详解信道容量，信道速率，安全速率的区别

目录

一. 信道容量与信道速率

二. 小结

三. 安全速率与物理层安全

3.1 香农物理层安全模型

3.2 安全信道速率

四. 补充安全中断概率（Secrecy Outage Probability, SOP）

五. 补充安全分集度（Secrecy Diversity Order, SDO）

六. 附信道安全传输经常会出现的缩略词

一. 信道容量与信道速率

先看信道容量C的公式：

C=Blog_2(1+SNR)

其中，B为带宽，SNR为信噪比。信道容量单位是bps，也就是比特每秒。这个与Shannon公式有关，在实际通信系统中，传输速率只能逼近该数值，相当于传输速率的上限。

（以下将是更深层次的解释和拓展）

根据给定最大信道容量的Shannon公式可知，信道容量取决于带宽和信道的SNR这两项物理参数。因此如何利用较小的信道带宽、或在发射功率不变的情况下，尽量取得较大的信道SNR，以获取最大的信道容量是移动通信新技术所追求的重要目标，可以归结为如何提高频谱利用率和功率利用率的两个基本问题。

二. 小结

信道容量可看成信道最大的传输速率。信道速率也就是信息传输速率，代表实际的传输速率。

三. 安全速率与物理层安全

3.1 香农物理层安全模型

物理层安全通信研究的起源可以追溯到 Shannon 信息理论安全保密分析，它可以理解为无线网络的安全通信能力取决于窃听节点可获得的信息量。如上图所示，发射端 Alice 用密钥 K对原始信息 S 加密获得 M，合法接收端 Bob 接收到 M 后用 K 解密获得 S。而窃听者 Eve 没有密钥，因此无法从加密信号 M 中解密出信息 S。此外，Shannon 在论文中也定义了完美安全，即加密信息与传输信息之间的互信息量为零。进一步，Shannon 通过严格的数学推导证明了只有当密钥的熵不小于传输信息的熵，即密钥的长度不小于传输信息的长度时，才能实现无线网络中信息的安全传输。然而现实通信场景中存在多种噪声等干扰，导致完美安全传输很难实现。

3.2 安全信道速率

为了更加贴近实际的无线通信网络，Wyner 在 Shannon 模型（就是上面那张图）的基础上进行了改进，提出了基于噪声信道的窃听模型。为了解决密钥的传输问题，Wyner 采用信道编码来代替密钥的方式。具体过程可以表述为：发射端将要传输的信息 S 进行编码变成长度为 n 的码字 X ，经过有噪信道，合法接收端和窃听者分别接收到信号 Y 和 Z。Wyner 证明了当编码长度 n 足够大时，窃听节点接收到的信号 Z 与信息 S 之间的互信息量为 0。同时还证明了存在一种编码方案，可以使得合法接收端正确接收信息 S 而窃听者无法解码信息 S。进一步地，基于该有噪信道模型，Wyner 还证明了在不使用密钥的前提下，仅依靠发射端、接收端和窃听端信道的差异，可以实现信息在物理层上安全传输。此外，Wyner 还提出安全速率（Secrecy Rate, SR）的概念，即合法传输节点能够安全传输给合法接收端的最大数据速率。

更具体的，安全速率被定义为信道在某一通信时隙能够实现的最大安全传输速率，通常取合法节点的信道容量与窃听节点信道容量的差值，对于加性高斯白噪声（Additive White Gaussian Noise, AWGN）信道，都可以用“一”中的 Shannon 公式计算信道容量。

对于衰落信道，可以用瞬时的接收信噪比来计算瞬时信道速率。利用P代表发射功率，h_b代表发射端与合法接收端之间的信道增益，h_e代表发射端与窃听节点之间的信道增益，N_0代表噪声功率。由此，合法节点的信噪比可以表示为：

\gamma_b=\frac{P|h_b|^2}{N_0}

窃听节点的信噪比可以表示为：

\gamma_e=\frac{P|h_e|^2}{N_0}

四. 补充安全中断概率（Secrecy Outage Probability, SOP）

安全中断概率衡量网络的安全速率小于目标安全速率的概率，即不能够进行安全传输的概率。我们肯定是希望这个概率越小越好。根据以上讨论，其实也可以用窃听信道容量来表示 SOP。
 

