6G网络中基于后向散射NOMA的资源管理框架

沙特国王大学学报具有不完美SIC的合作后向散射NOMA：在可持续的6G网络中实现Manzoor Ahmeda，Zain Alib，Wali Ullah Khanc，Omer Waqard，Muhammad Asife，Abd Ullah Khanf，Muhammad Awais Javedg，Fahd N.Al-Wesabiha青岛大学计算机科学与技术学院，青岛266071b美国加州大学圣克鲁兹分校电气与计算机工程系c卢森堡大学安全、可靠性和信任跨学科中心（SnT），卢森堡市，1855年d加拿大不列颠哥伦比亚省汤普森河大学工程系e深圳大学电子与信息工程学院广东省智能信息处理重点实验室，广东深圳518060f巴基斯坦奎塔国立科技大学俾路支校区计算机科学系g巴基斯坦伊斯兰堡COMSATS大学电气和计算机工程系，伊斯兰堡45550h沙特阿拉伯哈立德国王大学Mahayil科学艺术学院计算机科学系也门萨那大学计算机和信息技术学院阿提奇莱因福奥文章历史记录：2022年3月22日收到2022年7月7日修订2022年7月13日接受2022年7月16日在线发布保留字：6G后向散射通信不完全连续干扰消除非正交多址优化问题A B S T R A C T反向散射通信与非正交多址（NOMA）的组合具有在即将到来的第六代（6G）无线网络中支持低功率大规模连接的潜力。更具体地说，反向散射通信可以收集和使用大气中现有的RF信号进行通信，而NOMA通过相同的频率和时间资源向多个无线设备提供通信。本文提出了一种新的资源管理框架后向散射辅助合作NOMA通信在即将到来的6G网络。特别地，在非理想连续干扰抑制下，同时优化了基站的发射功率、中继节点、反向散射标签的反射系数和时间分配，为了得到一个有效的解决方案的资源管理框架，我们提出了一个二分法和对偶理论的结合，其中采用次梯度法优化拉格朗日乘子。数值结果表明，所提出的解决方案提供了良好的性能。当将所提出的技术的性能与保证最优解的蛮力搜索技术进行比较时，可以看出性能上的差距实际上是0%。因此，所提出的框架提供了相当于繁琐的蛮力搜索技术的性能，同时提供了更低的复杂性。合作NOMA的文献中的作品考虑了合作和直接通信的平等时间分配。我们的结果表明，优化的时分可以提高性能超过110%的高发射功率。版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍*通讯作者。电子邮件地址：manzoor. gmail.com（M.艾哈迈德），gmail.com（Z。Ali），waliullah.uni.lu （ W.U.Khan ） ， owaqar@tru.ca （ O.Waqar ） ，masif@szu.edu.cn （ M.Asif ） ， abdullah@nbc.nust.edu.pk （ A.U.Khan ） ，awais.comsats.edu.pk （ 硕 士 ） Javed ） ， falwesabi@kku.edu.sa （ F.N. Al-Wesabi）。沙特国王大学负责同行审查制作和主办：Elsevier即将到来的第六代（6G）系统预计将连接全世界数十亿的通信设备（Giordani等人，2020; Ali，2021）。 最有前途的6 G技术是人工智能/机器学习（Shome等人，2021;Ali等人， 2021）、可重构智能表面（Basar ，2020 ）、反向散射通信（Van Huynh等人，2018）、非正交多址（NOMA）（Khan等人， 2020）、区块链（ Sekaran 等 人 ， 2020; Jameel 等 人 ， 2020 ） 、 太 赫 兹 通 信（Oleiwi和Al-Raweshidy，2022）以及同时无线信息和功率传输（Oleiwi等人，2022年）。这些技术将集成到当前的通信网络https://doi.org/10.1016/j.jksuci.2022.07.0111319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7941例如无人驾驶飞行器（Haider等人，2021），智能交通系统（Jameel等人，2020）、认知无线电网络（Tanveer等人，2021），物联网（阿里等人，2021）、设备到设备通信（Yu等人，2021）和物理层安全性（Jameel等人，2019年）。