無人機邊緣計算系統任務卸載的URLLC安全設計

摘 要：旨在解決無人機移動邊緣計算（MEC）系統中任務卸載的物理層安全問題。在該系統中，多個地面用戶將計算任務卸載給一架配備MEC服務器的無人機，一個地面竊聽者嘗試竊取用戶向無人機卸載的任務信息。為保證任務卸載的可靠性和低時延，卸載通信使用超可靠低時延通信（URLLC）技術。通過聯合優化無人機的部署位置、用戶的卸載鏈路帶寬、用戶本地計算和無人機計算的中央處理器（central processing unit，CPU）頻率來最大化用戶的最小安全計算量。為了解決該問題，首先采用塊坐標下降法將問題分解為僅優化無人機的位置和計算時延，以及僅優化無人機和用戶的CPU頻率和用戶卸載帶寬兩個子問題；然后利用對數函數近似的方法對卸載帶寬的速率表達式進行化簡，利用連續凸逼近法將非凸的子問題變成可解的凸優化問題；最后交替求解這兩個子問題直至目標函數值收斂。仿真結果表明，與現有基準方案相比，所提算法能夠有效提高系統的安全計算量。這證明了所提方法的必要性，為實現安全通信和計算平衡提供了解決方案。

關鍵詞：無人機；移動邊緣計算；超可靠低時延通信

中圖分類號：TN929.5"" 文獻標志碼：A

文章編號：1001-3695（2025）01-034-0250-07

doi：10.19734/j.issn.1001-3695.2024.05.0180

Secure URLLC design for task offloading of UAV edge computing systems

Abstract：The aim of this paper was to address the physical layer security issue of task offloading in UAV MEC systems.In this system，multiple ground users offloaded computing tasks to a UAV equipped with an MEC server，while a ground eavesdropper attempted to intercept task information offloaded by the users to the UAV.To ensure the reliability and low latency of task offloading，offload communication used URLLC technology.This paper aimed to maximize the minimum security computation quantity of the users by jointly optimizing the deployment location of the UAV，the offloading bandwidth of the users，and the CPU frequency of the UAV computation and the local computation of the users.To address this problem，this paper first employed the block coordinate descent method to decompose the problem into two subproblems：one focused on optimizing the position and computing latency of the UAV，while the other aimed to optimize the CPU frequency of both the UAV and the users，as well as the user’s offloading bandwidth.Then，this paper utilized the logarithmic function approximation method to simplify the rate expression of the offloading bandwidth，and applied the continuous convex approximation method to transform the non-convex subproblems into solvable convex optimization problems.Finally，the two subproblems were alternately solved until the objective function converged.Simulation results show that compared to existing benchmark schemes，the proposed algorithm effectively enhances the system’s secure computation capacity.This demonstrates the necessity of the proposed algorithm，providing a solution for achieving a balance between secure communication and computation.

Key words：unmanned aerial vehicles （UAV）；mobile edge computing （MEC）；ultra-reliable and low-latency communication（URLLC）

0 引言

近年來，物聯網的快速發展，推動了大量用于智能家居、智慧城市、醫療保健、智慧農業等領域移動程序的出現［1］。物聯網中不斷增長的設備或連接帶來了大量的數據，對低功耗和計算能力受限的物聯網設備構成了挑戰，保持高數據速率和低延遲對這類設備來說至關重要［2］。移動邊緣計算允許用戶將密集的計算任務卸載給邊緣服務器進行計算，能夠有效減輕地面用戶的計算負擔［3］。如文獻［4］為避免本地計算能力和電池能量的不足，提出終端設備可決定是否將延遲敏感性任務卸載到邊緣節點中執行。但是，對位于偏遠地區或具有惡劣環境條件的地面用戶來說，他們可能無法連接到邊緣計算服務器。然而，無人機因其部署靈活等優點［5］，可以攜帶邊緣計算服務器進入偏遠地區，為地面用戶提供服務，從而低成本地擴展了邊緣服務器的覆蓋范圍［6］。