五. 补充安全分集度（Secrecy Diversity Order, SDO）

安全分集度定义为：安全中断概率随主信道与窃听信道增益比（Main to Eavesdropper Ratio, MER）变化的快慢程度。利用P_{out}代表安全中断概率，MER代表信道的比值，由此安全分集度的公式如下：

六. 附信道安全传输经常会出现的缩略词

5G The Fifth Generation Mobile Communications 第五代移动通信

6G The Sixth Generation Mobile Communications 第六代移动通信

AF Amplify and Forward 放大转发

AWGN Additive White Gaussian Noise 加性高斯白噪声

BF Beamforming 波束赋形

BPCU Bits Per Channel Use 比特/信道利用

CDF Cumulative Distribution Function 累计分布函数

CD-NOMA Code Domain Non-Orthogonal Multiple Access 码域-非正交多址接入

CLT Central Limit Theorem 中心极限定理

CSI Channel State Information 信道状态信息

DF Decode and Forward 解码转发

EE Energy Efficiency 能量效率

ES Energy Splitting 能量分割

FD Full Duplex 全双工

FDMA Frequency Division Multiple Access 频分多址

HD Half Duplex 半双工

MER Main to Eavesdropper Ratio 主信道与窃听信道增益比

MIMO Multiple Input Multiple Output 多输入多输出

MISO Multiple Input Single Output 多输入单输出

MRC Maximum Ratio Combining 最大比合并

MS Mode Switching 模式转换

NCCSD Non-Central Chi-Square Distribution 非中心的卡方分布

NOMA Non orthogonal Multiple Access 非正交多址接入

OAS Optimal Antenna Selection 最优天线选择

OFDMA Orthogonal Frequency Division Multiple Access 正交频分多址

OMA Orthogonal Multiple Access 正交多址接入

ORAS Optimal Relay Antenna Selection 最优中继-天线选择

ORS Optimal Relay Selection 最优中继选择

PA Power Allocation 功率分配

PDF Probability Density Function 概率密度函数

PD-NOMA Power Domain Non Orthogonal Multiple Access 功率域-非正交多址接入

PIC Parallel Interference Cancellation 并行干扰消除

PLS Physical Layer Security 物理层安全

QoS Quality of Service 服务质量

RAS Relay Antenna Selection 中继-天线选择

RF Radio Frequency 射频

RIS Reconfigurable Intelligent Surface 可重构智能表面

RRAS Random Relay Antenna Selection 随机中继-天线选择

RPR Random Phase Regulation 随机相位调节

SINR Siganl to Interference Plus Noise Ratio 信干噪比

SNR Siganl to Noise Ratio 信噪比

SC Selection Combining 选择合并

SDO Secrecy Diversity Order 安全分集度

SE Spectral Efficiency 频谱效率

SIC Successive Interference Cancellation 串行干扰消除

SOP Secrecy Outage Probability 安全中断概率

SR Secrecy Rate 安全速率

SRAS Suboptimal Relay Antenna Selection 次佳中继-天线选择

TDMA Time Division Multiple Access 时分多址

TS Time Switching 时间切换

ZF Zero Forcing 迫零

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/281937.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【深度学习】Normalizing flow原理推导+Pytorch实现

【深度学习】Normalizing flow原理推导+Pytorch实现

1、前言 N o r m a l i z i n g f l o w \boxed{Normalizing \hspace{0.1cm} flow} Normalizingflow​，流模型，一种能够与目前流行的生成模型—— G A N 、 V A E \boxed{\mathbf{GAN、VAE}} GAN、VAE​相媲美的模型。其也是一个生成模型，可是…
阅读更多...
【网络安全 | Misc】Ditf 安恒九月赛

