CN114501428B - 一种智能反射面的安全Massive MIMO***资源分配方法 - Google Patents
一种智能反射面的安全Massive MIMO***资源分配方法 Download PDFInfo
- Publication number
- CN114501428B CN114501428B CN202210091475.0A CN202210091475A CN114501428B CN 114501428 B CN114501428 B CN 114501428B CN 202210091475 A CN202210091475 A CN 202210091475A CN 114501428 B CN114501428 B CN 114501428B
- Authority
- CN
- China
- Prior art keywords
- quantum
- longicorn
- jth
- generation
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013468 resource allocation Methods 0.000 title claims abstract description 26
- 241001481710 Cerambycidae Species 0.000 claims abstract description 98
- 244000144980 herd Species 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 6
- 241000254173 Coleoptera Species 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 18
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 32
- 230000005540 biological transmission Effects 0.000 description 28
- 239000011159 matrix material Substances 0.000 description 18
- 230000010363 phase shift Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005562 fading Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001442207 Monochamus alternatus Species 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0426—Power distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供一种智能反射面的安全Massive MIMO***资源分配方法,包括:建立基于智能反射面的安全Massive MIMO***模型;初始化量子天牛群;确定量子天牛群中每只量子天牛的左须和右须的量子位置及适应度;更新量子天牛群中每只量子天牛的量子速度、速度和量子位置;更新每只量子天牛的局部最优量子位置、整个量子天牛群的全局最优量子位置,更新步长、惯性权重及左右须之间的距离;判断是否达到最大迭代次数,将最佳资源分配方法输出;本发明设计了量子天牛群搜索机制,应用智能反射面在限制窃听容量的同时最大化***容量,提高Massive MIMO***的安全性能以及资源利用率。
Description
技术领域
本发明涉及的是基于量子天牛群搜索机制的智能反射面安全Massive MIMO***资源分配方法,属于Massive MIMO安全通信技术领域。
背景技术
Massive MIMO技术作为5G通信中提高***容量、传输速率和频谱利用率的关键技术,具有可靠性强、能量效率高等优点。智能反射面是由多个低成本被动无源反射元件所构成的平面阵列,被放置在基站与用户接收端之间,其中每个元件都可以改变入射信号的相位。智能反射面技术被认为是6G通信的潜在技术之一,能够实现重新配置传播环境,提高无线通信的频谱效率和能量效率。怎样将智能反射面技术应用到Massive MIMO通信***从而降低***能耗、改善通信网络边缘用户体验、提高Massive MIMO***容量及安全性能成为了一个热点。