然而，主要的挑战将是频谱稀缺和有限的能量库，特别是对于使用传统正交多址（OMA）协议的那些系统（Khan等人，2019年）。在这方面，学术界和工业界的研究人员正在研究上述新技术。反向散射通信和NOMA是增强6G系统的频谱和能量效率的新兴技术的两个示例（Jameel等人， 2020年）。此外，NOMA已被证明优于OMA协议（Khan等人，2020年）。在环境能量收集方法的帮助下，反向散射通信允许传感器设备通过反射和调制射频（RF）信号来向周围的用户传输数据（Li等人， 2021年）。反向散射传感器装置的基本结构可以在图1中看到。1.一、 另一方面，NOMA使用叠加编码和连续干扰消除（SIC）技术使得能够在相同的频谱/时间资源上传输多个用户（Liu等人，2017年; Khan等人，2021年）。反向散射通信的性能先前已经在OMA 网络中进行了研究（ F. Jameel 等人，2021;Khan等人，2021; Jameel等人，2019年）。NOMA与后向散射通信的结合是一个热门的研究课题，一些文献研究了NOMA无线网络中与后向散射通信相关的各种问题1.1. NOMA后向散射通信网络协作通信已经被证明显著地改善了通信系统的性能（Jameel等人，2019年）。在协作通信中，使用专用设备（称为中继）来转发特定用户的数据（Ali等人，2021）或通信用户通过将数据中继给其他用户来合作（Jiang等人， 2021年）。 在阿里等人的作品。（2021）和Jiang et al. （2021）分别优化了协作NOMA系统中的功率分配，以最大化系统的和速率并实现公平性。为了在基于NOMA的设备到设备通信中实现和速率最大化，JiangFig. 1.反向散射传感器装置的基本结构。等（2018）提出了一个优化框架。Kim等人（2018）提出了一种功率优化算法，以实现合作NOMA场景中的最大容量扩展此外，参考文献（Khan，2019）探索了一个优化问题，以提高NOMA协作通信的保密率最近，作者在Oleiwi和Al-Raweshidy（2022）的工作中提出了一种在NOMA启用的太赫兹通信中的协作同时无线信息和功率传输，以提高系统的能量和频谱效率。最近，研究人员已经研究了NOMA与下一代无线网络中的反向散射通信的集成（Guo等人， 2018年）。例如，Zhang等人（2019）给出了后向散射辅助NOMA共生系统的中断概率和遍历容量的封闭表达式。 Khan等人（2021）提出了后向散射辅助的车辆到一切网络，并联合优化了基站（BS）和路边单元的发射功率，以最大化NOMA系统的总容量。 杨等人的工作。（2020）共同优化反向散射标签的时间分配和反射系数，以最大化NOMA物联网网络的最小吞吐量。为了最大化能量效率，Xu等人（2021）探索了后向散射辅助NOMA网络中发射功率和反射系数的联合优化框架。Nazar等人（2021）的作者推导出了不完善SIC下后向散射辅助NOMA网络中误码率此外，Khan et al. （2021）研究了发射功率和反射系数的优化问题，以最大化不完美SIC下后向散射辅助NOMA网络的和速率。参考文献（Li等人，2021）计算了后向散射辅助NOMA系统在剩余硬件损伤、信道状态信息（CSI）和SIC不完全情况下的截获概率和中断概率的闭式表达式。为了提高系统的能量效率，Khanet al. （2021）研究了在不完美SIC下有效功率分配和反射系数的新优化方法。Ihsan等人（2021）提出了一种在智能交通系统中信道估计误差下NOMA反向散射传感器通信Khan等人（2021）的研究工作最大限度地提高了NOMA反向散射通信网络的频谱效率。Ahmed等（2021）还在不完美SIC下最大化多小区NOMA反向散射传感器网络的能量效率。最近，Khan等人（2021）的作者还考虑了多小区NOMA反向散射通信中的不完美SIC，以最大限度地提高网络的频谱效率。1.2. 动机和贡献上述文献中的大多数（Zhang et al.，2019年; Khan等人，2021年;Yang等人，2020年; Xu等人，2021; Ihsan等人，2021年;汗例如，2021; Ali等人，2021; Jiang等人，2021; Jiang等人，2018;Kim等人，2018）在他们的系统中假设完美的SIC，这是不切实际的。