网络首发
面向6G URLLC干扰管理的网络架构
李兰兰;随着第六代移动通信系统（Sixth-Generation Mobile Communication System,6G）的加速演进，超可靠低时延通信（ultra-reliable low-latency communication,URLLC）被视为其核心应用场景之一，是支撑未来智能制造、自动驾驶、远程医疗及工业互联网等关键领域高质量服务的重要基础。针对URLLC面临的复杂干扰与资源调度难题，本文提出了一种基于数字孪生（Digital Twin,DT）与开放无线接入网（Open RAN,O-RAN）的干扰管理网络架构。该架构利用数字孪生构建物理网络的虚拟映射模型，为干扰抑制提供可靠支撑；同时，借助ORAN的开放性与智能化特征，能够增强网络的可扩展性与适应性。研究分析表明，数字孪生与ORAN的结合能够在复杂干扰环境下有效保障URLLC的低时延与高可靠性，为6G URLLC的落地提供可行的技术路径和理论依据。本文的研究对于未来6G智能网络的高效建设及新兴应用场景的实现具有重要参考价值。
融合注意力机制的CNN-LSTM跳频序列预测
李子栋;张勇;张钟浩;王柳;随着无线通信需求的急剧增长，频谱环境变得愈发复杂。跳频(Frequency Hopping,FH)通信作为保障复杂电磁环境下通信可靠性的关键技术，其频谱空间占用的变化特性给频谱资源的高效利用与管理带来挑战。针对这一问题，为实现对动态频谱的提前感知与规划，提出一种融合注意力机制(Attention Mechanism,AM)的卷积长短时混合深度网络跳频预测模型（Mixed Deep Networks based FH Prediction,MDN-FP），通过预测功能解耦，利用卷积、循环与注意力子网络，实现了对跳频序列多层次特征的一体化建模与精准预测。针对m序列映射，所提模型在带宽误差门限为2.6%时预测准确率可达96%；针对Logistic序列映射，误差门限为5.4%时即可达到100%的准确率。实验对比了长短时神经网络(Long Short-Term Memory,LSTM)、门控循环单元(Gated Recurrent Unit,GRU)和时序卷积网络(Temporal Convolutional Network,TCN)模型，验证了所提MDN-FP模型的优越性，为解决未来新一代无线通信系统网络中的高效资源调度与智能抗干扰问题提供了有效技术途径。
基于5G NTN同步信号块的多普勒频偏估计方法
吴光鑫;屈德新;张更新;在5G非地面网络(non-terrestrial networks, NTN)低轨卫星通信场景下，针对终端多普勒频偏定位中多普勒频偏估计精度不足的问题，提出了一种基于同步信号块(synchronization signal block,SSB)分块的多普勒频偏估计方法。利用主同步信号(primary synchronization signal,PSS)进行粗估计去除大部分频偏，将SSB划分为BlockA和BlockB两个符号块，对相关后的符号块进行共轭提取残余频偏。进一步提出多模型卡尔曼滤波算法对多普勒进行连续估计，通过实时计算模型似然值，动态加权一阶与二阶卡尔曼滤波器的输出，自适应匹配卫星不同时刻的运动特性。仿真结果表明所提方法在估计多普勒频偏时具有较好的性能。
基于信誉和改进DBSCAN聚类的实用拜占庭容错共识算法
薛庆水;李滨;刘伟鑫;石梦瑶;朱文豪;针对实用拜占庭容错共识算法(Practical Byzantine Fault Tolerance, PBFT)存在的通信开销大、缺乏信誉值机制、选取主节点是轮询进行的问题，提出一种基于信誉和改进DBSCAN聚类的实用拜占庭容错共识算法(PBFTConsensus Algorithm Based on Reputation and Improved DBSCAN Clustering, RD-PBFT)，旨在提高共识效率及安全性。根据节点的地理位置使用基于KD树改进的DBSCAN聚类算法将节点进行分为多个子集群，建立节点信誉值机制，通过监测节点活跃率、恶意率及历史成功率来计算节点信誉值以提升安全性；并改进节点选取主节点的规则，选择信誉值排名前50%的节点结合可验证随机函数选择主节点，来降低恶意节点当选主节点的概率，保证主节点选取的安全性和公正性；在每个子集群选择一个主节点，各个主节点组成主集群，实现分层共识来降低共识过程中通信的开销。仿真实验表明RD-PBFT共识算法相较于传统PBFT共识算法，RD-PBFT共识算法在共识时延、吞吐量和通信开销方面展现出明显优势。
基于GL-MADDPG的水下多UUV协同搜索策略研究
吴杰宏;刘朕亦;李丹阳;水下无人航行器(Unmanned Underwater Vehicle,UUV）凭借智能化程度高、安全性强和效率高等优势，已成为大范围海洋探索的重要工具，但存在信度分配不合理、长时间依赖问题和探索效率低下等问题。本文针对这些挑战，提出了融合LSTM网络和群组内在好奇心机制的GL-MADDPG算法。该算法通过基于LSTM的信度分配机制解决了多智能体环境中的奖励分配问题，利用群组内在好奇心模块(GICM）提高了环境探索效率，并创新设计了网络异步合作更新机制提高训练稳定性和收敛速度。实验结果表明，相比传统MADDPG算法，GL-MADDPG提高了搜索完成率12.6%，减少搜索时间20.6%，降低重复覆盖率72.7%，且在通信受限、UUV故障等挑战场景下表现出卓越的鲁棒性。