移動邊緣計算的應用場景往往要求高速、大容量的數據傳輸，并盡可能降低傳輸時延，以滿足實時控制、圖像傳輸等要求。URLLC的目標是極高的可靠性和極低的時延，應用于無人機協助地面用戶任務邊緣計算的場景中具有非常重要的意義。URLLC系統需要實現不高于10-5的解碼錯誤概率以及對于小數據包（如32 Byte）不超過1 ms的延遲［7］。因此，在URLLC場景中，信道編碼的塊長度較短，以減少延時，且在有限塊長度下，數據不能實現無差錯傳輸［8］。傳統基于信息論的度量方法不能用來衡量URLLC網絡的性能，因為會導致不準確的性能指標［9，10］。

另一方面，由于無線通信的廣播特性，物聯網應用程序特別容易受到安全威脅（如關鍵信息泄露或惡意攻擊等）。傳統方法是通過加密的方法來增強安全性，但由于在URLLC中，信道塊的長度是有限的，加密的方法不適用于URLLC的安全性的增強。然而，無線信道的物理層安全由于不需要復雜的密鑰交換過程，更適用于URLLC［11］。

針對URLLC在無人機無線通信領域的應用，目前已有不少國內外學者對其進行了深入研究。文獻［11，12］研究了無人機移動邊緣計算URLLC系統的任務完成時間最小化問題，文獻［12］考慮將無人機作為URLLC中繼，將計算任務傳送至遠處的MEC服務器，文獻［13］考慮無人機攜帶MEC服務器為用戶提供服務。文獻［12，13］都使用了塊坐標下降法（block coordinate descent，BCD）和連續凸逼近法（successive convex approximation，SCA）對問題進行求解。文獻［10，14～17］考慮將無人機作為URLLC中繼為地面用戶提供服務。文獻［10，14］考慮將無人機作為單向傳輸中繼，優化目標是最小化解碼錯誤概率，用BCD法將問題分解為多個子問題后，通過推導公式求解閉式解的方法得到各子問題的最優解，最后聯合優化得到問題的次優解。文獻［15］考慮將無人機作為雙向傳輸中繼，在正向鏈路的URLLC約束下，最大化反向鏈路的平均傳輸速率。文獻［16］研究了無人機在數據收集階段的平均傳輸速率最大化問題和數據傳輸階段的平均保密率最大化問題，數據傳輸階段會受到竊聽者的影響。文獻［17］通過優化塊長度分配和無人機的飛行軌跡來最大化總的傳輸速率。為支持時延敏感型任務，文獻［18］采用URLLC研究了無人機輔助車輛邊緣計算網絡。文獻［19，20］研究了URLLC在不完美信道狀態信息下的應用。文獻［21］研究了短包通信場景下，在移動無人機和智能反射面輔助下的URLLC的超高可靠性問題。

綜上所述，已有文獻缺乏考慮無人機輔助MEC系統URLLC物理層安全的情況。本文研究了一個無人機輔助MEC系統任務卸載的URLLC物理層安全設計的模型，在使用URLLC保證用戶任務卸載低延時及可靠性的同時，也保證系統在無線廣播通信下的通信安全性。本文的主要貢獻有：a）考慮無人機為地面各用戶提供MEC服務的公平性，本文以最大化用戶最小的安全計算量為優化目標；b）本文考慮了總時延約束、卸載-計算的信息因果約束、用戶能耗約束、卸載帶寬約束以及無人機和用戶的CPU頻率約束；c）推導了用戶卸載帶寬和無人機CPU頻率的半封閉解，提高了算法收斂的速度；d）研究結果表明，與基準方案相比，本文算法能有效提升系統性能。

1 系統模型

1.1 通信模型

如圖1所示，地面上隨機分布了多個合法用戶，這些用戶需要完成任務計算。此外，一個潛在竊聽者也在該區域。一架配備邊緣計算服務器的多旋翼無人機懸停在空中，它的任務是輔助地面用戶完成計算任務。與此同時，地面用戶也在進行本地計算。然而，需要注意的是，竊聽者會竊聽地面用戶發送的信息。