在（Nazar等人，2021; Khan等人，2021年; Li等人，2021; Khan等人，2021;Ahmed等人，2021; Khan等人， 2021）考虑不完善的SIC，然而，没有考虑通信用户之间的合作。此外，作者在（Ali等人，2021; Jiang等人，2021; Jiang等人，2018; Kim等人，2018年; Khan，2019年）只是优化了功率分配，同时考虑了两个跳上的相等时间分配。据我们所知，在不完全SIC下，协同NOMA网络中同时优化基站和中继节点的发射功率、反向散射标签的反射系数和时间分配的资源管理问题还没有被研究过。为了弥补这一不足，本文提出了一种在非理想条件M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7942SIC。利用对偶理论和KKT条件，得到了系统的封闭解我们工作的主要贡献还可以概括为：1. 本文考虑了一种新的优化框架的后向散射辅助NOMA协作通信，其中一个BS发送叠加的数据到两个NOMA用户。这项工作还认为，近的用户进行合作，中继- ING数据到远的用户。同时，反向散射标签也接收来自BS和协作用户的叠加信号。反向散射标签调制其信息，然后将其反射到两个用户。因此，用户也充当读者。通信过程需要两个时隙。在第一时隙中，BS向两个用户发射，并且反向散射标签将BS的接收信号反射到两个用户。在第二时隙中，近端用户通过向远端用户中继数据来进行协作，并且反向散射标签通过添加有用信息将中继信号反射到两个用户。2. 我们制定了一个新的优化问题，以最大化的总速率的后向散射辅助NOMA合作通信下不完美的SIC解码，同时满足各种实际的约束。特别地，在保证两个用户的最小数据速率的前提下，对基站的发射功率、相邻用户的协作功率、后向散射标签的反射系数以及两个时隙的时间分配进行了联合优化。该问题是一个非凸优化问题，不能设计联合优化来求解.因此，我们采用二分法和对偶理论来获得一个有效的解决方案，其中对偶变量的值迭代更新。3. 为了看到反向散射通信的好处，所提出的工作还提供了传统的合作NOMA通信的优化，没有反向散射和蛮力搜索技术进行比较。数值结果绘制使用Monte Carlo模拟。结果表明，所提出的优化方法获得了更高的和率比其他基准计划，并在一个合理的迭代次数收敛我们剩余的工作可以安排如下。 第二节将提供系统模型、各种假设和优化问题。第三节将讨论所提出的优化方案的不同步骤，以提高系统的和率。第四节将介绍和讨论基于蒙特卡罗模拟的数值结果，而第五节将总结本文与一些有趣的研究方向。重要参数的描述见表1。2. 系统模型和问题表述我们考虑如图1B所示的后向散射辅助下行链路协作NOMA通信。2，其中BS向小区1中的两个用户（终端用户）提供数据。覆盖区域还包含一个反向散射标签，该标签使用现有的无线电信号向两个接收器发送数据。更具体地，反向散射标签还接收表1重要参数的描述。参数描述P BSPrU1处用于中继的可用功率分配用于传输U1的P的K（1-K）分配用于传输U1的P的派别T分配给直接传输的（1-T）分配给合作的时间/1第一时隙中的反射系数（T）/2第二时隙反射系数（1-T）g1从BS到U1的信道增益g2从BS到U2的信道增益g3从BS到反向散射标签的h1从U1到U2的h2从U1到反向散射标签的f1从后向散射标签到U1的通道从后向散射标签到U2的f2r2加性高斯白噪声方差图二. 后向散射辅助合作NOMA通信系统模型。BS的叠加信号，并从该信号中获取一些能量来操作电路。然后调制有用的数据并使用反射系数将其反射给用户。这项工作认为，所有的节点都配备有一个单一的天线，并在BS的完美的信道状态信息不同链路之间的较接近BS的用户具有较好的信道条件，表示为U1，而具有相对低得多的信道增益值的较远用户表示为U2。我们已经假设U1也比U2更接近反向散射标签。可用的传输时间被分成两个时隙。在第一时隙（T）中，BS向两个用户发送数据;来自BS的信号也被反向散射标签接收和反射。U1采用SIC对自己的信号进行解码，在SIC过程中，U1首先对U2的信号进行解码，然后从接收到的信号中减去解码后的数据，从而对自己的信号进行解码。在剩余的时间（1-T）中，U1通过将解码的数据中继到U2来进行协作。该中继数据也被反向散射标签反射。基于上述讨论和考虑，在U1和U2处接收的信号可以是1虽然该工作考虑了单细胞系统，但所提出的解决方案可以是：直接在多小区网络中实现。