基于智能反射面与联邦学习的6G跨层去中心化频谱管理架构

《Scientific Reports》：Deep reinforcement learning-driven cross-layer optimization of IRS-assisted NOMA with blockchain for secure 6G oriented networks spectrum management

　　

摘要

连接设备和数据密集型应用的快速发展，要求新兴 6G 网络必须具备智能频谱管理机制。传统的集中式频谱分配方案往往难以应对复杂的无线环境和更大规模的分布式网络，导致频谱利用率低下并增加通信延迟。为了克服这些困难，本文提出了一种跨层架构，该架构结合了智能反射面辅助通信、去中心化频谱协调和协同学习。该框架利用联邦学习，以便在边缘设备上调训练频谱预测模型，从而在做出更优的资源分配决策的同时保持数据隐私。此外，通过可配置的反射元件实现了自适应信号传播，从而在不同信道条件下提高通信可靠性。提出的系统通过使用具有多个边缘设备的密集无线网络的 MATLAB 仿真进行测试。频谱利用率、通信延迟、网络吞吐量、保密速率和联邦学习收敛性用于评估性能。仿真结果表明，在密集网络的情况下，所提出的框架可以实现约 82% 的频谱利用率，通信延迟约为 12ms，联邦学习准确率约为 92%。这些结果表明，所提出的跨层设计为下一代无线系统中的去中心化频谱管理提供了高效且可扩展的解决方案。