為確保通信時延盡可能低，用戶以短包形式向無人機傳輸數據。在這種情況下，用戶需在信道的相干時間內完成數據包的傳輸。考慮到傳輸時間極短，將任務周期劃分為不同時隙以供設備傳輸數據顯然是不可行的。因此，假設所有地面均采用頻分多址接入技術來卸載數據，多個用戶可以同時傳輸信息，且不會相互干擾。假設所有用戶的卸載傳輸時間均為Toff，單位為秒（s）。

在URLLC中，為保證低延時，傳輸塊的長度有限，存在非零的解碼錯誤概率和信息泄露概率，假設在給定信道數據包長度為Nk=BkToff時，用戶k卸載數據時無人機接收數據的誤碼率為εk，信息泄露概率為δk，則用戶k卸載任務至無人機時的短包通信速率（bit/s/Hz）可以近似為［23］

1.2 計算模型

研究假設無人機和多用戶間的任務卸載和計算分為用戶本地計算、用戶卸載傳輸數據給無人機和無人機邊緣計算三個階段，且每個用戶的計算任務數據是按位獨立的，用ck表示計算1 bit用戶k的任務數據所需的計算資源的數量（即所需的CPU周期數）。

a）本地計算。假設tlocalk和fk分別表示用戶k本地計算時間和CPU頻率。用戶k本地計算的計算任務數據量Llocalk和能耗Elocalk分別表示為

其中：κk為用戶k的有效電容系數。用戶k的總能耗為通信相關能耗和計算相關能耗之和，需滿足最大值約束。

PkToff+Elocalk≤Ek，max，k（4）

其中：Ek，max是用戶k的最大能耗預算。

b）遠程計算。根據上述通信模型，無人機能成功接收用戶k卸載的任務數據大小可以表示為

Loffk=（1-εk）NkRk，k（5）

研究假設無人機邊緣計算服務器為從用戶k卸載的計算任務分配的CPU頻率表示為fU，k，用戶k的任務遠程計算時間表示為tremotek，用戶k的遠程計算任務的數據大小表示為Lremotek，表示為

此外，卸載任務的遠程計算需滿足信息因果約束，即只有被無人機成功接收的任務數據才能被無人機邊緣計算服務器進行計算，即需滿足

每個用戶的安全計算量為本地計算量和遠程計算量之和，表示為

1.3 問題描述

其中：tcomp表示總延遲時間；Bmax表示最大的總卸載帶寬；fU，max和fk，max分別表示無人機最大CPU頻率和用戶最大CPU頻率。式（11）（12）表示用戶的計算延時約束；式（13）表示用戶卸載給無人機進行邊緣計算的信息因果約束；式（14）表示用戶的能耗約束；式（15）表示用戶的卸載帶寬約束；式（16）（17）分別表示無人機最大CPU頻率約束和用戶最大CPU頻率約束。

2 問題求解

2.1 優化無人機的水平位置和計算時間

2.2 優化卸載帶寬和CPU頻率

由于在約束式（29）中，不等式左邊是一個關于變量Bk的增函數，若約束式（29）滿足嚴格不等式，則減小變量Bk的值能使得約束式（29）等式成立，同時不會影響其他約束的成立，目標值不會發生改變。為了帶寬資源的更有效利用，問題（P6）中，約束（29）取等號。即

同理可推斷，問題（P6）取得最優值時，約束式（10）可取等號，即

因此，問題（P6）可轉變為問題（P7）。

根據參考文獻［13］中子問題3的求解方法，問題（P7）的求解如下：

fk的閉式解可表示為

將以上所得到的fU，k，Bk的最優值f*U，k（η），B*k（η）代入問題（P7），可得到以下關于η的優化問題。

同樣根據參考文獻［13］中子問題3的求解辦法，由于B*k（η），f*U，k（η）都是關于η的非減函數，所以問題（P7）可以使用一維搜索算法來求解。當式（39）～（41）中的任何一個約束滿足等式時，可得到最優的目標函數η值。

