In this article, we propose an efficient deep-neural-network-based relay selection (DNS) scheme to evaluate and improve the end-to-end throughput in wireless-powered cognitive Internet-of-Things (IoT) networks. In this system, multiple energy harvesting (EH) relays are deployed randomly to assist data transmission from a source node to multiple users under practical nonlinearity of the EH circuits. We first design an incremental relaying protocol, where a selected user will request the help from relays if the direct transmission is not favorable. In such a protocol, we develop a deep neural network framework for relay selection and throughput prediction with high accuracy, less channel feedback amount, and short execution time. Simulation results show that the proposed DNS scheme achieves higher throughput than the conventional relay selection methods, while it considerably reduces computational complexity, suggesting a real-time configuration for IoT systems under complex scenarios. Moreover, the proposed DNS scheme achieves the root-mean-square error (RMSE) of 6.6×10 -3 on the considered dataset, which exhibits the lowest RMSE as compared to the state-of-the-art machine learning approaches.

In this article, we study the physical-layer security (PHY-security) improvement method for a downlink nonorthogonal multiple access (NOMA) system in the presence of an active eavesdropper. To this end, we propose a full-duplex (FD)-enabled NOMA system and a promising scheme, called the minimal transmitter selection (MTS) scheme, to support secure transmission. Specifically, the cell-center and cell-edge users act simultaneously as both receivers and jammers to degrade the eavesdropper channel condition. Additionally, the proposed MTS scheme opportunistically selects the transmitter to minimize the maximum eavesdropper channel capacity. To estimate the secrecy performance of the proposed methods, we derive an approximated closed-form expression for secrecy outage probability (SOP) and build a deep neural network (DNN) model for SOP evaluation. Numerical results reveal that the proposed NOMA system and MTS scheme improve not only the SOP but also the secrecy sum throughput. Furthermore, the estimated SOP through the DNN model is shown to be tightly close to other approaches, i.e., the Monte-Carlo method and analytical expressions. The advantages and drawbacks of the proposed transmitter selection scheme are highlighted, along with insightful discussions.

In this paper, we propose a novel deep reinforcement learning-based quality-of-service (QoS) routing protocol, namely DRQR, exploiting cross-layer design to establish efficient QoS (EQS) routes in cognitive radio mobile ad hoc networks. An EQS route is a route with minimum end-to-end (E2E) queuing delay subject to QoS constraints such as link stability, residual energy, number of hops and avoiding licensed channels of primary users. Particularly, we propose an NP-complete optimization problem which has a feasible solution as an EQS route. To tackle this problem, we design a new deep reinforcement learning model which supports the DRQR protocol to establish EQS routes in real time by offline training instead of online training like most of literature studies. Moreover, the DRQR protocol guarantees to have high system performance. A mathematical analysis of the E2E queuing delay with random waypoint mobility model also provides to verify simulation results. Numerical results show that the DRQR protocol outperforms state-of-the-art routing protocols in terms of routing delay, queuing delay, control overhead, PDR and energy consumption.

In this paper, we propose a new deep Q-network (DQN) design for quality-of-service (QoS) multicast routing (DQMR) protocol to establish efficient QoS multicast (EQM) trees in cognitive radio mobile ad hoc networks (CR-MANETs). An EQM tree is a shortest-path multicast tree with minimum end-to-end (E2E) cost (a combination of queuing size ratio and link stability) subject to QoS constraints such as queuing size ratio, link stability, number of hops, number of time slots and avoiding the licensed channel of primary users. Particularly, we propose a NP-complete optimization problem such that its feasible solution is an EQM tree. To address this problem, we design a new DQN model and a new game-based model to form EQM tree in real time by offline training instead of online training like previous papers. Moreover, the DQMR protocol is also guaranteed to have high stability, low routing delay, low control overhead, and high packet delivery ratio (PDR). Furthermore, one more new contribution of the paper is that exact closed-form expressions for the E2E queuing delay of a multicast routing tree are also derived assuming random waypoint mobility and the reference point group mobility models to compare with simulation results of routing delay. Simulation results show that the DQMR protocol outperforms multicast ad hoc on-demand distance vector routing protocol in terms of routing delay, control overhead, and PDR.

The frequent movement of nodes in cognitive radio mobile ad hoc networks (CRAHNs) causes challenges in scalability, stability, channel sensing and channel access problems that can be solved by using clustering technique. Game theory is a feasible approach to solve such problems by casting clustering problems as distributed optimization problems. The main contributions of this article are as follows. Firstly, we propose a minimum connected weighted inner edge spanning tree (MWIEST) game to find an approximate solution of a MWIEST problem in CRAHNs. In this game, a link-weight function of each link is designed based on a combination of link-stability and link-connectivity ratio functions. Secondly, we prove that the MWIEST game is an exact potential game that exists at least one Nash equilibrium (NE) point which is an approximate solution of the MWIEST problem. Besides, we also prove that best responses (BRs) of the game converge to a NE in finite iterations. Thirdly, based on the MWIEST game, we propose four algorithms including the node information exchange (NIE), the best response selection (BRS), the intermediate nodes selection (INS) and the forming cluster (FC). Specifically, the algorithms NIE, BRS and INS provide a set of intermediate nodes (SetIN) which supports the FC algorithm to form clusters. Finally, we propose the game theory based clustering (GBC) protocol which is combination of the FC algorithm and the proposed cluster maintenance algorithm to construct high stable clusters supporting multicast routing in CRAHNs. Moreover, each obtained cluster includes most members having the same receiving channel which avoids the affected regions of licensed channels. For the performance evaluation, we implement the GBC protocol in OMNET++ platform to demonstrate its performance improvement over the state-of-the-art protocols in terms of network stability and control overheads.

