AI-powered cooperative integration of aerial and terrestrial networks for enhanced end-user connectivity

Abstract

The evolution of wireless communications toward B5G and 6G systems introduces unprecedented requirements in terms of capacity, coverage, reliability, and adaptability. Conventional terrestrial infrastructures alone are increasingly unable to satisfy these demands, particularly in scenarios characterized by dynamic user distributions, sudden traffic surges, infrastructure failures, and heightened security threats. As a result, the integration of aerial communication platforms with ground networks has emerged as a promising approach for enabling flexible, resilient, and high-performance wireless ecosystems. Unmanned Aerial Vehicles (UAVs) possess distinctive characteristics such as rapid deployability, mobility, and on-demand coverage, allowing them to effectively complement terrestrial infrastructures. Nevertheless, their incorporation into communication networks raises important challenges related to deployment optimization, cooperative transmission, resource allocation, and secure communication. Addressing these challenges, this thesis develops Artificial Intelligence (AI)- and Machine Learning (ML)-driven frameworks that facilitate efficient and secure cooperation between aerial and terrestrial network components, supporting the performance objectives of next-generation wireless systems. Chapter 1 provides the necessary background on UAV-enabled communications and examines the technological foundations that enable intelligent collaboration between aerial and terrestrial networks. It further defines the research motivation and objectives, highlighting the importance of AI-driven methodologies for addressing issues such as UAV placement, resource management, cooperative networking, and physical layer security. Chapter 2 proposes an intelligent integration framework for aerial–terrestrial cooperative networks in which UAVs are dynamically deployed through clustering-based techniques to ensure seamless connectivity. The presented unsupervised learning approach determines suitable UAV placement for traffic offloading and emergency communication scenarios, thereby improving service continuity in dense environments and areas affected by infrastructure disruptions through Coordinated Multi-Point (CoMP) transmission. Chapter 3 investigates the security of aerial–terrestrial networks operating in the presence of potentially untrusted relays. An AI-driven framework is introduced to optimize the three-dimensional placement of UAV relays, power allocation strategies, and antenna selection while incorporating cooperative jamming mechanisms. By combining clustering algorithms, Particle Swarm Optimization (PSO), and deep neural network-based decision processes, the proposed solutions achieve notable improvements in secrecy rate and reductions in secrecy outage probability, strengthening the robustness of future wireless infrastructures. Chapter 4 extends the cooperative aerial–terrestrial networking paradigm by introducing a UAV–Device-to-Device (D2D) cooperative communication framework that integrates UAV-assisted Non-Orthogonal Multiple Access (NOMA) with D2D communications. By leveraging both supervised and unsupervised learning techniques, the proposed framework optimizes UAV placement, D2D user pairing, and resource allocation to enable efficient spectrum sharing. Simulation results demonstrate that the proposed UAV–D2D cooperative scheme achieves significant improvements in spectral efficiency and overall system throughput, while guaranteeing that each user attains a higher data rate than that achievable under conventional Orthogonal Multiple Access (OMA) schemes. Finally, the thesis summarizes its primary findings and outlines future research directions, including scalable multi-UAV coordination, integration with non-terrestrial network elements, and the development of energy-aware optimization strategies for sustainable aerial communication systems. Overall, the results presented in this thesis indicate that combining AI-driven decision-making with UAV-enabled networking can substantially enhance connectivity, security, and resource efficiency.