【网络安全 | Misc】Ditf 安恒九月赛

正文 binwalk发现rar： 修改后缀，打开需要密码： 修改高度： 得到密码： StRe1izia得到一个流量包： 联系上文搜素png得到： 追踪流： 得到Base64代码： flag{Oz_4nd_Hir0_lov3_F…
阅读更多...
算法通关村第十四关—堆能高效解决的经典问题(白银)

算法通关村第十四关—堆能高效解决的经典问题(白银)

堆能高效解决的经典问题 一、在数组中找第K大的元素 LeetCode215 给定整数数组ums和整数k,请返回数组中第k个最大的元素。请注意，你需要找的是数组排序后的第k个最大的元素，而不是第k个不同的元素。 示例1： 输入：[3,2,1,5,6,4]和…
阅读更多...
循环生成对抗网络（CycleGAN）

循环生成对抗网络（CycleGAN）

一、说明 循环生成对抗网络（CycleGAN）是一种训练深度卷积神经网络以执行图像到图像翻译任务的方法。网络使用不成对的数据集学习输入和输出图像之间的映射。 二、基本介绍 CycleGAN 是图像到图像的翻译模型，就像Pix2Pix一样。Pix2Pix模型面临…
阅读更多...
计算机组成原理复习7

计算机组成原理复习7

内存管理 文章目录 内存管理存储器概述存储器的分类按在计算机中的作用（层次）分类按存储介质分类按存取方式分类按信息的可保存性分类 存储器的性能指标存储容量单位成本存储速度：数据传输率数据的宽度/存储周期 存储器的层次化结构多级存储系…
阅读更多...
抖音详情API：从零开始构建抖音应用

抖音详情API：从零开始构建抖音应用

随着短视频的兴起，抖音已经成为了一个全球范围内的热门平台。对于开发人员而言，利用抖音详情API从零开始构建抖音应用具有巨大的潜力和机会。本文将为你提供从零开始构建抖音应用的指南，包括开发环境搭建、API请求格式、用户认证等关键环节&a…
阅读更多...
八. 实战：CUDA-BEVFusion部署分析-环境搭建

八. 实战：CUDA-BEVFusion部署分析-环境搭建

目录 前言0. 简述1. CUDA-BEVFusion浅析2. CUDA-BEVFusion环境配置2.1 简述2.2 源码下载2.3 模型数据下载2.4 基础软件安装2.5 protobuf安装2.5.1 apt 方式安装2.5.2 源码方式安装 2.6 编译运行2.6.1 配置 environment.sh2.6.2 利用TensorRT构建模型2.6.3 编译运行程序 2.7 拓展…
阅读更多...
【电子通识】LED有关的几个参数和定义

【电子通识】LED有关的几个参数和定义

主波长与峰值波长 看LED灯数据手册的时候会发现有两种不同的波长参数：“峰值波长 Peak Wavelength”和 “主波长 Dominant Wavelength”，那么这两个波长代表什么？ 峰值波长 λP（Peak Wavelength ) : 定义为光谱辐射功率最大处所对…
阅读更多...
JavaScript元素根据父级元素宽高缩放

JavaScript元素根据父级元素宽高缩放

/*** 等比缩放* param wrap 外部容器* param container 待缩放的容器* returns {{width: number, height: number}}* 返回值：width:宽度, height:高度*/aspectRatio(wrap: any, container: any) {// w h / ratio, h w * ratioconst wrapW wrap.width;const wrapH…
阅读更多...
2023年度总结——关于如何认清自己是个FW

2023年度总结——关于如何认清自己是个FW

前言 不到各位有没有今年过得特别快的感觉。写总结时候一整理，我敲，我今年这么忙？ 从三月份开说 三月份 这段时间刚开学，还算比较懵懂。不过初生牛犊不怕虎，那个寒假学了点怎么挖edusrc，开学迫不及待地…
阅读更多...
AI按理说应该最擅长理工，为啥先冲击文艺行业？