针对应用智能反射面的无线通信场景,Zhaorui Wang等在《2020IEEE 21stInternational Workshop on Signal Processing Advances in WirelessCommunications》上发表的“Intelligent Reflecting Surface Assisted Massive MIMOCommunications”研究了在Massive MIMO通信***中采用智能反射面来进一步提高上行链路波束成形增益的可行性,但是没有分析用户天线数不唯一的情况。朱政宇等在《通信学报》(2021,vol.42,no.04,pp.185-193)上发表的“基于IRS辅助的SWIPT物联网***安全波束成形设计”提出了一种安全波束成形设计方法,以最大化能量采集器采集功率为目标,联合优化基站发射波束成形矩阵和干扰机协方差矩阵以及IRS相移,将问题建模为具有二次型约束的非凸二次型规划问题,然后将非凸的二次型问题转化为等价的凸问题,并提出一种交替迭代优化算法获取原问题的可行解,但并未分析***容量,并且只考虑了通信***只存在一个单天线接收端的场景。
通过与现有文献对比,尚未发现基于惩罚机制的智能反射面安全Massive MIMO***资源分配,更未有学者针对智能反射面安全Massive MIMO***资源分配难题设计量子天牛群搜索机制进行满足***要求资源分配方案的快速求解。
发明内容
针对目前的基于智能反射面的安全Massive MIMO通信***存在的问题,提出了一种***资源分配方法,设计了量子天牛群搜索机制,应用智能反射面在限制窃听容量的同时最大化***容量,提高Massive MIMO***的安全性能以及资源利用率。
本发明的目的是这样实现的:步骤如下:
步骤一,建立基于智能反射面的安全Massive MIMO***模型;
步骤二,初始化量子天牛群;
步骤三,确定量子天牛群中每只量子天牛的左须和右须的量子位置及适应度;
步骤四,更新量子天牛群中每只量子天牛的量子速度、速度和量子位置;
步骤五,更新每只量子天牛的局部最优量子位置、整个量子天牛群的全局最优量子位置,更新步长、惯性权重及左右须之间的距离;
步骤六,判断是否达到最大迭代次数,将最佳资源分配方法输出;若迭代次数未达到设定的最大迭代次数,则令t=t+1,返回继续执行步骤三;否则终止迭代,输出量子天牛群的全局最优量子位置;根据量子天牛群的量子位置与位置之间的映射规则得到全局最优位置,进而将基于智能反射面的安全Massive MIMO***资源分配方法输出。
进一步地,步骤一具体包括:设定基于智能反射面的安全Massive MIMO***由基站、中心控制器、智能反射面、用户接收端、***所组成,其中基站的天线数目为A根,用户接收端的天线数目为B根,***天线数目为C根,智能反射面包含D个反射元。基站发送信号后,通过中心控制器调整智能反射面中每个反射元的相移,在***处信息传输速率被限制在一定范围的条件下,使得接收端信息传输速率达到最大。将基站传输功率的矩阵表示为其中diag{·}表示对角矩阵,pa即为基站第a根天线的传输功率,a=1,2,...,A,并且0≤pa≤pmax,pmax表示每根基站天线所允许发射的最大功率。将智能反射面中各个反射元的相移控制角所组成的矩阵表示为/>表示第d个反射元的相移控制角,d=1,2,...,D,进而得到智能反射面的相移矩阵其中β为反射系数。将基站到接收端的信道状态信息表示为基站到***端的信道状态信息表示为/>基站到智能反射面的信道状态信息表示为/>智能反射面到接收端的信道状态信息表示为智能反射面到***端的信道状态信息表示为/>
将基站发送的单位能量信号用表示,智能反射面、***处、接收端的复高斯白噪声分别表示为/>则可以得到***处收到的信号gEVE=(FBS-EVE+FIR-EVE·ψ·FBS-IR)·P·e+FIR-EVE·ψ·nIR+nEVE,并且/>接收端接收到的信号gREC=(FBS-REC+FIR-REC·ψ·FBS-IR)·P·e+FIR-REC·ψ·nIR+nREC,并且***泄露信息的速率为:
其中,det(·)表示求矩阵行列式的值,(·)H表示矩阵的共轭转置,IC为C×C维单位矩阵,其中k1表示智能反射面处的噪声功率,k2表示***处的噪声功率。接收端的信息传输速率为:
其中,IB为B×B维单位矩阵,其中k3表示接收端处的噪声功率。Massive MIMO通信***的窃听容量表示为/>即***处信息传输速率,***容量表示为/>即接收端信息传输速率。
