Reducing energy consumption in wireless communications has attracted increasing attention recently. Advanced physical layer techniques such as multiple-input multiple-output (MIMO) and orthogonal frequency division multiplexing (OFDM), cognitive radio, network coding, cooperative communication, etc.; new network architectures such as heterogeneous networks, distributed antennas, multi-hop cellulars, etc.; as well as radio and network resource management schemes such as various cross-layer optimization algorithms, dynamic power saving, multiple radio access technologies coordination, etc. have been proposed to address this issue. In this article, we overview these technologies and present the state-of-the-art on each aspect. Some challenges that need to be solved in the area are also described.

In cellular networks, proximity users may communicate directly without going through the base station, which is called Device-to-device (D2D) communications and it can improve spectral efficiency. However, D2D communications may generate interference to the existing cellular networks if not designed properly. In this paper, we study a resource allocation problem to maximize the overall network throughput while guaranteeing the quality-of-service (QoS) requirements for both D2D users and regular cellular users (CUs). A three-step scheme is proposed. It first performs admission control and then allocates powers for each admissible D2D pair and its potential CU partners. Next, a maximum weight bipartite matching based scheme is developed to select a suitable CU partner for each admissible D2D pair to maximize the overall network throughput. Numerical results show that the proposed scheme can significantly improve the performance of the hybrid system in terms of D2D access rate and the overall network throughput. The performance of D2D communications depends on D2D user locations, cell radius, the numbers of active CUs and D2D pairs, and the maximum power constraint for the D2D pairs.

Device-to-device communications enable two proximity users to transmit signal directly without going through the base station. It can increase network spectral efficiency and energy efficiency, reduce transmission delay, offload traffic for the BS, and alleviate congestion in the cellular core networks. However, many technical challenges need to be addressed for D2D communications to harvest the potential benefits, including device discovery and D2D session setup, D2D resource allocation to guarantee QoS, D2D MIMO transmission, as well as D2D-aided BS deployment in heterogeneous networks. In this article, the basic concepts of D2D communications are first introduced, and then existing fundamental works on D2D communications are discussed. In addition, some potential research topics and challenges are also identified.

Device-to-device (D2D) communications have been recently proposed as an effective way to increase both spectrum and energy efficiency for future cellular systems. In this paper, joint mode selection, channel assignment, and power control in D2D communications are addressed. We aim at maximizing the overall system throughput while guaranteeing the signal-to-noise-and-interference ratio of both D2D and cellular links. Three communication modes are considered for D2D users: cellular mode, dedicated mode, and reuse mode. The optimization problem could be decomposed into two subproblems: power control and joint mode selection and channel assignment. The joint mode selection and channel assignment problem is NP-hard, whose optimal solution can be found by the branch-and-bound method, but is very complicated. Therefore, we develop low-complexity algorithms according to the network load. Through comparing different algorithms under different network loads, proximity gain, hop gain, and reuse gain could be demonstrated in D2D communications.

The emerging Internet of Things (IoT) applications, such as smart manufacturing and smart home, lead to a huge demand on the provisioning of low-cost and high-accuracy positioning and navigation solutions. Inertial measurement unit (IMU) can provide an accurate inertial navigation solution in a short time but its positioning error increases fast with time due to the cumulative error of accelerometer measurement. On the other hand, ultrawideband (UWB) positioning and navigation accuracy will be affected by the actual environment and may lead to uncertain jumps even under line-of-sight (LOS) conditions. Therefore, it is hard to use a standalone positioning and navigation system to achieve high accuracy in indoor environments. In this article, we propose an integrated indoor positioning system (IPS) combining IMU and UWB through the extended Kalman filter (EKF) and unscented Kalman filter (UKF) to improve the robustness and accuracy. We also discuss the relationship between the geometric distribution of the base stations (BSs) and the dilution of precision (DOP) to reasonably deploy the BSs. The simulation results show that the prior information provided by IMU can significantly suppress the observation error of UWB. It is also shown that the integrated positioning and navigation accuracy of IPS significantly improves that of the least squares (LSs) algorithm, which only depends on UWB measurements. Moreover, the proposed algorithm has high computational efficiency and can realize real-time computation on general embedded devices. In addition, two random motion approximation model algorithms are proposed and evaluated in the real environment. The experimental results show that the two algorithms can achieve certain robustness and continuous tracking ability in the actual IPS.

In the blockchain, the consensus mechanism plays a key role in maintaining the security and legitimation of contents recorded in the blocks. Various blockchain consensus mechanisms have been proposed. However, there is no technical analysis and comparison as a guideline to determine which type of consensus mechanism should be adopted in a specific scenario/application. To this end, this work investigates three mainstream consensus mechanisms in the blockchain, namely, Proof of Work (PoW), Proof of Stake (PoS), and Direct Acyclic Graph (DAG), and identifies their performances in terms of the average time to generate a new block, the confirmation delay, the Transaction Per Second (TPS) and the confirmation failure probability. The results show that the consensus process is affected by both network resource (computation power/coin age, buffer size) and network load conditions. In addition, it shows that PoW and PoS are more sensitive to the change of network resource while DAG is more sensitive to network load conditions.

Recommendation system (RS) is an important information filtering tool in nowadays digital era. With the growing concern on privacy, deploying RSs in a federated learning (FL) manner emerges as a promising solution, which can train a high-quality model on the premise that the server does not directly access sensitive user data. Nevertheless, some malicious clients can deduce user data by analyzing the uploaded model parameters. Even worse, some Byzantine clients can also send contaminated data to the server, causing blockage or failure of model convergence. In addition, most existing researches on federated recommendation algorithms only focus on unimodality learning, ignoring the assistance of multiple modality data to promote recommendation accuracy. Therefore, this article designs an FL-based privacy-preserving multimodal RS framework. To distinguish various modality data, an attention mechanism is introduced, wherein different weight ratios are assigned to various modal features. To further strengthen the privacy, local differential privacy (LDP) and personalized FL strategies are designed to identify malicious clients and bolster the resilience against Byzantine attacks. Finally, two multimodal datasets are established to verify the effectiveness of the proposed algorithm. The superiority of our proposed techniques is confirmed by the simulation results.