CN113726471B - 一种智能反射表面辅助型mimo隐蔽通信***的参数优化方法 - Google Patents

Abstract

本发明提供的一种智能反射表面辅助型MIMO隐蔽通信***及参数优化方法，包括智能反射表面和虚拟监听方，所述智能反射表面用于实现发送方和接收方之间的通信，且发送方与接收方和虚拟监听方之间的直射信道均设置有障碍物；所述虚拟监听方用于非法截获智能反射表面向接收方卸载的任务；本发明利用智能反射表面辅助隐蔽通信，由于智能反射表面的每个反射元件都是无源地反射，且其没有配置调制器、解调器等信号处理设备，将减少***额外的资源消耗；同时，本发明能够在不需要大量射频链路的情况下实现虚拟大规模MIMO以对抗多天线虚拟监听方，提升隐蔽通信性能。

Description

一种智能反射表面辅助型MIMO隐蔽通信***的参数优化方法

技术领域

本发明涉及隐蔽通信问题，特别涉及一种智能反射表面辅助型MIMO隐蔽通信***及参数优化方法。

背景技术

随着无线通信技术的飞速发展，信息安全问题逐渐受到人们的重视，基于密钥的高层加密是当下保障隐私安全的重要可行手段，然而这一手段在实际应用中也遇到了一些阻碍，如密钥分发、存储、管理带来的巨大***开销。隐蔽通信，又称作低检测概率通信，作为一种无需密钥的安全通信手段，旨在降低通信被非法用户检测到的概率，提升信息交付的保密性与安全性，为保护信息安全提供了一种新颖的解决方案。

目前，已有多种技术被用于加强隐蔽通信，例如多天线技术、中继和干扰等。然而，这些技术不可避免地存在一些缺陷，限制了对隐蔽通信性能的提升。例如，多天线技术本质上是信道自适应的，其性能受到无线信道质量的影响。规模较小的天线阵列对隐蔽通信性能的提升作用比较小，而增加天线数量则需要更多的射频链路，从而导致更高的功耗和复杂度。中继包含了信号的解码、再生等过程，也会消耗***额外的资源。干扰的实现通常需要额外的友好节点，而且干扰信号如果没有得到有效的控制，可能会干扰到目标用户。

隐蔽通信性能绝大程度上取决于所处的无线传播环境，上述隐蔽通信技术虽然能够适应时变的无线信道但无法对其进行有效改善。不同于上述技术，智能反射表面因其功耗低、可以重构信道的特点在隐蔽通信中具有较高的应用价值。智能反射表面又称为可重构智能表面，是一个由大量无源反射元件组成的通过软件控制的超表面。每个反射元件可以独立地改变入射信号相位，协同生成精细的反射波束，使反射信号在目标用户方向上叠加增强，而在非法用户方向上抵消减弱，实现信道的智能重构，且整个过程功耗很低。这些优势使得智能反射表面在其他通信场景，如多小区、大规模D2D和无线信息功率传输等，中也具有广阔的应用前景。

目前关于智能反射表面辅助隐蔽通信的研究多集中在目标用户和虚拟监听方为单天线接收机的场景，且多采用交替优化算法来优化***参数。实际上，将MIMO和智能反射表面同时引入隐蔽通信***，利用MIMO的定向波束形成将发射能量集中在目标方向上，降低发射信号功率，而利用智能反射表面实现信道重构，改善信道性能，从而在不需要大量射频链路的情况下实现虚拟大规模MIMO，可以进一步提升隐蔽通信性能。

然而，目前对于智能反射表面辅助MIMO隐蔽通信的研究相当匮乏。考虑智能反射表面辅助MIMO隐蔽通信时，隐蔽速率最大化的***参数优化问题的难度将会急剧增加，因为仅仅优化发射波束成形向量不再是最优的选择，而需要优化发射信号协方差矩阵，同时目标函数也变成了复杂的对数行列式函数，这使得现有的方法难以很好地解决该问题。由此可见，如何高效地求解智能反射表面辅助MIMO隐蔽通信***参数优化问题是一项值得研究的重要课题。