对于基于智能反射面的安全Massive MIMO通信***,设置优化目标为在窃听容量被限制在一定范围的条件下使***容量最大化,表示为约束条件为:/>0≤pa≤pmax,a=1,2,...,A,0≤θd<2π,d=1,2,...,D,其中Z为所允许的最大窃听容量。
进一步地,步骤二具体为:设定量子天牛群的群体规模为J,每只量子天牛的搜索空间维数为L,并且L=A+D;量子天牛群进化到第t代时,第j只量子天牛的量子速度和量子位置分别为和/>其中/>j=1,2,...,J,l=1,2,...,L;将第t代第j只量子天牛的速度表示为/>第t代第j只量子天牛的第l维量子速度与速度之间的映射规则为和/>即为量子天牛群的速度在第l维搜索区间所能取到的最大值和最小值,取/> 其中/>和/>即为量子天牛群的的位置在第l维搜索区间所能取到的最大值和最小值;将第t代第j只量子天牛的位置表示为/>第t代第j只量子天牛的第l维量子位置与位置之间的映射规则为/>
设计有惩罚机制的适应度函数计算出第t代第j只量子天牛的位置的适应度,也就是第t代第j只量子天牛的量子位置的适应度,当所求的位置不满足约束,将该位置的适应度强制为0进行惩罚;第j只量子天牛到第t代为止所经历的适应度最大的量子位置记作局部最优量子位置/>到第t代为止量子天牛群所搜索到的全局最优量子位置为/>在第t代,量子天牛群搜索机制的惯性权重为ωt,第l维的步长为/>量子天牛的左右须之间距离为/>并且/>其中c1为一常数。
进一步地,步骤三具体为:将第t代第j只量子天牛的左须的量子位置和位置分别表示为和/>第t代第j只量子天牛的左须的第l维量子位置与位置之间的映射规则为/>将第t代第j只量子天牛的右须的量子位置、位置分别表示为/>第t代第j只量子天牛的右须的第l维量子位置与位置之间的映射规则为/>使用/>来计算第t代第j只量子天牛左须的量子位置,其中abs(·)表示取绝对值,量子天牛左须的量子旋转角为/>Z1为一常数;使用/>来计算第t代第j只量子天牛右须的量子位置,其中量子天牛右须的量子旋转角为/>Z2为一常数;通过适应度函数/>和/>计算出第t代第j只量子天牛左须和右须的位置的适应度,也就是第t代第j只量子天牛左须和右须的量子位置的适应度。
进一步地,步骤四具体为:第t+1代第j只量子天牛的第l维量子速度更新为其中量子天牛速度的量子旋转角为c2、c3均为常数,r1、r2为0到1之间均匀分布的随机数;第t+1代第j只量子天牛的第l维量子旋转角更新公式为其中λ、Z3均为常数, 其中sign(·)为符号函数,具体定义为
第t+1代第j只量子天牛的第l维量子位置的更新公式为
进一步地,步骤五具体为:通过量子天牛群的量子位置与位置之间的映射关系得到更新后的每一只量子天牛的位置,通过计算出第t+1代第j只量子天牛更新后的位置的适应度;比较第t+1代第j只量子天牛更新后的量子位置的适应度值与更新前的局部最优量子位置/>的适应度值;若/>的适应度小于/>的适应度,则/>否则/>j=1,2,...,J;在更新局部最优量子位置后,找出第t+1代J个量子天牛的局部最优量子位置中适应度最高的量子位置,将其作为第t+1代的全局最优量子位置/>在第t+1代更新全局最优量子位置后,根据公式/>更新步长,其中ι、η均为常数,然后通过/>得到更新后的量子天牛的左右须之间的距离;按照如下公式更新惯性权重:/>其中ωmax为初始时惯性权重,ωmin为达到最大迭代次数时惯性权重,/>为最大迭代次数。
与现有技术相比,本发明的有益效果是:(1)本发明通过量子天牛优化机制给出了安全Massive MIMO通信***分配基站天线传输功率、调整智能反射面各个反射元的相移控制角的方法,节省了硬件资源,提高了Massive MIMO通信***的资源利用率。
(2)本发明通过将天牛群算法量子化,改进天牛群算法中天牛的左须位置、右须位置的更新公式等方法,得到了解决连续优化问题的量子天牛群搜索机制,提高了原始天牛群算法的收敛性能及全局搜索能力。
(3)针对存在***的Massive MIMO通信***,本发明通过在限制***处的信息传输速率在一定范围内的约束条件下,最大程度地提高了接收端的信息传输速率,不仅提升了Massive MIMO通信***的保密性能,而且提升了Massive MIMO通信***的***容量,为解决包含***的Massive MIMO通信***存在的传输可靠性、保密性等问题提供了一种新思路。
附图说明
图1为应用量子天牛群搜索机制来获得基于智能反射面的安全Massive MIMO***资源分配方法的示意图。
图2为应用量子天牛群搜索机制与天牛群算法所得的基于智能反射面的安全Massive MIMO通信***的***容量随迭代次数变化的曲线。