例如，在多小区场景中可以重用相同的频谱资源，使得每个小区将对其他相邻小区造成小区间干扰在这种情况下，第一时隙中的U2被给出为：yU1;1¼pg/ml。pKxU1p1-KxU2发射功率、用户关联和时间分配变得更加重要，小区间干扰。这是一个令人兴奋的研究课题，我们计划在未来的研究中进行调查。你知道吗？pKxpz13 1U1U2M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7943hi.Σ.Σ>>>：vx¼-f2g31k2-lPr-1T-h1Prrf2;12R1½log2 1½1C3：TR1PTR2T1-T2R3;1112yU2;1¼pg/g，2μg/g。pPKxU1p1-KxU2qpPKxU1pP1-KxU2z;2其中zt是由反向散射标签添加的信号，其中Ejztj2P表示BS处的总可用功率。xU1是U1的数据符号，xU2表示U 1的数据符号。U2，分别。K和（1-K）是分配给U1和U2的信号。g1、g2、g3、h1和h2分别是从BS到U1、U2、从BS到反向散射标签、从U1到U2和从U1同样地，f1和f2是从反向散射标签到U1和U2的通道增益。f1是第一时隙中的反射系数然后，在第二时隙中，由U2接收的信号被给出为：3. 提出的解决方案所考虑的问题P是一个多变量复优化问题，因为目标函数不是在所有变量下都是凹的。因此，不能设计联合优化框架来获得解。对于优化，我们考虑到所有参数对目标函数的独立影响，并根据目标函数相对于特定参数的性质提出解决方案。首先，我们调查的反射系数在两个时隙的后向散射标签的有效值由于目标函数是凹的，关于/1;/2和Pr。我们采用对偶理论找到这些变量的解决方案，其中拉格朗日的问题写为：yU2; 1¼pPrh1xU2q/2Prh2f2xU2zt;3L/TR1/TR2/TR1-T/TR3/TR1/TR1-Rmin2011年12月21日，美国总统布什在白宫举行的记者招待会上宣布，美国总统布什将于2011年12月21日在白宫举行记者招待会。TR1-TR2-T R1-TR3其中Pr是U1用于将数据中继到U1所投入的功率。注意，我们已经考虑到，在接收到来自反向散射标签的信号时，U1成功地执行SIC以在没有任何干扰的情况下解码其符号。然而，由于BS与反向散射标签相比远得多，因此SIC是不完美的，并且U1在解码该符号时面临一些干扰。那么，最大值-Pr最大值f11-/121-/2;9其中k1;k2;l;g;f1和f2是拉格朗日乘子。然后应用/5小时5分钟/4小时4分钟/3小时3分钟/2小时2分钟/1小时1分钟/小时在第一时隙中的U1和U2处的速率被给定为TR1和TR2。由于在U2中继的速率是TR1-TR2R3，并且在第一时隙中在U1的U2符号的解码速率是TR1。R1、R2、R3和R1的值计算如下：R1/4log.1PKω。g1/ω1f1g3;4h、h1、h2和h3的值在（26）请参阅附录A。注意，（10）是5次一元多项式，通过使用常规方法或通过采用MATLAB、Mathematica等中提供的求解器可以容易地找到解。类似地，使用KKT条件并与12Rlog。1P 1-Kωg1br2Pω 1-Kω2。g2<$/ω1f2g3<$！2123对于/2，解为：/ω2¼最大值0;x;115、在哪里2¼2PKω。g/ωfgr2;Σf g Pf.Pωr.h1/ω2f2h223R2R3¼ log21r2;6.Pω1-Kω2。g1<$/ω1f1g3<$！ωω2接下来，我们计算用户处的中继功率的有效值。对于Pr的解，我们利用了问题（8）中C3中的前两项关于Pr是常数的事实。因此，我们将问题（8）的C3中的约束写为：P K g1/1f1g3 布雷尔其中r2是加性高斯白噪声的方差。由于这项工作考虑了不完美SIC的实际情况，b表示U1在解码其自己的数据时所面临的干扰的分数。然后，最大化和速率的问题被写为：C03¼。2周-1周2周P周1周/2周2周;1周3周式中，w/TR1-TR2= w/TR 1-TR2。在这种变换之后，接下来应用KKT条件并对拉格朗日量关于Pr进行微分，得到：Pωr¼max0;W14P：最大T;最大;P最大TR1最大TR2最大1-T最大R3最大8K;/1;/2rh1k1-Tfg1k/1-T-Tlr2宽1/22322;1500万8C1：TR1PRmin;>C2：TR2β1-TR3PRmin;g现在，我们计算BS处的功率分配系数为完美的SIC，即b/40，问题（8）中的目标函数是con-c-0。