发明内容

本发明的目的在于提供一种智能反射表面辅助型MIMO隐蔽通信***及参数优化方法，解决了现有技术中存在的上述不足。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种智能反射表面辅助型MIMO隐蔽通信***，包括智能反射表面和虚拟监听方，所述智能反射表面用于实现发送方和接收方之间的通信，且发送方与接收方和虚拟监听方之间的直射信道均设置有障碍物；所述虚拟监听方用于非法截获智能反射表面向接收方卸载的任务。

优选地，所述智能反射表面IRS配备有M个反射元件。

优选地，发送方、接收方和虚拟监听方分别配置了N_A、N_B和N_W根天线。

一种智能反射表面辅助型MIMO隐蔽通信***的参数优化方法，基于所述的一种智能反射表面辅助型MIMO隐蔽通信***，包括以下步骤：

步骤1，优化虚拟监听方用于判断是否通信的检测门限值；

步骤2，根据最优检测门限值得到虚拟监听方的最小检测错误概率表达式；

步骤3，根据最小检测错误概率表达式得出智能反射表面辅助型MIMO隐蔽通信***的隐蔽性约束条件；

步骤4，根据隐蔽性约束条件对智能反射表面辅助型MIMO隐蔽通信***中的参数进行优化。

优选地，步骤1中，优化虚拟监听方用于判断是否通信的检测门限值，具体方法是：

S1，设定虚拟监听方检测错误分为漏检和虚警，其中，获取虚拟监听方漏检概率的表达式和虚拟监听方虚警概率的表达式；

S2，根据虚拟监听方漏检概率的表达式和虚拟监听方虚警概率的表达式得到虚拟监听方检测错误概率表达式；

S3，对虚拟监听方检测错误概率表达式进行求导，得到最优的检测门限值。

优选地，步骤2中，根据最优的检测门限值计算得到虚拟监听方的最小检测错误概率；具体方法是：

将最优的检测门限值代入检测错误概率表达式中，得到虚拟监听方的最小检测错误概率。

优选地，步骤3中，根据最小检测错误概率得出***隐蔽性约束条件，具体方法是：

令最小检测错误概率大于等于预设的隐蔽成功概率，得到***隐蔽性约束条件。

优选地，步骤4中，根据隐蔽性约束条件对智能反射表面辅助型的MIMO隐蔽通信***中的参数进行优化，具体方法是：

设定智能反射表面辅助的MIMO隐蔽通信***优化目标为：使智能反射表面辅助型MIMO隐蔽通信***的隐蔽速率最大；

则得到优化问题表达式：

s.t.R≥0 (10a)

tr(R)≤P (10b)

tr(H_IWQH_AIR(H_IWQH_AI)^H)≤η (10d)

采用DDPG算法求解上述优化问题，得到智能反射表面辅助的MIMO隐蔽通信***中的参数最优值。

与现有技术相比，本发明的有益效果是：

本发明提供的一种智能反射表面辅助型MIMO隐蔽通信***的参数优化***，将MIMO与智能反射表面同时引入隐蔽通信中，利用智能反射表面的信道重构和MIMO的定向波束形成，进一步提升***隐蔽速率；即，利用MIMO的定向波束形成将发射能量集中在目标方向上，降低发射信号功率，而利用智能反射表面实现信道重构，改善信道性能，从而在不需要大量射频链路的情况下实现虚拟大规模MIMO以对抗多天线虚拟监听方，提升隐蔽通信性能；与传统的基于中继、干扰等实现隐蔽通信的技术相比，本发明利用智能反射表面辅助隐蔽通信，由于智能反射表面的每个反射元件都是无源地反射，且其没有配置调制器、解调器等信号处理设备，将减少***额外的资源消耗。

本发明提供的一种智能反射表面辅助型MIMO隐蔽通信***的参数优化方法，提供了一种可以有效对抗多天线虚拟监听方的隐蔽通信方案，具有更广泛的适用性。由于优化变量单位模值的约束及优化变量在目标函数和约束条件中的高度耦合，本发明所提出的优化问题是一个复杂的非凸问题，传统的凸优化方法难以直接用于问题的求解；同时，交替优化算法虽然可以求解该问题，但是其往往不能得到问题的最优解，这很大程度上限制了对***隐蔽通信性能的提升；实际上，该优化问题可以看作连续动作和状态空间的决策性问题，而深度强化学习正是解决此类问题的强大工具。故本发明采用了深度强化学习中的深度确定性策略梯度(DDPG)算法，能够有效地找到问题更优的解，最大限度地提升***隐蔽速率。

