文章总结： 本文针对水下光无线传感器网络中节点移动引发的干扰问题，提出了一种自适应干扰管理框架。该框架包含基于稀疏贝叶斯学习的干扰检测算法和自适应干扰对齐与延迟补偿算法。前者用于实时识别干扰模式，后者通过将干扰信号投影至低维子空间并补偿传播延迟来提升信号质量。实验结果表明，该方法显著提升了网络吞吐量并降低了误码率，有效应对了动态水下环境挑战。
综合评分： 88
文章分类： IoT安全,网络安全,解决方案
每周文章分享-251
网络与安全实验室
2026年3月14日 00:02
江苏
每周文章分享
2026.03.09至2026.03.15
标题:Adaptive Interference Alignment for Underwater Optical Wireless Sensor Networks
期刊:IEEE TRANSACTIONS ON MOBILE COMPUTING, VOL. 25, NO. 1, JANUARY 2026
作者: Yang Chi , Chi Lin , Fengqi Li , Feng Ding , Xin Fan , and Zhongxuan Luo.
分享人:河海大学——张月
01 研究背景
水下光无线传感器网络（UOWSNs）已成为高速水下通信的一种极具前景的解决方案。然而，这些网络面临着光节点间相互干扰这一关键挑战。在动态水下环境中，由于节点移动性，定向光束相交或覆盖区域重叠时，便会产生这种干扰。现有干扰管理方法依赖简化的信道模型，且无法应对快速的拓扑变化，因此效果有限，导致网络性能显著下降。本文提出了一种新颖的框架，通过两项关键创新系统地解决了水下光无线传感器网络中的干扰管理问题。首先，提出了一种基于稀疏贝叶斯学习的干扰检测（SBL-ID）算法，该算法能够在复杂的水下信道条件下实时识别和表征干扰模式。其次，开发了一种自适应干扰对齐与延迟补偿（AIADC）算法，该算法将干扰信号投影到低维子空间，从而提高信号干扰比，并有助于在干扰环境中准确检测期望信号。
02 关键技术
在本文中，提出了一种全面的水下光无线传感器网络干扰管理框架。首先，开发了一种基于稀疏贝叶斯学习的干扰检测（SBL-ID）算法，该算法结合了功率分析、空间干扰分析和延迟估计，以准确表征动态水下环境中的干扰模式。其次设计了一种自适应干扰对齐与延迟补偿（AIADC）算法，该算法将 NP 难的干扰管理问题转化为一系列易处理的优化问题，以多项式时间复杂度获得近优性能。当水下光干扰场景发生时，自适应干扰对齐与延迟补偿算法可以显著提高信号干扰比，降低分组错误率，使接收器能够成功解码原本会被干扰破坏的期望信号。
该方法的创新和贡献如下：
1）本文首次通过统一框架解决水下光无线传感器网络中相互干扰的工作。所提出的框架可应用于各种水下光无线传感器网络应用，如海洋环境监测、水下勘探和海岸监视。
2）提出了两种新颖的算法来解决水下光无线传感器网络中的干扰管理问题：a）基于稀疏贝叶斯学习的干扰检测算法通过稀疏信号表示和贝叶斯推理，高效地实时检测相互干扰；b）自适应干扰对齐与延迟补偿算法将干扰信号投影到低维子空间，同时补偿变化的传播延迟，使得在强干扰条件下能够成功解码期望号。
03 算法介绍
（1）基于稀疏贝叶斯学习的干扰检测（SBL-ID）算法
图1 SBL-ID算法的工作流程
图1展示了SBL-ID算法的工作流程。基于稀疏贝叶斯学习的干扰检测算法利用网络活动的稀疏性和贝叶斯推理来识别水下光无线传感器网络中的光功率干扰。通过分析光功率分布和几何波束模式，该算法即使在存在动态环境光干扰的情况下也能有效检测干扰源。