图3为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全Massive MIMO通信***的***容量随每根基站天线所允许的最大发射功率pmax变化的曲线。
图4为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全Massive MIMO通信***的***容量随所允许的最大窃听容量变化的曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
如图1所示,本发明设计的基于量子天牛群搜索机制的智能反射面安全MassiveMIMO***资源分配方法包括以下步骤:
步骤一,建立基于智能反射面的安全Massive MIMO***模型
设定基于智能反射面的安全Massive MIMO***由基站、中心控制器、智能反射面、用户接收端、***所组成,其中基站的天线数目为A根,用户接收端的天线数目为B根,***天线数目为C根,智能反射面包含D个反射元。基站发送信号后,通过中心控制器调整智能反射面中每个反射元的相移,在***处信息传输速率被限制在一定范围的条件下,使得接收端信息传输速率达到最大。将基站传输功率的矩阵表示为其中diag{·}表示对角矩阵,pa即为基站第a根天线的传输功率,a=1,2,...,A,并且0≤pa≤pmax,pmax表示每根基站天线所允许发射的最大功率。将智能反射面中各个反射元的相移控制角所组成的矩阵表示为/>表示第d个反射元的相移控制角,d=1,2,...,D,进而得到智能反射面的相移矩阵其中β为反射系数。将基站到接收端的信道状态信息表示为基站到***端的信道状态信息表示为/>基站到智能反射面的信道状态信息表示为/>智能反射面到接收端的信道状态信息表示为智能反射面到***端的信道状态信息表示为/>
将基站发送的单位能量信号用表示,智能反射面、***处、接收端的复高斯白噪声分别表示为/>则可以得到***处收到的信号gEVE=(FBS-EVE+FIR-EVE·ψ·FBS-IR)·P·e+FIR-EVE·ψ·nIR+nEVE,并且/>接收端接收到的信号gREC=(FBS-REC+FIR-REC·ψ·FBS-IR)·P·e+FIR-REC·ψ·nIR+nREC,并且***泄露信息的速率为:
其中,det(·)表示求矩阵行列式的值,(·)H表示矩阵的共轭转置,IC为C×C维单位矩阵,其中k1表示智能反射面处的噪声功率,k2表示***处的噪声功率。接收端的信息传输速率为:
其中,IB为B×B维单位矩阵,其中k3表示接收端处的噪声功率。Massive MIMO通信***的窃听容量表示为/>即***处信息传输速率,***容量表示为/>即接收端信息传输速率。
对于基于智能反射面的安全Massive MIMO通信***,设置优化目标为在窃听容量被限制在一定范围的条件下使***容量最大化,表示为约束条件为:/>0≤pa≤pmax,a=1,2,...,A,0≤θd<2π,d=1,2,...,D,其中Z为所允许的最大窃听容量。
步骤二,初始化量子天牛群
设定量子天牛群的群体规模为J,每只量子天牛的搜索空间维数为L,并且L=A+D。量子天牛群进化到第t代时,第j只量子天牛的量子速度和量子位置分别为和/>其中/>j=1,2,...,J,l=1,2,...,L。初代所有量子天牛的量子速度、量子位置均在量子区间内随机产生。将第t代第j只量子天牛的速度表示为/>第t代第j只量子天牛的第l维量子速度与速度之间的映射规则为/>和/>即为量子天牛群的速度在第l维搜索区间所能取到的最大值和最小值,取/>其中和/>即为量子天牛群的的位置在第l维搜索区间所能取到的最大值和最小值。将第t代第j只量子天牛的位置表示为/>第t代第j只量子天牛的第l维量子位置与位置之间的映射规则为/>每一代量子天牛群中的每一只量子天牛的位置对应于一种基于智能反射面的安全Massive MIMO***资源分配方法。通过设计有惩罚机制的适应度函数/>计算出第t代第j只量子天牛的位置的适应度,也就是第t代第j只量子天牛的量子位置的适应度,当所求的位置不满足约束,将该位置的适应度强制为0进行惩罚。第j只量子天牛到第t代为止所经历的适应度最大的量子位置记作局部最优量子位置/>到第t代为止量子天牛群所搜索到的全局最优量子位置为/>在第t代,量子天牛群搜索机制的惯性权重为ωt,第l维的步长为/>量子天牛的左右须之间距离为/>并且/>其中c1为一常数。
步骤三,确定量子天牛群中每只量子天牛的左须和右须的量子位置及适应度