Η εξέλιξη των ασύρματων επικοινωνιών προς τα δίκτυα νέας γενιάς (B5G, 6G) εισάγει αυξημένες απαιτήσεις ως προς τη χωρητικότητα, την κάλυψη, την αξιοπιστία, την ασφάλεια και την προσαρμοστικότητα. Οι συμβατικές επίγειες υποδομές δεν επαρκούν πλέον για την πλήρη ικανοποίηση αυτών των απαιτήσεων, ιδιαίτερα σε σενάρια που χαρακτηρίζονται από δυναμική κατανομή χρηστών, απότομες και απρόβλεπτες μεταβολές του φόρτου δικτύου, φυσικών καταστροφών και αυξημένες απειλές ασφάλειας ασύρματων επικοινωνιών. Στο πλαίσιο αυτό, η ενοποίηση εναέριων πλατφορμών επικοινωνίας με τα επίγεια δίκτυα αναδεικνύεται ως μια ιδιαίτερα υποσχόμενη προσέγγιση για την ανάπτυξη ευέλικτων, ανθεκτικών και υψηλής απόδοσης ασύρματων επικοινωνιακών υποδομών. Τα Συστήματα μη Επανδρωμένων Αεροσκαφών (ΣμηΕΑ), τα οποία στην διεθνή ερευνητική κοινότητα είναι γνωστά και ως Unmanned Aerial Vehicles (UAVs), διαθέτουν μοναδικά χαρακτηριστικά, όπως η ταχεία ανάπτυξη, η υψηλή κινητικότητα και η δυνατότητα παροχής κάλυψης κατ’ απαίτηση, επιτρέποντάς τους να λειτουργούν συμπληρωματικά προς τις επίγειες υποδομές. Ωστόσο, η ενσωμάτωσή τους στα υπάρχοντα επίγεια δίκτυα εισάγει σημαντικές προκλήσεις που σχετίζονται με τη βέλτιστη τοποθέτηση, τη συνεργατική μετάδοση, την κοινή διαχείριση ραδιοπόρων μεταξύ εναέριων και επίγειων δικτύων και την ασφάλεια των επικοινωνιών. Ανταποκρινόμενη σε αυτές τις προκλήσεις, η παρούσα διδακτορική διατριβή αναπτύσσει πλαίσια (frameworks), βασισμένα στην τεχνητή νοημοσύνη και τη μηχανική μάθηση, τα οποία επιτρέπουν την αποδοτική, προσαρμοστική και ασφαλή συνεργασία μεταξύ εναέριων και επίγειων υποδομών, υποστηρίζοντας τις απαιτήσεις των ασύρματων τηλεπικοινωνιακών συστημάτων επόμενης γενιάς.Το Κεφάλαιο 1 παρουσιάζει το θεωρητικό υπόβαθρο των επικοινωνιών με χρήση UAVs και εξετάζει τις βασικές τεχνολογίες που καθιστούν εφικτή την ευφυή συνεργασία μεταξύ εναέριων και επίγειων δικτύων. Παράλληλα, προσδιορίζονται τα κίνητρα και οι ερευνητικοί στόχοι της διατριβής, με έμφαση στη σημασία των μεθοδολογιών που βασίζονται σε δεδομένα για την αντιμετώπιση ζητημάτων όπως η διαχείριση κινητικότητας, η αποδοτική αξιοποίηση του φάσματος, οι συνεργατικές στρατηγικές μετάδοσης και η ασφάλεια φυσικού επιπέδου. Στο Κεφάλαιο 2 προτείνεται ένα ευφυές framework ενοποίησης εναέριων και επίγειων συνεργατικών δικτύων, στο οποίο τα UAVs αναπτύσσονται δυναμικά μέσω τεχνικών ομαδοποίησης, με στόχο την παροχή απρόσκοπτης συνδεσιμότητας. Η προτεινόμενη προσέγγιση μη επιβλεπόμενης μάθησης προσδιορίζει κατάλληλες θέσεις τοποθέτησης των UAVs τόσο για την αποφόρτιση της κυκλοφορίας όσο και για σενάρια έκτακτης ανάγκης, βελτιώνοντας την απρόσκοπτη παροχή υπηρεσίας σε πυκνά περιβάλλοντα και σε περιοχές με κατεστραμμένες υποδομές, μέσω τεχνικών Coordinated Multipoint (CoMP). Το Κεφάλαιο 3 επικεντρώνεται στην ασφάλεια των εναέριων–επίγειων δικτύων σε σενάρια παρουσίας μη έμπιστων αναμεταδοτών. Παρουσιάζεται ένα framework βασισμένο στην τεχνητή νοημοσύνη για τη βελτιστοποίηση της τρισδιάστατης τοποθέτησης των UAVs-αναμεταδοτών, της κατανομής ισχύος και της επιλογής κεραιών, ενώ παράλληλα ενσωματώνονται μηχανισμοί συνεργατικής παρεμβολής. Ο συνδυασμός αλγορίθμων ομαδοποίησης, βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization – PSO) και βαθιών νευρωνικών δικτύων (Deep Neural Networks – DNNs) οδηγεί σε σημαντική αύξηση του ρυθμού μυστικότητας και σε μείωση της πιθανότητας αποτυχίας μυστικότητας, ενισχύοντας τη συνολική ανθεκτικότητα των μελλοντικών ασύρματων υποδομών. Το Κεφάλαιο 4 προτείνει ένα UAV-υποστηριζόμενο δίκτυο, το οποίο συνεργάζεται με ένα επίγειο δίκτυο επικοινωνίας συσκευής-προς-συσκευή (Device-to-Device – D2D) μέσω της αξιοποίησης της μη ορθογώνιας πολλαπλής πρόσβασης (Non-Orthogonal Multiple Access – NOMA). Στο προτεινόμενο πλαίσιο, η D2D επικοινωνία αξιοποιείται για την ενίσχυση του επιτεύξιμου ρυθμού μετάδοσης των ασθενέστερων χρηστών μέσω συνεργατικής αναμετάδοσης, ενώ παράλληλα επιτυγχάνεται αποδοτικότερη εξυπηρέτηση των χρηστών. Αξιοποιώντας τεχνικές επιβλεπόμενης και μη επιβλεπόμενης μάθησης, καθώς και τεχνικές συνδυαστικής βελτιστοποίησης, το προτεινόμενο συνεργατικό UAV–D2D framework βελτιστοποιεί την τοποθέτηση των UAVs, τη σύζευξη χρηστών και τη διαχείριση ραδιοπόρων, προωθώντας την αποδοτική κοινή χρήση του φάσματος. Τα αποτελέσματα προσομοιώσεων αναδεικνύουν σημαντικές βελτιώσεις στη φασματική αποδοτικότητα και στη συνολική ρυθμοαπόδοση του συστήματος σε σύγκριση με συμβατικές ορθογώνιες τεχνικές πρόσβασης (Orthogonal Multiple Access – OMA). Τέλος, η διατριβή συνοψίζει τα βασικά της ευρήματα και παρουσιάζει μελλοντικές ερευνητικές κατευθύνσεις, όπως ο συντονισμός μεγάλης κλίμακας UAVs, η ενοποίηση με άλλα μη επίγεια δίκτυα, όπως τα δορυφορικά, καθώς και η ανάπτυξη ενεργειακά αποδοτικών στρατηγικών βελτιστοποίησης για βιώσιμα συστήματα επικοινωνίας. Συνολικά, τα αποτελέσματα που παρουσιάζονται στη διατριβή καταδεικνύουν ότι ο συνδυασμός ευφυούς λήψης αποφάσεων βασισμένης στην τεχνητή νοημοσύνη με δίκτυα υποστηριζόμενα από UAVs μπορεί να βελτιώσει ουσιαστικά τη συνδεσιμότητα, την ασφάλεια και την αποδοτική αξιοποίηση των πόρων.