Recently, densified small cell deployment with overlay coverage through coexisting heterogeneous networks has emerged as a viable solution for 5G mobile networks. However, this multi-tier architecture along with stringent latency requirements in 5G brings new challenges in security provisioning due to the potential frequent handovers and authentications in 5G small cells and HetNets. In this article, we review related studies and introduce SDN into 5G as a platform to enable efficient authentication hand-over and privacy protection. Our objective is to simplify authentication handover by global management of 5G HetNets through sharing of userdependent security context information among related access points. We demonstrate that SDN-enabled security solutions are highly efficient through its centralized control capability, which is essential for delay-constrained 5G communications.

As a result of the rapid progress in mobile communication technology, it has become increasingly challenging to meet users' demands with the existing limit resources. To address this issue, scholars have turned to the simultaneous transmit and receive (STAR) technology, which efficiently conserves time resources and spectrum resources by enabling transmit and receive antennas to operate simultaneously and in the same frequency band. However, when transmitters and receivers in a phased array radar operate simultaneously, a significant amount of self-interference (SI) signal is generated, making it challenging to detect external signals and rendering the performance of system ineffective. Therefore, solving the coupling issue of self-interfering signals is crucial in enhancing the performance of STAR system. In this paper, the digital self-interference cancellation (SIC) and adaptive digital beamforming (ABF) are integrated to improve system's isolation. The simulation results indicate that the effective isotropic isolation (EII) at the receiver can reach a maximum of 159.21 dB when transmitting with the power of 1000 W. This value is 39.75 dB higher than that achieved through SIC alone and 113.27 dB higher than the result without both SIC and ABF.

This paper addresses the challenge of diminished accuracy in electromagnetic inverse scattering (EMIS) when both dielectric and plasma coexist within a domain of interest (DOI). It proposes the Electromagnetic Inverse Scattering Network (EIS-Net) based on deep learning. The model integrates attention mechanisms and residual structures, enabling accurate reconstruction of physical parameters of scatterers in scenarios with limited training samples or the presence of diverse types of scatterers within the region. Finally, simulation results substantiate the satisfactory performance of using EIS-Net for the inverse scattering of mixed targets.