This paper studies the secrecy performance of wireless power transfer (WPT)-based multi-hop transmissions in wireless sensors networks (WSNs), where legitimate nodes harvest energy from multiple power beacons (PBs) to support the multi-hop secure data transmission to a destination in the presence of an eavesdropper. Specifically, the PBs not only transfer radio frequency energy to the legitimate nodes but also act as friendly jammers to protect data transmission. To improve secrecy performance, we propose two secure scheduling schemes, named minimum node selection (MNS) scheme and optimal node selection (ONS) scheme. We then evaluate the performance of the proposed schemes in terms of the exact closed-form for secrecy outage probability (SOP) and asymptotic SOP. The developed analyses are verified by Monte-Carlo simulations. The numerical results show that the ONS scheme outperforms the MNS scheme emerging as an effective protocol for secure multi-hop transmission in WSNs. Furthermore, the effects of the number of PBs, number of hops, time switching ratio, and the secure target data rate on the system performance are also investigated.

In this paper, we study multi-hop device-to-device (D2D) communications in cognitive Internet-of-Things (IoT) networks, where all D2D devices harvest energy from a power beacon through energy beamforming to transmit their signals to a destination with the existence of a multiple antennas primary receiver. Under Nakagami-m fading channels, the exact and asymptotic expressions for the outage probability (OP) of the considered system are derived then validated by Monte Carlo simulations. We then develop a deep neural network (DNN) for the OP evaluation with a small root-mean-square error. The designed DNN model can predict the OP with high accuracy while it drastically reduces the execution time, expediting a real-time configuration for multi-hop D2D communications in cognitive IoT networks with energy harvesting.

In this paper, we propose a novel deep reinforcement learning-based quality-of-service routing (DQR) protocol to establish the best route with minimum end-to-end queuing delay subject to the number of hops constraint in cognitive mobile ad hoc networks (CRAHNs). In forwarding RREQ process, based on the proposed deep reinforcement learning (DRL) model, the DQR protocol unicasts a RREQ packet to its neighbor with minimum cost-value which avoids the affected region of the primary user to save control overheads, queuing delay and routing delay. The simulation results show that the DQR protocol outperforms the AODV one in terms of control overhead, PDR, and delay, suggesting a real-time protocol in CRAHNs.

This paper studies opportunistic scheduling schemes to enhance the secrecy performance in multi-user multiple-input single-output (MU-MISO) non-orthogonal multiple access (NOMA) systems, in which a multiple antenna base station (BS) serves multiple single-antenna cell-center and cell-edge users in the presence of multiple single-antenna eavesdroppers.In order to improve the secrecy performance, we propose an opportunistic scheduling scheme, called the proposed antenna/users selection (PAUS) scheme.Additionally, we consider two practical eavesdropping scenarios, namely colluding and non-colluding eavesdroppers.We derive the exact closed-form expression for secrecy outage probability (SOP) and asymptotic SOP of the PAUS scheme under different eavesdropping scenarios.We provide the 2D golden section search-based algorithm to find the optimal values of the transmit power and power allocation coefficient that minimize the system secrecy outage performance.The developed analyses are verified by Monte Carlo simulations.The numerical results show that the PAUS scheme improves secrecy performances compared to the benchmark random antenna/users selection (RAUS) scheme.To provide further insights into the system secure performance, the effects of transmit signal-to-noise ratio (SNR), power allocation coefficient, the number of transmit antennas at the BS, number of cell-center and cell-edge users, and the eavesdropper placements are extensively evaluated and discussed.

In this paper, we propose an optimal quality-of-service (QoS) multicast routing protocol (QMR) in Internet-of-Things (IoT) enabling cognitive radio mobile ad hoc networks (ICR-MANETs) based on deep Q-learning approach. To this end, we formulate a joint end-to-end queuing delay and link's stability optimization problem. The formulated optimization is typically NP-complete. We then leverage a novel deep Q-learning method to solve this challenging problem, which arrives at optimal convergence Q`-values. Based on the obtained Q`-values, we propose a QoS multicast routing protocol to select the best set of neighbors associated with minimum Q "-values to establish the multicast tree to the multicast members. Simulation results show that the proposed QMR protocol outperforms the current state-of-the-art routing protocols, which emerges as an efficient multicast routing protocol in ICR-MANETs.