XiaoMi-AI文件搜索系统
World File Search System无线网络
6G无线网络的智能路由算法：a
摘要：路由是6G网络中关键的架构方面之一，在实现新一代无线通信期望的巨大数据传输速率和功能中起着至关重要的作用。此处讨论了这些发展和方法的下一代无线通信系统，称为6G，关键技术包括AI，ML和量子启发的计算，以改善路由。它还可以帮助路由算法具有智能，并能够不断适应现有的网络条件，以实现数据的最佳传输，减少延迟和现有资源的最佳利用率。调查还重点介绍了动态网络切片，边缘计算和改进安全措施的使用，这表明新技术如何携手合作，以改善Internet的路由路径。从这项调查中，当前的研究趋势，技术进步和未来范围可清楚地了解6G网络如何作为前几代的下一个发展将解决路由问题并促进高级互连，安全和响应式的通信框架。关键字：6G网络，最佳路由，人工智能，机器学习，低延迟，量子计算。
连续变量量子密钥分发的可组合安全性：有线和无线网络中的信任级别和实际密钥率
连续变量 (CV) 量子密钥分发 (QKD) 为安全量子通信提供了强大的环境，这要归功于使用室温现成的光学设备并且有可能达到比标准离散变量对应物高得多的速率。在本文中，我们提供了一个通用框架，用于研究在各方经历的损失和噪声的不同信任级别下，使用高斯调制相干态协议的 CV-QKD 的可组合有限尺寸安全性。我们的论文考虑了有线（即基于光纤）和无线（即自由空间）量子通信。在后一种情况下，我们表明在具有固定和移动设备的安全量子网络中，短距离光学无线 (LiFi) 可以实现高密钥速率。最后，我们将研究扩展到微波无线 (WiFi)，讨论 CV-QKD 在极短距离应用中的安全性和可行性。
使用量子储层计算中移动无线网络中的用户轨迹预测
摘要本文采用量子机学习技术来通过使用一种称为量子储层计算（QRC）的方法来预测移动用户在移动无线网络中的传播。移动用户的轨迹预测属于时间信息处理的任务，这是一个移动性管理问题，对于自我组织和自主6G网络至关重要。我们的目标是使用QRC准确预测无线网络中移动用户的未来位置。为此，作者使用真正的世界时间序列数据集来建模移动用户的轨迹。QRC方法具有两个组件：储层计算（RC）和量子计算（QC）。在RC中，训练比简单复发性神经网络的训练更有效，因为在RC中，只有输出层的权重才能训练。RC的内部部分是所谓的储层。为了使RC表现良好，应仔细选择储层的权重以创建高度复杂和非线性动力学。QC用于创建这种动态储层，该储层将输入时间序列映射到由动态状态组成的较高维度计算空间中。获得高维动力状态后，进行简单的线性回归以训练输出权重，因此，可以有效地对移动用户轨迹的预测进行有效形成。在这项研究中，我们根据量子系统的哈密顿时间演变采用QRC方法。作者使用基于IBM Gate的量子计算机模拟了时间演变，并且在实验结果中，它们表明，使用QRC仅使用少数量子器来预测移动用户的轨迹是有效的，并且可以超过经典方法，例如长期短期内存方法和echo -echo state网络接近。
Lyapunov引导的深度加强学习，用于语义意识到的AOI最小化，在UAV辅助无线网络中
摘要 - 该论文研究了一个无人驾驶汽车（UAV）辅助语义网络，地面用户（GUS）通过无人机的继电器定期将传感信息定期捕获到基站（BS）。GUS和UAV都可以从大型原始数据中提取语义信息，并将其传输到BS以恢复。较小尺寸的语义信息可降低延迟并改善信息新鲜度，而较大尺寸的语义信息可以在BS上进行更准确的数据重建，从而保留原始信息的价值。我们引入了一种新颖的语义感知年龄（SAOI）度量，以捕获信息的新鲜度和语义重要性，然后通过共同优化UAV-GU关联，语义提取，以及UAV的轨迹来提出时间平均的SAOI最小化问题。我们通过Lyapunov框架将原始问题分解为一系列子问题，然后使用层次深度强化学习（DRL）来解决每个子问题。具体来说，UAV-GU关联由DRL确定，然后是更新语义提取策略和无人机部署的优化模块。仿真结果表明，层次结构提高了学习效率。此外，它通过语义提取可实现较低的AOI，同时确保最小的原始信息丢失，表现优于现有基准。