C4：Pr6Prmax;8i;j;C5：06T61;06/161;06/261;06 K 61;其中（8）中的目标是最大化系统的总速率。前两个约束C1和C2确保最小关于K。因此，解决方案可以使用技术-在参考文献（Khan等人， 2020年）。然而，对于所考虑的不完美SIC情况，目标相对于K的Hessian的特征值被给出为EV^Tj，其中j和v的值为：满足用户的速率要求，其中Rmin表示用户所需 类似于Zhao et al.（2010）第三届约束条件C3保证满足所需的协作然后，C4确保U1处的功率分配将遵循功率预算，其中Prmax是用户的电池容量。最后，约束C5确保时间和反射系数的值将保持在实际范围内。;207时间：M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报79442为此，首先我们需要找到函数的Hessian，然后将矩阵变换为上三角矩阵。上三角矩阵的对角元素是函数的特征值。然而，对于所考虑的单变量K的情况，函数的二阶导数给出了特征值，并提供了关于函数凸性的信息。M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7945Σþðð -你... þÞ..Σ1.Σ.- 是的Σ.- 是的.你-你- þ-.12.- 是的- 是的Σ1.ΣðÞ1þð Þ¼.ΣþðððþÞþ þ þ þ-þÞ.- 是的ΣΣ—þþþðð..Σ2222×gKmPKCmC-b-1bKlPr1þðK þKk þl-KlÞrÞT1.- 是的- 是的中国--中国11112313222分钟=-1bg1P12.2ΣΣ×bg1CP-3g1KP-101 CP101CPF1F2U1¼.2Rmin-1-TRr=TP g;×。bg CP. 2 g KP r2 Kr2-。gKPr2ð2þ- g1KP3g1KP2000Kr221231 23121好吧ðð þð - Þþ Þ..Σ12312Kþ1KbC第2章-Þþ2Þja2c4-1K4r62bLr22cr4b 3 2K K 2 1Kr2-2c3-1 KbK.1-KK22 -1K2r2h1.4g3P.f2g3KPg2Pr2g2KPr22g1KmPCk1Kk1l-Klr22.bg1CP-g1KP-r2N。g1P2P二、2 4.222Σ2224ΣΣ.g1KPr2。2g2KPr2Kr2f1布拉奇3 - 4 K 2 Kr6- 1LrF.fgP.2g2g3mP3g.22克1lgl2 abKr cr2 c c1Krb c2 cK s-br4。c2000年。2杯c-1K-r2bc-2cKr2;16五分之四。aK r2002. c-cK r 2 2. cbK-cKr2217þþKð2g2ð1þKþk1þKk1þl-KlÞþg1ð4þk1þ3k2-3lKK4哪里a<$Pg2/1f2g3;b<$Pg1/1f1g3和c第1页b.的特征值为正的06K1和ar2。<因此，问题的目标是关于K凸的。对于xq，表示Kþð1þk2þKð2þk1þk2-lþKð-1þk1-2k2þlÞÞÞrT.g2Pr2。g2KPr2。bg1CP.2g1KPr2Kr2目标在K^q处的值，凸性意味着我们有xuq11-uq26uxq11-uxq2为u2½0;1]。这表明目标函数的最大值位于K的两个极值之一。3由于U1更接近BSCOM，- 我知道g1KPr2。3g1KPr22Kr2f1;27h/g2P2.f3gK2mP.gP-2。gKPr2证明了问题（8）中的C3对任意K值总是满足，约束的可行性仅取决于Pr.因此，K的值受两个用户的速率要求的限制。由于U1的速率要求的下限由下式给出P2Kbg1CP-g1KP-r2 g1P G1KP2f1f2Kf2g3Pr22g2KmKml lP3k12k2-lK11Ck1-Ck2lr2.RTΣ波格山口4gK2mP。bC21k2-lk52k13k2-3laL1¼。RTKg2Pr2。g2KPr2f1类似地，对于给定的Pωr，上界被写为：P<0.01，P<0.02Rmin-1-TRr=T-1r2×。f2g3KP.g2K2mP2g1. KCmC-b-1bKlPr2þðKþKkþl—KlÞr4ΣTþ.2gKPr2Kr2111a19英寸式中，Rr1-T log2Pωr h1<$/ω2f2h2R2. 其次，下界×。