2.3 優化算法

交替優化前文所提出的兩個子問題，直到目標函數值收斂，可得到最優的η值。交替迭代過程如算法1所示。

算法1 交替迭代算法

式（42）成立是因為使用對數函數近似的表達式在q=q（i-1）處與原短包通信速率相等，目標函數值相等；式（43）成立是因為在給定局部點q（i-1）處進行一階泰勒展開，目標函數值相同；式（44）成立是因為執行步驟a）（a）得到解的q（i），T（i）是問題（P4）的最優解；式（45）成立是因為求解問題（P4）得到的目標函數值是問題（P1）的下界。因此在每次迭代中執行步驟b）后得到問題（P1）的目標值都是非減的。同理可以證明在每次迭代中執行步驟a）（b）后得到問題（P1）的目標值都是非減的。

因此可以得出在每一次迭代中問題（P1）的目標值都是非減的結論。此外，由于最大帶寬、CPU頻率和時延約束的存在，問題（P1）的目標值是有上限的。所以，算法1是收斂的。下面分析算法1的復雜度，算法1應用內點法求解子問題（P4）因此算法1的復雜度為O（（NK）3.5 log2 （1/ε）），其中N為迭代次數，δ表示迭代收斂精度。

3 仿真結果分析

本文的仿真參數設定如下：用戶和竊聽者隨機分布在一個600 m×500 m的區域，用戶數K=3，無人機位于高H=100的空中，用戶的發射功率Pk=0.5 W，用戶的最大CPU頻率為fk，max=1 GHz，用戶的最大能耗為8×10-3 J，噪聲功率譜密度N0=-169 dBm/Hz，基準信道功率增益h0=-60 dB，路徑損失指數α=3，誤碼率k=10-5，信息泄露概率δk=10-2，用戶的卸載傳輸時間Toff=1×10-3 s，計算單位比特所需的CPU周期數ck=1 000 cycle/bit，有效電容系數κk=10-28，迭代閾值δ=1×10-5。設置初始時刻無人機的水平位置為三個用戶的中心，每個用戶的卸載帶寬分配B=Bmax/K，無人機分配給每個用戶的CPU頻率為fU，k=fU，max/K，用戶初始的CPU頻率fk=fk，max。

下面分析竊聽者位于不同位置情況下，無人機的最優位置分布（如圖2所示）、各用戶的帶寬分配（如圖3所示）、無人機CPU頻率的分配（如圖4所示）以及安全計算量的變化（如圖5所示）。

竊聽者較靠近某個用戶時，如圖2中的情況1～3，竊聽者較靠近用戶1，用戶1的安全性較低，無人機的最優位置也會靠近用戶1。圖3中分配給用戶1的帶寬會多于用戶2和3的，提升用戶1的安全傳輸速率，以提升整體的安全計算量。隨著竊聽者的位置逐漸向三個用戶的中心（即情況4）靠近時，竊聽者對用戶1的影響逐漸減小，對用戶2和3的影響逐漸增加，分配給用戶1的帶寬逐漸減少，分配給用戶2和3的帶寬逐漸增加。又由于此時竊聽者對三個用戶整體的影響在減小，用戶能夠卸載更多的計算任務給無人機，所以如圖4所示無人機分配給用戶卸載的任務的CPU頻率增加，如圖5所示用戶最小的安全計算量增加。情況4無人機的最優位置和竊聽者的位置重合，也位于三個用戶的中心，這種情況下如圖3所示三個用戶的帶寬分配相等。

當竊聽者的位置逐漸遠離三個用戶時，如圖2中的情況5、6，無人機的最優位置會逐漸靠近三個用戶的中心，圖2中情況6無人機的最優位置比情況5無人機的最優位置更靠近用戶中心。這是因為竊聽者逐漸遠離三個用戶時，用戶的整體安全性越高，無人機在初始位置附近且用戶使用較少的通信資源即可將計算任務卸載給無人機，如圖3中，用戶的帶寬分配在減少，圖4中無人機的CPU頻率在增加，圖5中用戶最小的安全計算量在增加。