将第t代第j只量子天牛的左须的量子位置和位置分别表示为和/>第t代第j只量子天牛的左须的第l维量子位置与位置之间的映射规则为/>将第t代第j只量子天牛的右须的量子位置、位置分别表示为/>第t代第j只量子天牛的右须的第l维量子位置与位置之间的映射规则为/>使用来计算第t代第j只量子天牛左须的量子位置,其中abs(·)表示取绝对值,量子天牛左须的量子旋转角为/>Z1为一常数。使用/>来计算第t代第j只量子天牛右须的量子位置,其中量子天牛右须的量子旋转角为/>Z2为一常数。通过适应度函数/>和/>计算出第t代第j只量子天牛左须和右须的位置的适应度,也就是第t代第j只量子天牛左须和右须的量子位置的适应度。
步骤四,更新量子天牛群中每只量子天牛的量子速度、速度和量子位置
第t+1代第j只量子天牛的第l维量子速度更新为其中量子天牛速度的量子旋转角为c2、c3均为常数,r1、r2为0到1之间均匀分布的随机数。通过量子天牛群的量子速度与速度之间的映射关系得到更新后的速度。第t+1代第j只量子天牛的第l维量子旋转角更新公式为其中λ、Z3均为常数, 其中sign(·)为符号函数,具体定义为第t+1代第j只量子天牛的第l维量子位置的更新公式为
步骤五,更新每只量子天牛的局部最优量子位置、整个量子天牛群的全局最优量子位置,更新步长、惯性权重及左右须之间的距离
通过量子天牛群的量子位置与位置之间的映射关系得到更新后的每一只量子天牛的位置,通过计算出第t+1代第j只量子天牛更新后的位置的适应度。比较第t+1代第j只量子天牛更新后的量子位置/>的适应度值与更新前的局部最优量子位置/>的适应度值。若/>的适应度小于/>的适应度,则/>否则/>j=1,2,...,J。在更新局部最优量子位置后,找出第t+1代J个量子天牛的局部最优量子位置中适应度最高的量子位置,将其作为第t+1代的全局最优量子位置/>在第t+1代更新全局最优量子位置后,根据公式/>更新步长,其中ι、η均为常数,然后通过/>得到更新后的量子天牛的左右须之间的距离。按照如下公式更新惯性权重:/>其中ωmax为初始时惯性权重,ωmin为达到最大迭代次数时惯性权重,/>为最大迭代次数。
步骤六,判断是否达到最大迭代次数,将最佳资源分配方法输出
若迭代次数未达到设定的最大迭代次数,则令t=t+1,返回继续执行步骤三;否则终止迭代,输出量子天牛群的全局最优量子位置。根据量子天牛群的量子位置与位置之间的映射规则得到全局最优位置,进而将基于智能反射面的安全Massive MIMO***资源分配方法输出。
接下来通过仿真实验进一步说明本发明的有益效果:
针对基于智能反射面的安全Massive MIMO通信***,设基站坐标位于(0,0)m,智能反射面坐标位于(105,105)m,接收端坐标位于(245,0)m,***坐标位于(240,30)m,其中基站天线数A=30,智能反射面反射元数D=40,用户接收端天线数B=10,***天线数C=1。每根基站天线所允许发射的最大功率pmax=0.1W,智能反射面每个反射元的反射系数β=1。基站到智能反射面之间的信息传输为视距传输,莱斯因子信道衰落系数为2.2。智能反射面到接收端、***之间的信息传输为视距传输,莱斯因子/>信道衰落系数为2.2,其中智能反射面处、接收端、***的噪声功率谱密度均为-150dBm/Hz,***带宽为10MHz。基站到接收端、***之间的信息传输为非视距传输,信道衰落系数为3.5。***所被允许的最大信息传输速率Z=12bit/s/Hz。基于量子天牛群搜索机制的智能反射面安全Massive MIMO***资源分配方法的参数设置如下所示:量子天牛群的群体规模J=50,最大迭代次数/>运行次数Wmax=300,第l维初始步长/>c1=5,λ=0.4,ωmax=0.8,ωmin=0.2,Z1=π/2,Z2=π/2,c2=2,c3=2,Z3=2/π,ι=0.95,η=0.004。将天牛群算法同样应用到找寻最优安全Massive MIMO***资源分配方法上,并设置两者群体规模、运行次数相同,最大迭代次数均为500次,所有结果均为300次实验的均值。天牛群算法中天牛群的第l维的初始步长及步长更新公式与量子天牛群搜索机制相同,其他参数设置参考Wang,TT等在《FILOMAT》(2020,vol.34,pp.5121-5137)上发表的“Beetle SwarmOptimization Algorithm:Theory and Application”。在仿真过程中,在基于智能反射面的Massive MIMO***,所设计的量子天牛群搜索机制的智能反射面安全Massive MIMO***资源分配方法记作QBSS-RA,基于天牛群算法的智能反射面安全Massive MIMO***资源分配方法记作BSA。