AI按理说应该最擅长理工，为啥先冲击文艺行业？

介绍 本人数据AI工程师，我的观点对全行业都有冲击，当AI大模型持续进化之时，没有一家公司能独善其身。 本文从产业架构上、论文体量、基础Pass能力、通用大模型、AI开源社区、业务属性大模型、内容消费工具、创作工具赛道、企业服务这些板块…
阅读更多...
day12--java高级编程：网络通讯

day12--java高级编程：网络通讯

5 Day19–网络通信(Socket通信) 说明： io流是跟本地的文件进行数据的传输，读或者写。网络通信：数据在网络中进行的传输。 本章专题与脉络 1. 网络编程概述 Java是 Internet 上的语言，它从语言级上提供了对网络应用程序的支持&…
阅读更多...
常用的 MySQL 可视化客户端

常用的 MySQL 可视化客户端

数据库可视化客户端（GUI）让用户在和数据库进行交互时，能直观地查看、创建和修改对象，如：表、行和列。让数据库操作变得更方便了。 今天，我们来了解下目前市场上最常用的 MySQL 可视化客户端。 官方&#x…
阅读更多...
Stata18软件安装包下载及安装教程

Stata18软件安装包下载及安装教程

Stata 18下载链接：https://docs.qq.com/doc/DUm5pRlFJaWV5aWtY 1.选中下载好的安装包，右键选择解压到“Stata18”文件夹 2.选中“SetupStata18.exe”，右键以管理员身份运行 3.点击“Next” 4.选择“I accept.....”,选择“Next” 5.点击“Nex…
阅读更多...
MySQL Too many connections报错

MySQL Too many connections报错

MySQL 时不时出现Too many connections报错，重启MySQL就好了 但是过段时间又出现 一、解决方案： 1.修改mysql最大连接数 set global max_connections500; 以上是修改立即生效的，重启MySQL就会还原回去 在MySQL配置文件修改 max_connection…
阅读更多...
matalb实践（十二）：减肥

matalb实践（十二）：减肥

1.题目 2.解答 2.1模型假设 1.体重增加正比于吸收的热量，平均每8000kcal增加体重1kg 2.身体正常代谢引起的体重减少正比于体重，每周每千克体重消耗热量一般在200kcal至320kcal之间，且因人而异，这相当于体重70kg的人每天消耗2000k…
阅读更多...
【ECharts系列】ECharts 图表渲染问题解决方案

【ECharts系列】ECharts 图表渲染问题解决方案

1 问题描述 echats 渲染，第一次的时候只出现Y轴数值，不出现X轴数值，切换下页面，X轴数值就能出现。 2 原因分析 如果在使用ECharts渲染时，X轴数值只在切换页面后才出现，可能是因为ECharts在初始化时没有正确…
阅读更多...
计算机视觉：朗伯光度立体法（Lambertian Photometric Stereo）

计算机视觉：朗伯光度立体法（Lambertian Photometric Stereo）

计算机视觉：朗伯光度立体法（Lambertian Photometric Stereo） 光度立体法简介朗伯光度立体法算法原理朗伯光度立体法matlab程序示例Albedo图Normal图Re_rendered图 参考文献 光度立体法简介 光度立体法，即Photometric Stereo, 最早…
阅读更多...
Layui弹窗带标签可切换图表的应用Demo

Layui弹窗带标签可切换图表的应用Demo

提供Layui弹窗带页签的Demo写法 文章目录 前言一、展示效果二、详细代码1.代码2.简单释义 总结 前言 之前因为有需求，需要开发Layui的弹出框，同时弹窗框需要支持，页签点击切换内容，特此整理了这一篇文章，提供给需要的…
阅读更多...
【Image】超硬核数学推导——WGAN的先“破”后“立”

【Image】超硬核数学推导——WGAN的先“破”后“立”

GAN的实现 上一篇文章中我们说到了GAN的数学解释 min ⁡ G max ⁡ D V ( D , G ) E x ∼ p data ( x ) [ log ⁡ D ( x ) ] E z ∼ p z ( z ) [ log ⁡ ( 1 − D ( G ( z ) ) ) ] − log ⁡ 4 2 J S D ( p data ∥ p g ) ≥ − log ⁡ 4 , where [ p d a t a p g ] \mi…
阅读更多...
最新文章

Copyright @ 2022~2023