本文選取竊聽者位置靠近用戶1（情況2）和竊聽者位置遠離三個用戶（情況5）這兩種情況來分析參數變化對系統模型的影響。

如圖6所示是固定總帶寬分別為0.5 MHz，0.7 MHz，0.9 MHz，用戶最小的安全計算量隨無人機最大CPU頻率變化的曲線圖。無人機的最大CPU頻率較小（小于5 GHz）時，曲線重合，安全計算量相等，這是因為此時通信資源足夠，計算資源不足，達到計算瓶頸，增大無人機的最大CPU頻率能夠增大安全計算量。繼續增大無人機的CPU頻率（大于5 GHz）時，帶寬越大，安全計算量越大，同一帶寬下，無人機的CPU頻率增大，安全計算量不再增大時，達到通信瓶頸，且情況2用戶的安全計算量要大于情況5用戶的安全計算量。這是因為在帶寬資源不足的情況下，情況5用戶的整體安全性要高于情況2用戶的整體安全性，情況5用戶能夠卸載的計算任務要高于情況2用戶能夠卸載的安全計算量。

圖7所示是固定無人機最大CPU頻率分別為5 GHz，6 GHz，7 GHz時，安全計算量隨總帶寬的變化圖。總帶寬小于0.4 MHz時，情況5的曲線和情況2的曲線分別重合，且隨帶寬的增大而增大，這是因為當帶寬較小，通信資源不足時，計算資源充足，增大帶寬能夠使得用戶卸載更多的任務，以增大安全計算量。情況5的安全計算量要高于情況2的，這是因為情況5三個用戶的整體安全性會更高，用戶能夠卸載更多的任務給無人機。總帶寬大于0.4 MHz時，無人機的CPU頻率越大，安全計算量越大，在同一無人機的CPU頻率下，情況2和5的曲線重合，這是因為此時通信資源充足，用戶能夠卸載足夠多的計算任務給無人機，耗盡無人機的計算資源，達到計算瓶頸。

根據圖8所示的收斂情況，本文提出的聯合優化算法在目標函數值第二次迭代后快速收斂，且隨著迭代次數的減少，算法的復雜度也隨之降低。同時，當總帶寬、無人機最大CPU頻率和竊聽者位置發生變化時，算法的收斂情況仍然穩定，表明該算法具有較好的穩定性。

雖然現有算法無法直接應用于本研究考慮的系統，無法找到已有方案與本文算法進行對比，但是本文將下列四種基準算法與所提出的聯合優化算法進行性能對比，以更合理地評估算法的性能和效率。

a）僅優化無人機的位置和計算時間：固定卸載帶寬和無人機的CPU頻率都為所有地面用戶均分，地面用戶的CPU頻率取得最大值，優化無人機的部署位置和計算時間。

b）僅優化卸載帶寬和CPU頻率：固定無人機的部署位置位于三個用戶的中心處，本地與遠程計算時間達到限定條件的最大值。優化卸載帶寬和無人機與地面用戶的CPU頻率。

c）上界：將優化問題的短包通信速率替換成香農容量公式，對無人機的部署位置、任務卸載帶寬、本地與遠程計算時間和無人機與地面用戶的CPU頻率進行聯合優化，得到的安全計算量為所提算法的上界。

d）基于香農公式：將上界方案求得的無人機部署位置和任務卸載帶寬的優化值代入本文URLLC系統模型中，得到基于香農公式方案的安全計算量。

圖9是情況5時不同算法的安全計算量性能隨無人機CPU頻率變化的對比。當無人機的CPU頻率小于5 GHz時，除基于香農公式方案外，其他方案的曲線重合，這是因為當無人機的CPU頻率較小時，通信資源充足，無人機的CPU頻率耗盡，除基于香農公式方案外的三個對比方案的通信不受影響，無人機的遠程計算受到相同的影響，安全計算量相等。當無人機的CPU頻率增大到一定程度時，安全計算量趨于穩定，這是因為受到總帶寬的限制，聯合優化方案逐漸優于僅優化無人機的位置和計算時間方案、僅優化卸載帶寬和CPU頻率方案，且性能提升均約5%，聯合優化方案逐漸優于基于香農公式方案，且性能提升約11%。由此驗證了聯合優化無人機的部署位置、用戶的卸載帶寬和CPU頻率的必要性。