图2为应用量子天牛群搜索机制与天牛群算法的资源分配方法所得的基于智能反射面的安全Massive MIMO通信***的***容量随迭代次数变化的曲线。从仿真图2中可以看到,量子天牛群搜索机制的全局寻优能力明显优于天牛群算法的全局寻优能力。在***泄露信息的速率被限制在同一范围内的条件下,基于量子天牛群搜索机制的智能反射面安全Massive MIMO***资源分配方法的***容量高于基于天牛群算法的智能反射面安全Massive MIMO***资源分配方法的***容量。
图3为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全Massive MIMO通信***的***容量随每根基站天线所允许的最大发射功率pmax变化的曲线。从仿真图3中可以看到,在***泄露信息的速率被限制在同一范围内的条件下,随着pmax从0.1W增大到0.3W,***容量也在不断增加,并且应用量子天牛群搜索机制得到的基于智能反射面的安全Massive MIMO通信***的***容量高于应用天牛群算法得到的基于智能反射面的安全Massive MIMO通信***的***容量。
图4为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全Massive MIMO通信***的***容量随所允许的最大窃听容量变化的曲线。从仿真图4中可以看到,随着所允许的最大窃听容量从10bit/s/Hz增大到15bit/s/Hz,***容量也在不断增大,当***与接收端距离较近时,减小窃听容量与增大***容量是矛盾的。
Claims (1)
1.一种智能反射面的安全Massive MIMO***资源分配方法,其特征在于,步骤如下:
步骤一,建立基于智能反射面的安全Massive MIMO***模型;
步骤二,初始化量子天牛群;
设定量子天牛群的群体规模为J,每只量子天牛的搜索空间维数为L,并且L=A+D,A表示基站的天线数目,D表示智能反射面包含的反射元个数;量子天牛群进化到第t代时,第j只量子天牛的量子速度和量子位置分别为和/>其中将第t代第j只量子天牛的速度表示为第t代第j只量子天牛的第l维量子速度与速度之间的映射规则为 和/>即为量子天牛群的速度在第l维搜索区间所能取到的最大值和最小值,取/>其中/>和/>即为量子天牛群的的位置在第l维搜索区间所能取到的最大值和最小值;将第t代第j只量子天牛的位置表示为/>第t代第j只量子天牛的第l维量子位置与位置之间的映射规则为/>
设计有惩罚机制的适应度函数计算出第t代第j只量子天牛的位置的适应度,也就是第t代第j只量子天牛的量子位置的适应度,其中:T表示***容量,Q表示***的窃听容量,Z表示所允许的最大窃听容量;
当所求的位置不满足约束,将该位置的适应度强制为0进行惩罚;第j只量子天牛到第t代为止所经历的适应度最大的量子位置记作局部最优量子位置到第t代为止量子天牛群所搜索到的全局最优量子位置为/>在第t代,量子天牛群搜索机制的惯性权重为ωt,第l维的步长为/>量子天牛的左右须之间距离为并且/>其中c1为一常数;
步骤三,确定量子天牛群中每只量子天牛的左须和右须的量子位置及适应度;
将第t代第j只量子天牛的左须的量子位置和位置分别表示为和第t代第j只量子天牛的左须的第l维量子位置与位置之间的映射规则为/>将第t代第j只量子天牛的右须的量子位置、位置分别表示为第t代第j只量子天牛的右须的第l维量子位置与位置之间的映射规则为/>使用来计算第t代第j只量子天牛左须的量子位置,其中abs(·)表示取绝对值,量子天牛左须的量子旋转角为/>Z1为一常数;使用/>来计算第t代第j只量子天牛右须的量子位置,其中量子天牛右须的量子旋转角为/>Z2为一常数;通过适应度函数/>和/>计算出第t代第j只量子天牛左须和右须的位置的适应度,也就是第t代第j只量子天牛左须和右须的量子位置的适应度;
步骤四,更新量子天牛群中每只量子天牛的量子速度、速度和量子位置;
第t+1代第j只量子天牛的第l维量子速度更新为其中量子天牛速度的量子旋转角为c2、c3均为常数,r1、r2为0到1之间均匀分布的随机数;第t+1代第j只量子天牛的第l维量子旋转角更新公式为其中λ、Z3均为常数,/> 其中sign(·)为符号函数,具体定义为/>
第t+1代第j只量子天牛的第l维量子位置的更新公式为
步骤五,更新每只量子天牛的局部最优量子位置、整个量子天牛群的全局最优量子位置,更新步长、惯性权重及左右须之间的距离;