3g1KPr22Kr2f1;28上界为L 1/4minaL1;1 min和h3¼f1g3KP3.f2。bg1CP.2g1KPr2Kr2一个U 最大值分别为U1;0 μ m。在此之后，计算Kω是直接的-向前，如果xaL>xaU，则KωaL，否则，KωaU。在这里，3 2.2英里。22ΣΣ1xq表示目标函数在Kq处的值。用于找到的溶液拉格朗日乘法器，我们采用次梯度方法，其中在每次迭代中，对偶变量的值更新为：f2Kf2g3P2g2K1k1P2k1Kk1 k2Kk2Clr2Tg2Pr2g2KPr2f1f1f2f2g3KP2g1KmPþð1þKþk1þKk1þl—KlÞr2ΣTþ.2g2KPr2Kr2t1t×。g1-b-3bKP- 2Kr2f1;29K11/4k1-dTR1-R最小值;200mmkt1¼kt-dTR21-TR3-Rmin;21lt=1.2lt-d.TR1-TR2-TR1-TR3;22h4¼f2fg4K2P4ffgKmPT-f2gKPr2Kr2f12.bg1CP-3g1KP-101Cgt=1¼gt-d=PrMax -Pr;23其中t是迭代索引，d表示步长。最后，对T.注意，优化T是一个线性规划问题。对于目标函数，ft1¼ft-d1-/1;24在K中，这个线性问题可以通过使用1 1单纯形法然而，由于所考虑的问题是凸的关于K，这表明在Kω处，用户的速率将2 2被紧紧束缚4.因此，对于给定的Kω，优化T1g3P.g2Pr2。g2KPr214bg C Pg KPr2Pr2g KPr2×。f2g3C1k2-lPr2T。g2Pr2。g2KPr2f1;26没有影响。在这种情况下，我们需要优化T，然后计算/ω1;/ω2;Kω和Pωr的值对于给定的Tω。因此，我们采用二分法来优化T.在算法1中给出了该优化方法中涉及的详细步骤。618Þ因此，信道增益可以被排序为g1 >g2. 这P g1-bg1b2min=g1f1g3/1f g/231Þf1Σ2M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报79463这意味着，在以下两种情况下，可以实现和率的最大值：在满足所有约束的同时，或者当K的值被设置为最小值时，K被分配最大值，使得满足所有约束4凸目标函数表明，在K的最优值处，U1或U2的速率将等于Rmin。M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7947.Σ.Σ¼.ΣðÞð Þ1¼ ¼ ¼¼2R表2算法1使用二分法求解Tω(1) 初始化：系统参数和变量。(2) 计算T1/4：5-D的/ω1;/ω2;Kω和Pωr(3) 设sL<$0和sU<$1，Rbest=x/ω1;/ω2;Kω;Pωr;T(4) 而jsL-sUj>s(5) 设置s¼sL=2sU(6) 计算T¼s的/ω1;/ω2;Kω;Pωr(7) 如果x/ω;/ω;Kω;Pω;s>Rbest(8) 设置Rbest= x。/ω;/ω;Kω;Pω;s;s<$s;Tω<$s模拟参数和值。参数值BS功率预算，P40 dBm后向散射反射系数06n6 1信道类型i.i.d瑞利衰落协作功率，Prmax30 dBm不完全SIC，b0。一个！0.6天线类型全向渠道实现103最小数据速率Rmin0. 一个！1.0b/s/Hz12rL(9) 其他(10) 设置%s% u % s(11) end while(12) 返回Tω在二分法中，首先初始化所有系统参数。在第二步中，对于给定的T，其中T1/40： 5-D（对于D是接近于零的小正数）， 计算D。在第三步骤中，初始化二分方法的边界，其中将下限（SL）和上限分别设置为等于0和1然后，我们计算目标函数的值，对于给定的/ω1;/ω2;Kω;Pωr和T. 函数x/ω1;/ω2;Kω;Pωr;T表示给定参数的目标函数的值。我们将Rbest设置为等于该速率，其中Rbest表示到目前为止可实现的在步骤4中，如果sL和sL之间的差为0，sU大于允许误差s，即T的期望解在步骤5中被表示为S。接下来，在步骤6中，/ω1;/ω2;Kω和Pωr 计算出的T。 如果对于这些参数，x的值大于Rbest，则我们更新Rbest，Tω并将下限TL设置为s。否则，在步骤10中将上限设置为等于s重复步骤5至10，直到sL和sU之间的差低于允许误差。所提出的方案的计算复杂度可以被给出为OBIC，其中I表示由基于对偶的方法提供解所需的迭代次数，B表示由二分方法达到时间分配的最佳解所采取的步骤，并且C是计算等式1的计算复杂度。