圖10是情況2時不同算法的安全計算量性能隨無人機CPU頻率變化的對比。各方案的變化趨勢與圖10相同，且除上界方案外的其余三個對比方案的性能提升與圖9的性能提升相近。可見竊聽者在不同位置時本文算法均要優于次優方案算法。

4 結束語

本文研究了無人機輔助MEC的安全URLLC系統，通過聯合設計無人機的水平位置、無人機和用戶的計算時間和CPU頻率、用戶的卸載帶寬，在滿足最大時延約束、卸載-計算的信息因果約束、地面用戶的能耗約束、卸載帶寬約束、無人機和用戶的CPU頻率約束下，最大化用戶最小的安全計算量。為解決所構建的非凸優化問題，將原問題分解為兩個子問題，利用SCA法以及根據約束條件和目標函數的特征，推導半封閉解的方法來分別求解子問題，交替求解兩個子問題直到目標函數值收斂，獲得本文系統問題的次優解。仿真結果表明，竊聽者位于不同位置情況下，所提優化算法都能有效平衡卸載安全通信能力和計算能力，最大化用戶的整體安全計算量，且本文提出的聯合優化算法明顯優于僅優化無人機的位置和計算時間方案、僅優化卸載帶寬和CPU頻率方案、基于香農容量公式方案，充分證實了聯合優化無人機和地面用戶的計算時間和CPU頻率、地面用戶的卸載帶寬、無人機的水平位置的必要性，以及證實了URLLC模型中香農容量公式的局限性。

參考文獻：

［1］Hu R Q，Qian Yi.An energy efficient and spectrum efficient wireless heterogeneous network framework for 5G systems［J］.IEEE Communications Magazine，2014，52（5）：94-101.

［2］Li Xiaoyang，Zhu Guangxu，Shen Kaiming，et al.Energy efficient wireless crowd labeling：joint annotator clustering and power control［J］.IEEE Trans on Wireless Communications，2023，22（3）：2022-2035.

［3］You Chansheng，Zeng Yong，Zhang Rui，et al.Asynchronous mobile-edge computation offloading：energy-efficient resource management［J］.IEEE Trans on Wireless Communications，2018，17（11）：7590-7605.

［4］周恒，李麗君，董增壽.基于異步獎勵深度確定性策略梯度的邊緣計算多任務資源聯合優化［J］.計算機應用研究，2023，40（5）：1491-1496.（Zhou Heng，Li Lijun，Dong Zengshou.Multi-tasks resource joint optimization based on asynchronous reward deep deterministic policy gradient in edge computing［J］.Application Research of Computers，2023，40（5）：1491-1496.）

［5］吳慶捷，崔苗，張廣馳，等.無人機信息采集系統的端到端吞吐量最大化研究［J］.廣東工業大學學報，2022，39（6）：53-61.（Wu Qingjie，Cui Miao，Zhang Guangchi，et al.Research on end-to-end throughput maximization of UAV information acquisition system［J］.Journal of Guangdong University of Technology，2022，39（6）：53-61.）

［6］Guo Hongzhi，Liu Jiajia.UAV-enhanced intelligent offloading for Internet of Things at the edge［J］.IEEE Trans on Industrial Informa-tics，2019，16（4）：2737-2746.

［7］ETSI.Study on scenarios and requirements for next generation access technologies，3GPP TR138913［S］.Alpes Maritimes：European Telecommunications Standards Institute，2018.

［8］Sun Xiaofang，Yan Shihao，Yang Nan，et al.Short-packet downlink transmission with non-orthogonal multiple access［J］.IEEE Trans on Wire-Less Communications，2018，17（7）：4550-4564.

