A Novel Energy-aware Design for a D2D Underlaid UAV-Aided Cognitive Radio Network

Resumo Técnico: Um Novo Design Consciente de Energia para uma Rede de Rádio Cognitivo Auxiliada por UAV com D2D Underlaid

Definição do Problema
O artigo aborda os desafios críticos de estabelecer comunicações confiáveis e energeticamente eficientes em Redes de Resposta a Desastres (DRNs), onde a infraestrutura terrestre está indisponível. Nesses cenários, Veículos Aéreos Não Tripulados (UAVs) atuam como estações base (BSs) voadoras para suportar usuários de comunicação dispositivo-a-dispositivo (D2D) e usuários celulares. No entanto, os usuários D2D nessas redes enfrentam severas restrições de energia, o que limita sua potência de transmissão e, consequentemente, suas taxas de comunicação e eficiência energética (EE). Além disso, a coexistência de usuários celulares de uplink e usuários D2D em um espectro compartilhado introduz problemas de interferência que degradam ainda mais o desempenho da rede. O artigo investiga como otimizar o desempenho da rede comparando dois cenários distintos: uma "free-DRN" padrão sem colheita de energia e uma "EH-enabled DRN" onde os usuários D2D colhem energia de usuários celulares usando técnicas de Rádio Cognitivo (CR) e Colheita de Energia (EH).

Metodologia
Os autores propõem um framework de sistema onde um UAV serve como uma BS para usuários celulares de uplink (usuários primários) e pares D2D (usuários secundários) operando em uma configuração underlaid. O estudo compara dois cenários:

1. Free-DRN: Transmissores D2D operam com recursos de energia limitados e fixos.
2. EH-enabled DRN: Transmissores D2D utilizam uma arquitetura de Colheita de Energia por Divisão de Potência (PSEH) para colher energia de usuários celulares de uplink. Um modelo de colheita de energia não linear é empregado para calcular a potência colhida.

O modelo de comunicação incorpora:

• Canais Solo-Solo (G2G): Modelos de desvanecimento Rayleigh para links D2D e links de transferência de energia célula-para-D2D.
• Canais Solo-Ar (G2A): Modelos que consideram as probabilidades de Linha de Visada (LoS) e Não-Linha de Visada (NLoS) com base na altitude do UAV e ângulos de elevação.
• Gerenciamento de Interferência: A análise considera a interferência mútua entre pares D2D, entre usuários celulares e receptores D2D, e de transmissores D2D para o UAV.

Os autores derivam formulações matemáticas para a Razão Sinal-Interferência Mais Ruído (SINR), taxas de dados tanto para usuários de uplink quanto para D2D, e a Eficiência Energética (EE) global da rede. Esses modelos teóricos são validados por meio de simulações que variam parâmetros chave, incluindo densidade de usuários (tanto celulares quanto D2D), altitude do UAV, potência de transmissão celular e a duração da colheita de energia.

Principais Contribuições
O artigo apresenta as seguintes contribuições específicas:

• Eficiência Energética Aprimorada: Demonstra que permitir que os links D2D colham energia dos usuários celulares melhora significativamente a EE e as taxas de comunicação da rede em comparação com um cenário sem colheita de energia.
• Implantação Ótima de UAV: O estudo identifica uma altitude ótima para o UAV que equilibra cobertura de rede e gerenciamento de interferência, especificamente adaptada a variações de densidade de dispositivos D2D.
• Análise de Trade-off de Desempenho: Os autores analisam os trade-offs entre densidade de usuários, duração da colheita de energia e desempenho da rede, revelando como esses fatores influenciam a EE global.
• Integração Inovadora: O artigo afirma ser o primeiro a implementar técnicas de Transferência Simultânea de Informação e Potência Sem Fio (SWIPT) especificamente entre usuários celulares e usuários D2D dentro de um contexto de rede de rádio cognitivo auxiliada por UAV, distinguindo-se de trabalhos anteriores focados na transferência de energia do UAV para o solo.

Resultados de Simulação
Resultados numéricos e de simulação destacam várias descobertas principais:

• Superioridade da EH-enabled DRN: O cenário EH-enabled supera consistentemente o cenário free-DRN. Especificamente, reduzir a duração da colheita de energia e diminuir a densidade de usuários celulares pode aumentar a EE da rede em até 3 dB.
• Impacto da Densidade de Usuários: O aumento da densidade de usuários D2D geralmente aumenta a interferência, o que pode reduzir a taxa de comunicação de uplink. No entanto, no cenário EH-enabled, a capacidade de colher energia permite que os usuários D2D mantenam potências de transmissão mais altas, mitigando alguns efeitos negativos. Por outro lado, o aumento da densidade de usuários celulares consome mais energia, impactando negativamente a EE.
• Otimização da Altitude do UAV: Os resultados da simulação indicam que, à medida que a densidade de usuários D2D aumenta, o UAV deve operar em altitudes mais baixas para manter limiares específicos de EE. A altura ótima é encontrada como uma função da densidade de usuários.
• Tempo de Colheita e Distância: Reduzir o tempo que os usuários celulares passam transmitindo energia para colheita e aumentar a distância entre os usuários celulares e os transmissores D2D (o que reduz a potência colhida) foram fatores que melhoraram a EE global. Por exemplo, reduzir pela metade o tempo de colheita de energia no segundo cenário resultou no dobro da EE total da DRN.

Significância e Alegações
O artigo afirma que sua principal significância reside em demonstrar a viabilidade do uso da colheita de energia de usuários celulares coexistentes para superar as limitações de energia dos dispositivos D2D em cenários de desastre. Ao integrar CR, UAVs e EH, a proposta de DRN habilitada por EH oferece uma solução de comunicação mais sustentável e eficiente. Os autores alegam que sua abordagem permite que os usuários D2D transmitam dados por distâncias maiores e alcancem taxas de dados mais altas, melhorando assim a confiabilidade geral e a eficiência energética das comunicações de resposta a desastres. O trabalho fornece orientação prática para a implantação de UAVs, especificamente no que diz respeito à seleção de altitude e ao gerenciamento de parâmetros de colheita de energia, para otimizar o desempenho da rede em situações dinâmicas e críticas.