（11）、（14）、（18）注意，在时间分配未被优化的情况下，框架的计算复杂度将是O IC。在多小区系统的情况下，COM-复杂性将保持不变，因为优化框架将独立于网络中的所有其他小区在每个小区中运行。4. 数值结果和讨论在本节中，我们将介绍并讨论模拟结果。对于模拟，我们取r2<$0：001;R min<$0：1;P<$40 dBm，Pr max20 dBm，b0：1; s01：01：01 D0： 01，直到特殊-否则，我们使用蒙特卡罗模拟来获得平均值。年龄结果。模拟参数的详细信息也在表2中提供。在这项工作中，我们考虑1赫兹带宽在每个链接。更具体地说，我们计算每赫兹的系统总速率此外，我们的优化框架与带宽/频率的影响无关，任何带宽都可以有效地用于获得仿真结果。我们提供了四个系统的比较Opt，NBS，ET和NBS-ET。更具体地说，Opt是指所提出的后向散射辅助优化框架。然后，NBS是没有后向散射标签的系统，我们使用相同的优化技术来优化所有的系统参数。在ET方案中，所有的参数都是针对时间分配的固定值进行优化的，即：时间1/4： 5。的路径损耗指数3带宽1赫兹噪声功率密度，r20.001允许误差值，s0.001电路功率5 dBmNBS-ET方案是指在系统中没有后向散射标签的情况下具有相等时间分配的系统。因为所考虑的问题在以前的文献中因此，为了评估所提出的框架的性能，我们将性能与蛮力搜索BFS技术进行比较，其中针对优化变量（/1;/2;K;Pr;T）。这是一个非常缓慢的技术，因此，它不能在实际系统中使用。然而，这项技术提供了一个最佳的解决方案，可以用来评估所提出的优化框架的性能。增加P对总速率的影响如图3所示。从图中可以清楚地看出，Opt提供了与BFS技术相同的结果。这证明了所提出的解决方案的技术的最优性。可以看出，P值的增加导致系统的总速率增加，因为更多的功率变得可用于传输。这是因为目标函数是P的凹单调递增函数。此外，对于固定的Rmin，当可用功率的值增加时，等时方案和最优时间方案的概率也在增加。这背后的原因是，在小的P值，如果我们减少分配给用户传输的时间，则可能不满足速率要求。然而，当P增加时，更多的功率被分配用于传输，因此参数T变得更加灵活。因此，与相等T的情况（ET和NBS-ET）相比，优化T提高每个国家的最低税率要求的影响用户对系统总速率的影响如图4所示。可以看出，对于每种情况，Rmin的增加导致系统的总体速率降低。这是因为当Rmin增加时，图三. 在BS处增加功率P对系统的和速率的影响。M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7948见图4。增加速率要求Rmin对系统总速率的影响。见图6。 所提出的方案中涉及的对偶变量的收敛性。需要资源来满足所有用户的速率要求，因此优化变得更紧密地受限。因此，针对相对较少的资源执行优化，并且总速率降低。该图示出了所提出的Opt方案提供的最佳性能。这是因为在Opt中，所有的资源都得到了优化，用户可以从后向散射标签带来的额外增益在NBS中，由于系统没有后向散射标签，因此与Opt情况相比，用户的SINR较小。因此，系统的总速率小于Opt. Similarly，结果表明，优化T对性能有显着的影响，因为ET和NBS-ET提供的总速率远小于NBS和Opt. Similarly，结果表明，优化T图5示出了较大的不完美SICb值导致系统的较小的和速率。随着U1面临的干扰增加，所需的可用资源量由用户来满足的速率要求也随之提高。因此，系统的总速率降低。当b值较小时，所有方案都提供了较好的性能。这里值得一提的另一点是，如果我们优化T，则由后向散射系统和没有后向散射的网络提供的速率的差距增加。对于相同量的传输功率，后向散射增加了用户的SINR，与没有后向散射的情况下的SINR相同。因此，反向散射系统中的用户可以在相对较小的分配功率和时间值下实现所需的最小速率。此外，对于后向散射系统，优化T图五. SIC解码错误b对系统的和速率的影响。见图7。 所提出的方案涉及时间的收敛性。也在增加。这种行为在所有的模拟结果中也是一致的。所提出的Opt框架的收敛行为如图6所示。在Opt框架中，当对偶变量收敛时，解决方案返回到如算法1所示的二分法。在此之后，平分方法提供s的更新值。更新后的s再次用于计算最优的/ω1;/ω2;Kω;Pωr，其中对偶变量再次通过使用次梯度方法更新。