量子计算和无线网络安全：一项调查
量子计算具有比传统计算机快得多的速度解决复杂问题的潜力，有望彻底改变包括无线网络安全在内的各个领域。这篇综述论文全面概述了量子计算与无线网络安全之间的交集。我们研究了量子计算对传统加密算法（如 RSA 和 ECC）构成的潜在威胁，这些算法是当前无线网络安全的基础。此外，我们还探讨了旨在防范这些威胁的新兴量子抗性加密技术。本文还讨论了量子密钥分发 (QKD)，这是实现无线网络中理论上牢不可破的加密的有前途的解决方案。此外，我们回顾了将量子计算应用于无线网络安全的当前研究状态，包括其对身份验证、机密性和完整性的影响。最后，我们确定了将量子计算集成到无线网络安全中的挑战和未来方向，强调需要继续研究以确保量子时代无线网络的弹性。
基于图表的MADRL用于无线网络控制系统中的访问控制和资源分配
摘要 - 无线网络控制系统（WNC）通过实现传感器，决策中心和执行器之间的无线协调来彻底改变工业自动化。但是，WNC中效率低下的访问控制和资源分配是限制闭环性能和控制稳定性的两个关键因素，尤其是在光谱和能源资源受到限制时。在本文中，我们首先分析了维持WNC的控制稳定性的最佳调度条件，然后制定一个长期优化问题，该问题可以共同优化边缘设备的访问策略，并在Edge Server中授予策略和资源分配。我们采用Lyapunov优化将长期优化问题分解为一系列独立的子问题，并提出了一个基于基于多代理的多代理深度强化学习算法的异质注意图，该学习算法可以共同优化访问和资源分配策略。通过利用注意力机制将图形表示从异质代理投射到统一的空间中，我们提出的算法促进了异质剂之间的协调，从而增强了整体系统性能。仿真结果表明，我们提出的框架的表现优于几个基准，从而验证了其有效性。
通过可植入微型设备的无线网络进行模式化脑电刺激
通过电子方式将有意义的信息传输到大脑回路是脑机接口面临的挑战。一个关键目标是找到一种方法，将空间结构化的局部电流刺激注入皮质的各个感觉区域。在这里，我们介绍了一种完全无线的方法，通过空间分布的植入皮层网络对皮层的特定区域进行多点模式化电微刺激。每个亚毫米大小的微芯片从外部射频源收集能量，并将其转换成双相电流，通过一对集成微线局部注入组织。通过实施具有亚毫秒延迟的预调度、无冲突位图无线通信协议，可以控制植入网络中每个芯片注入电流的幅度、周期和重复率。作为体内演示，我们将 30 个无线刺激器组成的网络长期植入自由活动大鼠的皮层运动和感觉区域，持续三个月。我们探索了模式化皮层内电刺激在平均射频功率远低于安全限值的情况下对受训动物行为的影响。21
基于机器学习的基于机器学习的光束选择，以最大化无线网络容量
摘要在当今和未来的无线通信中，尤其是在5G和6G网络中，机器学习（ML）方法至关重要。可能会带来许多好处，例如增加数据吞吐量，提高安全性，延迟减少以及总体上提高网络效率。此外，为了促进实时情况下大量数据的处理，机器学习用于无线网络中的各种功能。本文旨在探索机器学习的重要性和应用，并在预测无线通信场景中的最佳光束配置的背景下，特别关注经典的增强学习。我们的目标是通过找到最佳光束成形角度来最大程度地减少发射机之间的干扰。为此，部署了射线追踪技术。我们将这项研究视为将数字双（DT）技术集成到网络管理和控制中的一步。在本文中，使用了不同的机器学习方法，并比较了它们的性能。首先，确定了波束形成，最大化通道容量的最有效角度。然后，通过使用这些方法并在验证其准确性后，发现并评估了发射器和接收器数量增加的情况下的最佳天线角度。