基于强化学习的无人机辅助移动边缘计算任务卸载综述
姜来为;李元春;杜雪琪;那振宇;随着低空经济的快速发展，无人机（Unmanned Aerial Vehicle, UAV）作为空中移动平台，其在通信、感知和计算等领域的潜力被不断挖掘。传统的移动边缘计算（Mobile Edge Computing,MEC）系统依赖于固定位置的边缘服务器，难以应对动态环境和大规模计算资源调度的需求。UAV作为移动边缘服务器，为解决这一局限提供了新的技术途径。近年来，强化学习在多个领域取得显著进展，并在UAV辅助MEC任务卸载中展现出巨大的潜力。因此，本文对基于强化学习的UAV辅助MEC任务卸载问题进行综述。在简要介绍UAV辅助MEC任务卸载的概念和优势的基础上，阐述任务卸载设计中需要考虑的主要因素；进一步探讨传统任务卸载方法的局限性及强化学习方法的优势；并系统分析和总结现有研究成果，指出当前研究中亟待解决的问题及未来的发展方向。
基于综合加权簇首选举的认知无线自组网性能优化
张吉莹;石荣;李屹宽;胡柱;谢佳霖;周彬;分簇组网是认知无线自组网链路层提升抗干扰性能的手段之一。针对现有簇首选举算法在决策时考虑因素过于单一的问题，提出了一种认知综合加权簇首选举算法，并优化认知无线自组网的分簇组网协议，建立了更高效的网络结构。首先针对干扰环境的特点和抗干扰任务需求，构建了干扰情况评价值、节点度大小评价值、剩余能量评价值和移动速度评价值等评价指标，将其作为选举权值的依据；同时根据各指标的重要程度设定了相匹配的权重因子。其次根据网络运行中的各种情况，设计了节点交会、簇首选举、簇结构建立与簇结构维护的全过程。最后对本文的认知综合加权簇首选举算法与其他算法进行仿真验证，结果表明，提出的算法相比其他算法在产生簇首数量方面低17.4%，簇结构重组次数低5.3%;80分钟运行周期后存活节点数量多4.6%，提高了认知无线自组网在干扰环境中的簇结构稳定性和生命周期，并且节点在干扰环境下也能够完成组网，提升网络的抗干扰性能。
基于用户分组的低轨通信卫星跳波束调度方法
刘刚;彭会湘;李田;赵伟松;李淳泽;许仕龙;随着低轨通信卫星技术的发展，越来越多的低轨通信卫星采用跳波束，在覆盖区域各波位内周期性频繁跳动，以满足覆盖区域内各地面用户的信息传输需求。但跳波束的频繁跳动，会显著增加低轨通信卫星的开销与复杂度。因此对低轨通信卫星跳波束调度问题进行研究，目的是在满足所有用户实时在线需求与业务传输需求的情况下，最大限度减少跳波束总跳动次数。将该问题形式化为整数规划问题，提出多项式时间复杂度的基于用户分组的近似跳波束调度方法以解决该问题。该近似调度方法通过动态用户分组、动态确定波位、动态调度跳波束，大幅减少跳波束总跳动次数。仿真结果显示，基于用户分组的调度方法相较于不分组的调度方法，最多可减少约46%的跳波束总跳动次数。
双不规则阵列ARIS联合辅助无线通信系统波束赋形设计
王丹;王笑靖;针对双规则有源可重构智能反射面（Active Reconfigurable Intelligent Surface,ARIS）在辅助无线通信过程中存在能耗管理问题，提出了一种双不规则阵列ARIS在给定的能耗约束下升无线通信系统信道容量的方案。通过构建不规则拓扑结构引入额外的空间自由度来提高ARIS的性能，该方案在级联反射链路条件下，面向多输入单输出（MISO）通信系统，构建了以最大化用户下行链路可达速率为目标，并同时考虑基站发射功率、ARIS反射功率、放大增益及反射单元数量约束的数学优化模型。通过结合禁忌搜索（TSA）、最大化最小化（MM）与分式规划（FP）算法，分别优化了ARIS拓扑结构、基站发射波束赋形和ARIS的反射系数矩阵。仿真结果表明，在相同激活单元数条件下所提设计在系统功率预算为10dBm时，双不规则ARIS方案相较于双规则ARIS系统能够提升约8.8%的可达速率，且拓扑结构与放大增益对系统性能有显著影响。
FedEdgent:基于DNN分割的端边云协同联邦学习加速框架
曹绍华;杨雁升;陈辉;吴希文;郑丹阳;张卫山;工业物联网（Industrial Internet of Things, IIoT）场景中，人工智能与边缘计算的深度融合正在逐渐兴起。然而，IIoT设备的通信和计算资源有限，且这些设备产生的数据通常隐私且高度异构，如何在确保数据安全的同时加速模型训练与推理，仍是一个开放的问题。联邦学习（Federated Learning, FL）作为一种新兴的隐私保护框架，在隐私保护和数据安全方面具有巨大潜力，但受限于资源有限的设备，其计算与通信效率的提升仍面临挑战。为解决上述问题，提出了FedEdgent框架，该框架基于深度神经网络（Deep Neural Network, DNN）的分割，构建了一个端边云协同系统。FedEdgent通过深度强化学习（Deep Reinforcement Learning, DRL）实现动态FL任务卸载策略，提升了端边云的协作训练效率。结合模型压缩技术，FedEdgent框架选择对全局FL模型贡献较大的DNN层进行优化，减少通信开销并提高通信效率。实验结果表明，相较于集中式FL,FedEdgent在保持相似准确率的同时，训练时间减少了约60%，上传参数量平均减少了25%。