由于这种交替优化，对偶变量被更新多次，直到通过二分法达到s的最佳值这种行为从图6中是清楚的，例如，在迭代t1/44000处，一旦对偶变量收敛，s的值就通过二分方法更新，并且对偶变量更新的过程再次开始。然而，从图中可以清楚地看出，在一定次数的迭代之后，达到了所有变量的最佳值，因此对偶变量对于迭代t>6000收敛。此外，变量T如图7所示。可以看出，与图1中的对偶变量相比，二分法提供了快得多的收敛。 六、5. 结论反向散射通信和NOMA是用于即将到来的6G网络的两种有前途的技术，M. 艾哈迈德Z.Ali，Wali Ullah Khan etal.沙特国王大学学报7949频谱效率提出了一种不完全SIC译码条件下后向散射辅助合作NOMA网络的资源管理框架。特别是，时间分配，在BS和合作用户的功率负载，以及反向散射标签的反射系数已被同时优化，以最大限度地提高合作NOMA系统的总速率。利用对偶理论和KKT条件计算了封闭解。数值结果表明了该框架的有效性。此外，结果表明，优化时间分配以及功率负载是非常重要的，因为它显着提高系统的性能，然而，时间与其他优化参数的联合优化通常被忽略，在文献中，因为增加的复杂性。我们提出的框架可以在许多方面加以扩展。例如，它可以扩展到多小区NOMA协作通信。在这种情况下，将考虑由于相邻BS和反向散射标签引起的干扰。这将使问题更有趣和困难。此外，还可以考虑在一个小区中使用多个反向散射标签，以最大化频谱和能量效率。此外，可重构智能表面是新兴的6G技术，可以用于现有模型以提高远端用户的接收信号强度并取代不可靠的近端用户协作。这些重要而又有待解决的问题将在今后的研究中进一步探讨。资金Omer Waqar的工作得到了加拿大自然科学和工程研究委员会（NSERC）的发现资助[申请号：RGPIN-2021-03565]。作者感谢哈立德国王大学科学研究主任通过大团体项目资助这项工作，资助号为18/43。附录A本节将h、h1、h2、h3和h4的值提供为（26）-（29）：其中，在（26）-引用艾 哈 迈 德 ， M 。 例 如 ， 2021. ‘‘Backscatter sensors communication for 6G low-powered NOMA-enabled IoT networks under imperfect SIC,” arXiv preprintarXiv:2109.12711,阿里角例如，2021.优化支持6G NOMA的协作车载网络的资源分配。IEEE Open J.智能交通系统2，269-281.阿里角例如，2021.基于深度学习的noma中继辅助d2d传输功率优化。在：IEEETransactions on Cognitive Communicationsand Networking，p. 1.一、阿里角例如，2021.干扰信道中速率最大化的人工智能技术。物理通信47，101294。阿里， 理学硕 士例如， 2021.“On efficient DCT type-i based low complexity channelestimation for uplink NB-IoT systems，”IEEE Access，vol. 9，pp. 129 7562021.Basar ， E. ， 2020. 可 重 构 智 能 表 面 折 射 率 调 制 ： 6G 新 的 超 MIMO 范 例 。 IEEETrans.Commun. 68（5），3187-3196。Jameel，F.例如，2021年 在：无线供电的反向散射通信物联网。施普林格，2021年，第39比50Giordani，M.例如，2020.走向6G网络：用例和技术。IEEE通信Mag.58（3），55-61.Guo，J.等人，2018.非正交多址增强后向散射通信的设计。 IEEE Trans. 无线通信 17（10），6837-6852。Haider，S.K.例如，2021.下一代无线传感器网络簇头选择的节能无人机飞行路径模型。传感器21（24），8445。Ihsan，A.例如，2021.“信道估计误差下的节能后向散射辅助上行链路NOMA路边传感器通信”，arXiv预印本arXiv：2109.05341。Jameel，F.例如，2020.用于蜂窝V2X通信的高效功率分配和资源分配。IEEE Trans.内特尔运输单系统 22（6）