如图所示，基于稀疏贝叶斯学习的干扰检测算法包括三个阶段：信号预处理、稀疏贝叶斯学习和干扰分析。在信号预处理阶段，应用高通滤波器从接收信号中去除环境光干扰，因为环境光的变化频率远低于数据信号。预处理后的信号随后进入稀疏贝叶斯学习阶段，在该阶段执行后验估计和期望最大化（EM）参数优化以估计网络活动。最后，在干扰分析阶段，进行包括信号干扰噪声比计算、空间干扰分析和功率分析在内的综合评估，以表征干扰模式。
（2）稀疏贝叶斯学习
为了从预处理的测量中估计网络活动并优化模型参数，本文对稀疏向量x(t_c)的元素采用具有高斯-伽马分层先验的期望最大化算法，该先验捕获了光传输的间歇性，该阶段的主要思路为假设每个节点的发送强度服从平均值为0，方差为1/α的高斯分布，那么α的大小决定了网络的稀疏程度，之后算法假设α服从伽马分布，令模型自动把大部分α调大：
之后期望最大化算法在以下步骤之间交替进行，直到收敛，其中k表示迭代索引：
E步：给定当前超参数α(k)和b(k)，计算x(t_c)的后验分布：
M步：使用后验估计更新超参数：
算法持续进行，直到连续迭代之间的参数估计变化低于预定义的阈值ϵ_EM>0或达到最大迭代次数K_EM。最终估计x(t_c)表示时隙t_c时的稀疏网络活动模式。然后根据稀疏估计x(t_c)进行综合干扰分析，以准确表征网络中的干扰模式。基于这些分析，节点i被识别是否为接收器j的干扰源，若是则被添加到干扰集合中。
（3）自适应干扰对齐与延迟补偿（AIADC）算法
图2 AIADC算法的工作流程
为了有效管理基于稀疏贝叶斯学习的干扰检测算法识别的干扰，本文提出了自适应干扰对齐与延迟补偿算法。该算法采用自适应编码和解码策略，结合干扰对齐技术，以优化变化信道条件下的网络性能。
如图所示，该算法跨时隙（t−2到t+3）处理数据。从历史时隙开始，该算法首先使用先前的信道状态信息更新延迟信道增益。然后，通过设置最大迭代次数来初始化收敛条件。迭代优化过程遵循两个步骤：首先计算梯度并更新编码向量，然后计算干扰协方差并更新解码矩阵。收敛后，该算法分解信号，构建干扰子空间，并优化对齐。最后，它输出优化的编码向量和解码矩阵，这些向量和矩阵将在未来的时隙中使用。随后进入下一个时隙，利用新的信道状态再次进行自适应更新。
整体来看，AIADC是一个“信道更新—编码优化—解码更新—再反馈”的闭环迭代系统，能够在动态水下环境中持续调整，实现稳定的干扰抑制和性能提升。
（4）干扰对齐策略和延迟感知编码设计
干扰对齐策略和延迟感知编码设计为AIAD算法的两个核心组成部分，主要目的是令干扰在“空间”和“时间”上均对齐，为最终实现在接收端解码器上将某一特定子空间的干扰直接消除。
首先，由于系统采用的是强度调制直接检测，也就是 IM/DD 机制，光信号不能为负，因此本文将发送信号分解为两部分：一个是固定的平均光强，保证始终非负；另一个是时变的调制变化量，用来承载信息。
接下来，为了实现干扰对齐，要求接收端的维度满足一个自由度条件，即探测器数量必须大于等于信号维度加干扰节点数量。其目的为既要保留有用信号的维度，又要有足够空间“容纳”所有干扰。
干扰对齐的核心思想是，将所有干扰信号压缩到同一个子空间内。具体做法是：利用当前信道状态信息，构建干扰子空间基，然后通过优化发射编码向量，使干扰在该子空间的正交方向上的能量最小。这样在接收端就可以通过投影操作将干扰整体消除。干扰子空间基的构建如下：