附图说明

图1为本发明所涉及的隐蔽通信***模型；

图2为基于DDPG的深度强化学习网络模型；

图3为对比本优化算法与交替优化算法、给定随机相移下隐蔽速率随最大发射功率变化的仿真图；

具体实施方式

以下结合附图及实施例对本发明作进一步的详细描述。

如图1所示，本发明提供的一种智能反射表面辅助型MIMO隐蔽通信***，包括发送方Alice、智能反射表面IRS和接收方Bob，其中，发送方Alice通过智能反射表面IRS与接收方Bob通信，且发送方Alice和接收方Bob之间的直射信道设置有障碍物。

假设发送方Alice已知全局信道状态信息CSI。

智能反射表面IRS配备有M个反射元件。

发送方Alice、接收方Bob和虚拟监听方Willie分别配置了N_A、N_B和N_W根天线。

假设虚拟监听方Willie处存在噪声不确定性，且虚拟监听方Willie噪声功率的概率密度函数为：

其中，是虚拟监听方Willie的真实噪声功率；ρ≥1是噪声不确定度；/>是虚拟监听方Willie的额定噪声功率，即ρ＝1时的噪声功率。

本发明提供的一种面向智能反射表面辅助型MIMO隐蔽通信***的参数优化方法，包含下述步骤：

步骤1，虚拟监听方Willie采用能量检测方法判断通信是否发生，设定检测门限值记为检测统计量为平均接收功率T_W。从鲁棒设计的角度出发，设定虚拟监听方始终可以选择最优的检测门限值，使检测错误概率最小。

对于隐蔽通信，虚拟监听方Willie需要区别两种假设，分别为零假设H₀和备选假设H₁，其中，零假设H₀为发送方Alice没有发送消息；备选假设H₁为发送方Alice在发送消息，两种假设的先验概率均为1/2。

设定虚拟监听方Willie有无数次观测样本，则虚拟监听方Willie的平均接收功率T_W可以表示为：

其中，P_W＝tr(H_IWQH_AIR(H_IWQH_AI)^H)是虚拟监听方Willie接收的有用信号功率，tr()表示矩阵的迹；H_IW和H_AI分别是智能反射表面IRS到虚拟监听方Willie的信道系数矩阵和发送方Alice到智能反射表面IRS的信道系数矩阵；是智能反射表面IRS相移矩阵，diag()表示对角线矩阵；θ_i是第i个反射元件的相移系数；/>是MIMO发射信号协方差矩阵，x是发射信号，R≥0。

虚拟监听方Willie的检测错误分为漏检和虚警两类，其中漏检概率P_MD为：

虚警概率P_FA为：

因此，检测错误概率ξ表示为：

其中，Pr()表示概率；λ表示虚拟监听方Willie检测门限值，P_W表示Willie接收的有用信号功率；表示Willie的真实噪声功率；max(a,b)表示a,b中的最大值；/>是Willie噪声功率的概率密度函数。

第二步，求解最优的检测门限值λ使得虚拟监听方Willie的检测错误概率ξ最小，从鲁棒的设计角度出发，为保证通信的隐蔽性，要求最小检测错误概率必须大于等于预先设定的隐蔽成功概率1-κ，κ∈[0,1]是一个很小的数，由此得出***隐蔽性约束条件，具体步骤为：

在式(5)中，令ξ对λ求导，得到

当当/>时，/>由此得到最优检测门限值λ^*为：

把λ^*代入ξ的表达式中，得到最小检测错误概率ξ_min为：

为保证隐蔽通信，应该要求ξ_min≥1-κ，进一步推导得到

第三步，设定发送方Alice最大发射功率为P，则需要满足tr(R)≤P。智能反射表面IRS每个反射元件对入射信号幅度增益为1，则在满足约束条件下，通过联合优化R和Q，使得***隐蔽速率C最大，该优化问题可以表示为

s.t.R≤0 (10a)

tr(R)≤P (10b)

tr(H_IWQH_AIR(H_IWQH_AI)^H)≤η (10d)