［9］Chu Zheng，Hao Wanming，Xiao Pei，et al.UAV assisted spectrum sharing ultra-reliable and low-latency communications［C］//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2019：1-6.

［10］Ren Hong，Pan Cunhua，Wang Kezhi，et al.Joint transmit power and placement optimization for URLLC-enabled UAV relay systems［J］.IEEE Trans on Vehicular Technology，2020，69（7）：8003-8007.

［11］Ren H，Pan Cunhua，Deng Yansha，et al.Resource allocation for secure URLLC in mission-critical IoT scenarios［J］.IEEE Trans on Communications，2020，68（9）：5793-5807.

［12］Ranjha A，Naboulsi D，Emary M E，et al.Facilitating URLLC vis-á-vis UAV-enabled relaying for MEC systems in 6-G networks［J/OL］.IEEE Trans on Reliability.（2024-02-09）.http：//doi.org/10.1109/tr.2024.3357356.

［13］Wu Qingjie，Cui Miao，Zhang Guangchi，et al.Latency minimization for UAV-enabled URLLC-based mobile edge computing systems［J］.IEEE Trans on Wireless Communications，2024，23（4）：3298-3311.

［14］Pan Cunhua，Ren Hong，Deng Yansha，et al.Joint blocklength and location optimization for URLLC-enabled UAV relay systems［J］.IEEE Communications Letters，2019，23（3）：498-501.

［15］Cai Yeming，Xu Jiang，Liu Mingqian，et al.Resource allocation for URLLC-oriented two-way UAV relaying［J］.IEEE Trans on Vehicular Technology，2022，71（3）：3344-3349.

［16］Chen Xinying，Zhao Nan，Chang Zheng，et al.UAV-aided secure short-packet data collection and transmission［J］.IEEE Trans on Communications，2023，71（4）：2475-2486.

［17］Di Haoyang，Zhu Xiaodong，Liu Zhen，et al.Joint blocklength and tra-jectory optimizations for URLLC-enabled UAV relay system［J］.IEEE Communications Letters，2023，28（1）：118-122.

［18］Shen Shuai，Yang Kun，Wang Kezhi，et al.UAV-aided vehicular short-packet communication and edge computing system under time-varying channel［J］.IEEE Trans on Vehicular Technology，2023，72（5）：6625-6638.

［19］Ranjha A，Javed M A，Piran M J，et al.Towards facilitating power efficient URLLC systems in UAV networks under jittering［J］.IEEE Trans on Consumer Electronics，2023，70（1）：3031-3041.

［20］Mouni N S，Yeduri S R，Kumar A，et al.Short packet communications in UAV-NOMA system with imperfect SIC［J］.IEEE Communications Letters，2023，27（10）：2852-2856.

［21］Ranjha A，Kaddoum G.URLLC facilitated by mobile UAV relay and RIS：a joint design of passive beamforming，blocklength，and UAV positioning［J］.IEEE Internet of Things Journal，2020，8（6）：4618-4627.

［22］Caris M，Stanko S，Malanowski M，et al.mm-Wave SAR demonstrator as a test bed for advanced solutions in microwave imaging［J］.IEEE Aero-space and Electronic Systems Magazine，2014，29（7）：8-15.

［23］Yang Zhaohui，Pan Cunhua，Wang Kezhi，et al.Energy efficient resource allocation in UAV-enabled mobile edge computing networks［J］.IEEE Trans on Wireless Communications，2019，18（9）：4576-4589.

［24］Zhang Guangchi，Wu Qingqing，Cui Miao，et al.Securing UAV communications via joint trajectory and power control［J］.IEEE Trans on Wireless Communications，2019，18（2）：1376-1389.

［25］Ren Hong，Pan Cunhua，Deng Yansha，et al.Joint pilot and payload power allocation for massive-MIMO-enabled URLLC IIoT networks［J］.IEEE Journal on Selected Areas in Communications，2020，38（5）：816-830.