本技术请求保护一种基于MBS辅助的复杂路况非匀速车辆任务卸载方法，属于通信技术领域。针对大型交通枢纽、复杂互通式立交等场景下，车辆行驶速度与轨迹的高时变性可能造成车辆通信链路不稳定，从而导致任务卸载失败的问题，提出一种基于宏基站MBS辅助的非匀速车辆任务卸载方法。该方法中MBS根据任务车辆的卸载请求和车辆网络的计算资源分布，为各子任务寻找候选卸载车辆集合，根据车辆链路状态变化规律，为各子任务选择本地或V2V或V2I2V卸载模式，建立相应的候选卸载通路集合，并构建可行卸载决策，通过模拟退火算法对卸载决策进行迭代优化，从而有效提高任务完成率，降低系统单位任务时延。

 本技术提供一种保障物联网信息时效性的无人机安全中继方法，包括:根据物联网设备信号发射功率、物联网设备位置和无人机位置，确定无人机的平均解码错误概率；基于监视器平均解码错误概率的预设阈值、窃听设备位置和无人机位置，确定窃听设备的平均解码错误概率；根据无人机平均解码错误概率和监视器的平均解码错误概率，确定监视器的时间平均信息年龄，根据无人机平均解码错误概率和窃听设备的平均解码错误概率，确定窃听设备的时间平均信息年龄；根据窃听设备的时间平均信息年龄以及监视器的时间平均信息年龄确定影响度；以影响度最大化为目标，对无人机位置进行优化，直至得到无人机最优位置。通过实施本发明，提高了物联网信息传递的安全性。

 本技术公开了一种多无人机辅助移动边缘计算的优化方法，包括如下步骤:步骤一、确定无人机节点的数目和初始位置以及需要通信的用户数目和位置；步骤二、根据通信需求设计出优化目标函数；并根据所述优化目标函数进行迭代优化得到用户的最佳任务卸载策略、无人机的最佳计算资源分配方案以及无人机的最佳轨迹；其中，所述优化目标函数为：min l(O,F,Q)＝{w1Ttotal+w2Etotal‑w3Ktotal}；步骤三、根据所述最佳任务卸载策略，将用户任务本地处理或者卸载至指定无人机，由无人机为所述用户提供边缘计算服务，以及根据所述无人机的最佳计算资源分配方案将计算资源分配给无人机，按照所述无人机的最佳轨迹对无人机的位置进行调整。

 本技术涉及一种基于莫罗包络的群体个性化联邦学习方法，属于无线通信领域。该方法主要包括:构建一个由若干用户节点、其对应的子服务器以及一个边缘服务器组成的无线边缘网络系统，其中与同一子服务器相连接的用户节点称为一个群组；建立一个相互解耦的双层并行联邦学习优化问题，其中第一层是基于莫罗包络改进的边缘群组个性化优化问题，第二层是关于群组内的联邦优化问题；促进群组与关联的子服务器协作训练个性化模型，根据迭代得到的个性化模型更新对应的群组模型。本发明提出的基于莫洛包络的群体个性化联邦学习方法可以有效提升群体层面Non‑IID数据设置下的联邦无线边缘网络模型性能。

 本技术涉及一种机场地空数据多域多链路传输方法，属于航空通信技术领域，解决了现有技术中带宽受限、覆盖范围不足、通信延迟、抗干扰能力有限的问题，包括:步骤S1，建立飞机系统与地面系统的多链路传输系统和动态路由选择系统；步骤S2，飞机系统的飞行机组通过动态路由选择系统在多链路传输系统中选择最佳传输路径将数据请求发送至地面系统；步骤S3，地面系统得到处理结果，将处理结果的数据经由动态路由选择系统在多链路传输系统中选择最佳传输路径返回至飞机系统；步骤S4，飞机系统得到处理后信息，并进行飞行调整和决策；步骤S5，在飞机飞行过程中，飞机系统与地面系统不断重复以上步骤S2至S4，直到飞行结束。

 本技术涉及一种知识数据双驱动的地空通信系统干扰抑制方法，属于无线通信技术领域，本发明的方法包括:步骤1.构建机场干扰场景接收信号最小均方误差问题的优化问题；步骤2.构建3DConvTransformer模型；使用3DConvTransformer模型获得预测干扰加噪声IPN协方差矩阵；由预测干扰加噪声IPN协方差矩阵获得子载波的观测IPN协方差矩阵；步骤3.基于子载波的观测IPN协方差矩阵，构建基于K3D HBF的抗干扰混合波束赋形模型；步骤4.使用抗干扰混合波束赋形模型获得干扰抑制矩阵，提高了预测精度，实现了较低的均方误差，显著降低了干扰抑制的复杂度。

 本技术属于无线通信技术领域，提出了一种飞行自组织网络辅助通信的联合优化方法，通过实时优化无人机群的飞行轨迹及数据路由路径组成FANET，辅助地面无线传感器的中继通信，满足WSN在实时监测领域中低延迟通信的应用需求，步骤如下:（1）构建多无人机及WSN数据路由传输系统模型；（2）建立FANET辅助通信的联合优化问题，以最小化传输系统的最大端到端时延为优化目标；（3）基于MDP将FANET辅助通信的联合优化问题表述为序列决策问题；（4）基于深度强化学习图神经网络建立求解序列决策问题的无人机决策模型，并进行训练；（5）应用训练好的无人机决策模型实现飞行自组织网络辅助通信的联合优化。

 本技术涉及无线通信技术领域，提出了一种5G AeroMACS系统基站选址方法，从基站部署规划、频谱规划和网络优化三个方面考虑基站选址问题。在规划阶段，能够科学地确定5G基站的最佳位置，优化配置站间距、天线挂高、天线型号等参数，并评估覆盖效果。本发明摒弃了仅凭经验进行基站建设的传统做法，确保基站能够有效进行频谱分配和干扰控制。在机场场面高流量和复杂环境下，能够高效利用无线资源，提升网络运行效率和用户体验。

本技术涉及一种基于联邦学习架构的车联网中计算任务优化卸载方法及系统,属于车联网技术领域。方法包括:构建基于联邦学习架构的车联网模型，根据电动车辆的历史状态数据建立最小化计算时延和能耗的目标函数；所述历史状态数据包括电动车辆的位置、车辆速度、车辆剩余电量和车辆需要卸载的计算任务大小；采用强化学习算法对所述目标函数进行求解和参数优化，得到优化卸载模型；获取当前电动车辆的当前状态数据，将所述当前状态数据输入到所述优化卸载模型，输出计算任务的最优卸载方案。本方法通过对计算任务进行优化卸载，实现车联网中任务计算的负载均衡，提高了计算资源的利用率。

 本技术公开一种未知信噪比CSS中抗SSDF攻击通信方法及系统，属于无线通信技术领域，方法包括以下步骤:基于本地频谱感知，通过监测指定频段根据次级用户的能量估计值ej判断PU是否使用；根据本地能量检测的能量值，得到次级用户和恶意用户能量向量的概率密度函数；使用SEM算法估计概率密度函数中的SNR，根据权重进行判决，区分次级用户和恶意用户；对次级用户直接参与CSS，将恶意用户从CSS中删除，实现安全通信；利用SEM算法，估计其瞬时SNR，不仅考虑了当前能量值，还考虑历史的能量，为不同的能量观测值分配不同的步长，改进对SNR的估计；对于恶意用户的处理，每个次级用户的局部感知与全局决策进行计算，识别正常次级用户和恶意用户，确定其攻击策略。