其中，H_IB是智能反射表面IRS到接收方Bob的信道系数矩阵；是接收方Bob的噪声功率。

采用深度强化学习中的深度确定性策略梯度(DDPG)算法求解上述优化问题，具体地：

设定通信***是环境，发送方是一个智能体，它来选择发射协方差矩阵R和智能反射表面的相移矩阵Q。

状态空间定义为：

式中，C^t-1表示t-1时的隐蔽速率；Q^t-1表示t-1时的相移矩阵；vec()表示将矩阵按列堆叠成列向量；real()表示取复数的实部；imag()表示取复数的虚部；

动作空间定义为：

式中，表示智能反射表面相移矩阵的对角线元素的相位；/>表示发射信号协方差矩阵的实对角线元素；/>表示发射信号协方差矩阵的下三角矩阵元素(除对角线元素外)的实部；/>表示发射信号协方差矩阵的下三角矩阵元素(除对角线元素外)的虚部。

奖励函数定义为：

r_t初值为0，然后判断约束条件是否成立。当且仅当约束条件均成立时，r_t＝C^t，C^t表示当前的隐蔽速率。否则如果约束(10a)不成立，则β_k表示R的负特征值；如果约束(10b)不成立，则r_t＝r_t+P-tr(R)；如果约束(10d)不成立，则r_t＝r_t+η-tr(H_IWQH_AIR(H_IWQH_AI)^H)。

基于DDPG的深度强化学习网络模型如图2所示，其包括了在线actor(策略)-critic(Q值)网络和目标actor-critic网络在内的4个深度神经网络(DNN)。

网络训练过程为：初始化4个DNN，清空经验池在每一回合开始，随机生成R和Q，并得到当前状态s_t。将状态s_t输入到网络中得到动作a_t，并由a_t构成变量R和Q，计算当前奖励值r_t和下一步状态s_t+1。将(s_t,a_t,r_t,s_t+1)存储到容量为D的经验池/>中。当样本填满经验池后，才开始网络的训练，即在经验池中随机抓取N个样本(s_i,a_i,r_i,s_i+1)用来更新网络参数。每一回合都会产生新的样本来更新经验池。当网络收敛后，可以由输出动作恢复出原优化问题的解R和Q。

最后算法结束。

本发明首次将MIMO和智能反射表面同时引入隐蔽通信***，利用MIMO的定向波束形成将发射能量集中在目标方向上，降低发射信号功率，联合利用智能反射表面实现信道重构，改善信道性能，从而在不需要大量射频链路的情况下实现虚拟大规模MIMO以对抗多天线虚拟监听方，提升隐蔽通信性能。

所提出的智能反射表面辅助型MIMO隐蔽通信***的参数优化是一个有待解决的问题。不同于智能反射表面辅助目标用户和虚拟监听方为单天线接收机的隐蔽通信的参数优化，所提出的智能反射表面辅助型MIMO隐蔽通信***的参数优化问题中的目标函数和隐蔽性约束条件均是复杂的矩阵函数，优化变量在其中高度耦合，这对求解优化问题提出了更高的要求。

本实施例中设定所有信道增益矩阵为大尺度衰落L₀d^-μ/2和小尺度衰落矩阵的乘积。L₀＝-15dB表示1m处的路径损耗，μ＝3表示路径损耗指数。小尺度衰落矩阵中的元素是均值为0，方差为1的复高斯随机变量。IRS到Alice、Bob、Willie间的距离分别为d_AI＝40m、d_IB＝15m、d_IW＝40m。N_A＝N_B＝N_W＝2，M＝4，κ＝0.1，ρ＝3dB，基于DDPG算法的深度强化学习中，经验池容量D＝20000，N＝128，所有的DNN网络均是4层结构，4层结构分别为输入层、两层隐藏层和输出层。