编码向量通过以下约束最小化问题进行优化：
整体而言，该策略通过对子空间结构的主动控制，实现了在动态水下环境下的干扰可控与可消除。
又由于水下传播有不同延迟，不同延迟会破坏干扰对齐，所以本文提出了一种延迟感知编码设计，其目标是令干扰信号的空间和时间结构与目标信号中用于对齐的参考信号结构一致，最终让干扰都落到同一子空间里，在时间维度上实现了干扰对齐。
04 实验结果分析
1. 吞吐量性能验证
图3 随着节点数量增加的网络吞吐量性能
与基线方法相比，所提出的算法实现了始终更高的吞吐量。在100个节点时，所提出的算法达到43.1 Mbps的吞吐量，分别比 SDN-EAR（29.0 Mbps）、GSMAB（26.0 Mbps）和 PO-UOWC（22.5 Mbps）高出 48.6%、65.8% 和 91.6%。此外，随着节点数量的增加，本文的算法与其他算法之间的性能差距变得更加明显，表明本文算法在更大的网络中具有可扩展性和稳健性。
2. 消融实验
图8 100 节点网络中不同配置下的吞吐量和误码率结果
为明确框架各组件对性能提升的贡献，本文通过选择性移除或替换核心机制开展消融实验。图中展示了100节点网络中不同配置下的吞吐量和误码率结果，对比了五种方案：（1）完整框架（稀疏贝叶斯学习干扰检测 + 自适应干扰对齐与延迟补偿）；（2）用传统能量检测替换稀疏贝叶斯学习干扰检测（ED + 自适应干扰对齐与延迟补偿）；（3）用非自适应干扰管理替换自适应干扰对齐与延迟补偿（稀疏贝叶斯学习干扰检测 + NAIM）；（4）双组件替换（ED+NAIM）；（5）无干扰管理（None）。
结果表明，框架的每个组件均对性能有显著贡献，这些结果验证了稀疏贝叶斯学习干扰检测的干扰检测方法和自适应干扰对齐策略的协同作用，二者均为框架性能提升的核心组件。
3. 动态环境适应性
图11 所提算法与三种基线方法在不同移动性水平下的性能
如左图所示，所有算法的吞吐量均随节点移动速度增加而下降（信道波动性增强和拓扑变化频繁导致），但所提算法在全速度范围内均优于基线方法。
图右展示了不同移动性水平下的误码率性能。所提算法的误码率显著低于基线方法，在 0.1 米/秒时低至2.5×10⁻⁴，1.0米/秒时为7.5×10⁻⁴，比SDN-EAR和GSMAB低一个数量级，比PO-UOWC低近两个数量级。这一优势源于稀疏贝叶斯学习干扰检测算法在动态环境中精准的干扰模式检测能力，以及自适应干扰对齐与延迟补偿算法高效的干扰对齐和延迟补偿机制，证明该系统即使在高移动性条件下仍能维持优异的吞吐量和误码率性能。
05 总结
本文提出了一种新颖的自适应干扰管理框架，包含基于稀疏贝叶斯学习的干扰检测（SBL-ID）算法和自适应干扰对齐与延迟补偿（AIADC）算法，用于水下光无线传感器网络（UOWSNs）。该框架通过精准识别干扰模式并将干扰信号投影到低维子空间，同时补偿传播延迟，实现了更高的网络吞吐量和更低的误码率。其显著特点是能够解决动态水下环境中节点移动性引发的快速拓扑变化和复杂信道条件下的干扰管理问题。大量仿真和真实环境实验验证了该框架的优越性：与先进方法相比，误码率降低95%，网络吞吐量提升67%，且在动态水下条件下保持稳健性能。
END
==河海大学网络与安全实验室==
微信搜索：Hohai_Network
联系QQ：1084561742
感谢关注！
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：网络与安全实验室 《每周文章分享-251》