the utilization of spectrum opportunity in cognitive radio networks［J］. IEEE Communications Letters， 2016， 20（1）： 157-160. 10.1109/lcomm.2015.2504103
23	LV L， CHEN J， NI Q. Cooperative non-orthogonal multiple access in cognitive radio［J］. IEEE Communications Letters， 2016， 20（10）： 2059-2062. 10.1109/lcomm.2016.2596763
24	YANG L， JIANG H， VOROBYOV S A， et al. Secure communications in underlay cognitive radio networks： user scheduling and performance analysis［J］. IEEE Communications Letters， 2016， 20（6）： 1191-1194. 10.1109/lcomm.2016.2549011
25	LUÍS M， OLIVEIRA R， DINIS R， et al. RF-Spectrum opportunities for cognitive radio networks operating over GSM channels［J］. IEEE Transactions on Cognitive Communications and Networking， 2017， 3（4）： 731-739. 10.1109/tccn.2017.2771558
26	戈德史密斯.无线通信［M］. 杨鸿文，李卫东，郭文彬，译.北京：人民邮电出版社，2005：270-295. 10.1037/e515962006-018
	GOLDSMITH A. Wireless Communications ［M］. YANG H W， LI W D， GUO W B， translated. Beijing： Posts & Telecom Press， 2005： 270-295. 10.1037/e515962006-018
27	XING C， MA S， WU Y-C. Robust joint design of linear relay precoder and destination equalizer for dual-hop amplify-and-forward MIMO relay systems［J］. IEEE Transactions on Signal Processing， 2010， 58（4）： 2273-2283. 10.1109/tsp.2009.2038961
28	LIU A， LAU V K N， KANANIAN B. Stochastic successive convex approximation for non-convex constrained stochastic optimization［J］. IEEE Transactions on Signal Processing， 2019， 67（16）： 4189-4203. 10.1109/tsp.2019.2925601
29	GRANT M， BOYD S. CVX： Matlab software for disciplined convex programming ［EB/OL］. ［2023-05-01］. . 10.1007/0-387-30528-9_7
30	BOYD S， VANDENBERGHE L. Convex Optimization ［M］ . Cambridge： Cambridge University Press， 2004： 241-249. 10.1017/cbo9780511804441
31	BEN-TAL A， NEMIROVSKI A. Lectures on Modern Convex Optimization： Analysis， Algorithms， and Engineering Applications［M］. Philadelphia： SIAM， 2001： 421-424. 10.1137/1.9780898718829

[1]	杨华龙, 王美玉, 辛禹辰. 横向整合战略下异质车辆库存路径优化模型[J]. 计算机应用, 2021, 41(10): 3040-3048.
[2]	王海军, 李佳迅, 赵海涛, 王杉. 基于协同认知的抗干扰网络结构自适应技术[J]. 计算机应用, 2016, 36(9): 2367-2373.
[3]	赵楠, 武明虎, 熊炜, 刘聪. 基于频谱合约的协作通信中继选择方法[J]. 计算机应用, 2015, 35(9): 2415-2418.
[4]	张华伟魏萌. 基于云免疫算法的认知无线网络参数优化[J]. 计算机应用, 2014, 34(3): 628-631.
[5]	杨慧慧邱晶. 认知无线网络中基于价格的频谱共享模型[J]. 计算机应用, 2011, 31(11): 2909-2911.
[6]	朱卿宋春林谈彩萍江兴歌. 基于多融合准则的双门限协作频谱感知算法[J]. 计算机应用, 2011, 31(08): 2040-2043.
[7]	文英董荣胜郭云川. 一种提高Ad Hoc网络节点能量效率的DPM模型[J]. 计算机应用, 2007, 27(5): 1095-1098.

融合信息通信和空中计算的认知无线网络鲁棒资源分配优化

Robust resource allocation optimization in cognitive wireless network integrating information communication and over-the-air computation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 31

相关文章 7

编辑推荐

Metrics