Actor和critic网络的输入层和两层隐藏层的激活函数均为ReLU函数，actor网络的输出层的激活函数为tanh函数。

图3比较了本优化算法与交替优化算法、给定随机相移下隐蔽速率随最大发射功率P的变化。从图中可以看出本优化算法下的隐蔽速率明显大于交替优化算法及给定随机相移仅优化发射信号协方差矩阵的方案，且随着发射功率增加，本算法下隐蔽速率提升越显著。由此可见，本发明更好地解决了智能反射表面辅助MIMO隐蔽通信***参数优化问题，更大地提升了***隐蔽通信性能。

Claims (2)

1.一种智能反射表面IRS辅助型MIMO隐蔽通信***的参数优化方法，其特征在于，基于一种智能反射表面IRS辅助型MIMO隐蔽通信***，该***包括智能反射表面IRS、发送方和接收方，所述智能反射表面IRS用于实现发送方和接收方之间的通信，且发送方与接收方之间的直射信道设置有障碍物；

所述智能反射表面IRS配备有M个反射元件；

发送方和接收方分别配置有N_A和N_B根天线；

发送方已知全局信道状态信息CSI；

该***应用在具有虚拟监听方的环境中，所述虚拟监听方和发送方之间的直射信道之间设置有障碍物；且所述虚拟监听方配置有N_W根天线；

所述虚拟监听方截获智能反射表面IRS向接收方卸载的任务，且虚拟监听方处存在噪声不确定性；

该方法包括以下步骤：

步骤1，获取虚拟监听方的最优检测门限值；

步骤2，根据最优检测门限值得到虚拟监听方的最小检测错误概率表达式；

步骤3，根据最小检测错误概率表达式得出智能反射表面辅助型的MIMO隐蔽通信***的隐蔽性约束条件；

步骤4，根据隐蔽性约束条件对智能反射表面辅助型的MIMO隐蔽通信***中的参数进行优化；

步骤1中，获取虚拟监听方的最优检测门限值，具体方法是：

S1，设定虚拟监听方检测错误分为漏检和虚警，其中，获取虚拟监听方漏检概率的表达式和虚拟监听方虚警概率的表达式；

S2，根据虚拟监听方漏检概率的表达式和虚拟监听方虚警概率的表达式得到虚拟监听方检测错误概率表达式；

S3，对虚拟监听方检测错误概率表达式进行求导，得到最优的检测门限值；

步骤3中，根据最小检测错误概率得出***隐蔽性约束条件，具体方法是：

令最小检测错误概率大于等于预设的隐蔽成功概率，得到***隐蔽性约束条件；

步骤4中，根据隐蔽性约束条件对智能反射表面辅助型的MIMO隐蔽通信***中的参数进行优化，具体方法是：

设定智能反射表面辅助型MIMO隐蔽通信***优化目标为：使智能反射表面辅助型MIMO隐蔽通信***的隐蔽速率最大；

则得到优化问题表达式：

s.t.R≥0

tr(R)≤P

tr(H_IWQH_AIR(H_IWQH_AI)^H)≤η

其中，H_IW和H_AI分别是智能反射表面IRS到虚拟监听方的信道系数矩阵和发送方到智能反射表面IRS的信道系数矩阵，且信道系数矩阵的维度是由收发双方的天线数决定的；H_IB是智能反射表面IRS到接收方的信道系数矩阵；是接收方的噪声功率；tr()表示矩阵的迹；是智能反射表面IRS相移矩阵，diag()表示对角线矩阵，θ_i是第i个反射元件的相移系数；/>是MIMO发射信号协方差矩阵，x是发射信号；P为设定发送方最大发射功率；C为***隐蔽速率；

采用DDPG算法求解上述优化问题，得到智能反射表面辅助型MIMO隐蔽通信***中的参数最优值。

2.根据权利要求1所述的一种智能反射表面辅助型MIMO隐蔽通信***的参数优化方法，其特征在于，步骤2中，根据最优的检测门限值计算得到虚拟监听方的最小检测错误概率；具体方法是：

将最优的检测门限值代入检测错误概率表达式中，得到虚拟监听方的最小检测错误概率。