論文の概要: Dual-Domain Deep Learning-Assisted NOMA-CSK Systems for Secure and Efficient Vehicular Communications

• arxiv url: http://arxiv.org/abs/2510.24763v1
• Date: Thu, 23 Oct 2025 13:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.401392
• Title: Dual-Domain Deep Learning-Assisted NOMA-CSK Systems for Secure and Efficient Vehicular Communications
• Title（参考訳）: 安全かつ効率的な車載通信のためのデュアルドメイン深層学習支援NOMA-CSKシステム
• Authors: Tingting Huang, Jundong Chen, Huanqiang Zeng, Guofa Cai, Georges Kaddoum,
• Abstract要約: 本稿では、車両通信のための深層学習支援パワードメイン非直交多重アクセスカオスシフトキーリング(DL-NOMA-CSK)システムを提案する。 ディープニューラルネットワーク(DNN)ベースの復調器は、オフライントレーニング中に固有のカオス信号特性を学ぶように設計されている。 提案システムは、スペクトル効率(SE)、エネルギー効率(EE)、ビット誤り率(BER)、セキュリティ、ロバスト性の観点から優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 36.359307639974524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring secure and efficient multi-user (MU) transmission is critical for vehicular communication systems. Chaos-based modulation schemes have garnered considerable interest due to their benefits in physical layer security. However, most existing MU chaotic communication systems, particularly those based on non-coherent detection, suffer from low spectral efficiency due to reference signal transmission, and limited user connectivity under orthogonal multiple access (OMA). While non-orthogonal schemes, such as sparse code multiple access (SCMA)-based DCSK, have been explored, they face high computational complexity and inflexible scalability due to their fixed codebook designs. This paper proposes a deep learning-assisted power domain non-orthogonal multiple access chaos shift keying (DL-NOMA-CSK) system for vehicular communications. A deep neural network (DNN)-based demodulator is designed to learn intrinsic chaotic signal characteristics during offline training, thereby eliminating the need for chaotic synchronization or reference signal transmission. The demodulator employs a dual-domain feature extraction architecture that jointly processes the time-domain and frequency-domain information of chaotic signals, enhancing feature learning under dynamic channels. The DNN is integrated into the successive interference cancellation (SIC) framework to mitigate error propagation issues. Theoretical analysis and extensive simulations demonstrate that the proposed system achieves superior performance in terms of spectral efficiency (SE), energy efficiency (EE), bit error rate (BER), security, and robustness, while maintaining lower computational complexity compared to traditional MU-DCSK and existing DL-aided schemes. These advantages validate its practical viability for secure vehicular communications.
• Abstract（参考訳）: セキュアで効率的なMulti-user(MU)伝送を保証することは、車両通信システムにとって重要である。 カオスベースの変調スキームは、物理層セキュリティの利点により、かなりの関心を集めている。 しかし、既存のMUカオス通信システム、特に非コヒーレント検出に基づくものは、基準信号伝送によるスペクトル効率の低下と直交多重アクセス(OMA)によるユーザ接続の制限に悩まされている。 スパースコード多重アクセス(SCMA)ベースのDCSKのような非直交的スキームは検討されているが、固定されたコードブックの設計のため計算複雑性が高く、柔軟性に欠けるスケーラビリティに直面している。 本稿では、車両通信のための深層学習支援パワードメイン非直交多重アクセスカオスシフトキーリング(DL-NOMA-CSK)システムを提案する。 ディープニューラルネットワーク(DNN)ベースの復調器は、オフライントレーニング中に固有のカオス信号特性を学習するように設計されており、カオス同期や参照信号伝送の必要性を排除している。 復調器は、カオス信号の時間領域と周波数領域情報を共同処理するデュアルドメイン特徴抽出アーキテクチャを採用し、動的チャネル下での機能学習を強化する。 DNNは、逐次干渉キャンセル(SIC)フレームワークに統合され、エラーの伝搬問題を軽減している。 理論解析と広範囲なシミュレーションにより,提案システムは従来のMU-DCSKや既存のDL支援方式に比べて計算量が少なく,スペクトル効率(SE),エネルギ効率(EE),ビットエラー率(BER),セキュリティ,ロバスト性を向上できることを示した。 これらの利点は、安全な車両通信のための実用可能性を検証する。

関連論文リスト

• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Heterogeneous Secure Transmissions in IRS-Assisted NOMA Communications: CO-GNN Approach [7.2414248136307195]
  IRS支援のNOMA通信は、大きな研究関心を集めている。 IRSの受動的性質は、認証とセキュリティプロトコルが欠如しているため、これらのシステムは外部の盗聴に対して脆弱である。 本稿では、無線ネットワークにおける異種資源構成を有するIRS支援NOMAシステムにおけるセキュアな送信について検討し、外部と内部の両方の盗聴を緩和する。
  論文  参考訳（メタデータ） (2025-06-03T04:01:50Z)
• Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems [0.0]
  重要なインフラ、特に配水システムに対するサイバー攻撃は、急速なデジタル化により増加した。 本研究では,センサデータの時間相関を利用した異常検出における重要な課題に対処する。 本稿では,決定論的ノードと従来の統計ノードの両方を組み込んでTDCを拡張するハイブリッドTDC-AEという,ハイブリッドオートエンコーダに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:22:44Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。