通过量子天牛群的量子位置与位置之间的映射关系得到更新后的每一只量子天牛的位置,通过计算出第t+1代第j只量子天牛更新后的位置的适应度;比较第t+1代第j只量子天牛更新后的量子位置/>的适应度值与更新前的局部最优量子位置/>的适应度值;若/>的适应度小于/>的适应度,则/>否则/>在更新局部最优量子位置后,找出第t+1代J个量子天牛的局部最优量子位置中适应度最高的量子位置,将其作为第t+1代的全局最优量子位置/>在第t+1代更新全局最优量子位置后,根据公式/>更新步长,其中ι、η均为常数,然后通过/>得到更新后的量子天牛的左右须之间的距离;按照如下公式更新惯性权重:/>其中ωmax为初始时惯性权重,ωmin为达到最大迭代次数时惯性权重,/>为最大迭代次数;
步骤六,判断是否达到最大迭代次数,将最佳资源分配方法输出;若迭代次数未达到设定的最大迭代次数,则令t=t+1,返回继续执行步骤三;否则终止迭代,输出量子天牛群的全局最优量子位置;根据量子天牛群的量子位置与位置之间的映射规则得到全局最优位置,进而将基于智能反射面的安全Massive MIMO***资源分配方法输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091475.0A CN114501428B (zh) | 2022-01-26 | 2022-01-26 | 一种智能反射面的安全Massive MIMO***资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091475.0A CN114501428B (zh) | 2022-01-26 | 2022-01-26 | 一种智能反射面的安全Massive MIMO***资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114501428A CN114501428A (zh) | 2022-05-13 |
CN114501428B true CN114501428B (zh) | 2023-07-21 |
Family
ID=81475200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210091475.0A Active CN114501428B (zh) | 2022-01-26 | 2022-01-26 | 一种智能反射面的安全Massive MIMO***资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114501428B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861728B (zh) * | 2019-02-21 | 2021-06-18 | 哈尔滨工程大学 | 大规模mimo***的联合多中继选择与时隙资源配置方法 |
CN113673863B (zh) * | 2021-08-19 | 2023-07-07 | 南京信息工程大学 | 一种基于量子天牛须算法的电力***经济调度方法 |
CN113766492B (zh) * | 2021-09-08 | 2023-09-19 | 哈尔滨工程大学 | 一种安全Massive MIMO网络资源配置方法 |
-
2022
- 2022-01-26 CN CN202210091475.0A patent/CN114501428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114501428A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113300747B (zh) | 一种智能反射表面辅助的毫米波***中的波束训练方法 | |
CN114070365B (zh) | 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法 | |
CN113949427B (zh) | 一种多用户无线网络安全能效优化设计方法和*** | |
CN113727405B (zh) | 提升基于智能反射表面的无线通信***安全速率的方法 | |
CN112601242A (zh) | 一种智能反射面协助的两小区noma上行低功耗传输方法 | |
CN114222310B (zh) | 一种联合3d波束赋形和智能反射面反射优化方法 | |
CN115243295A (zh) | 一种基于深度强化学习的irs辅助swipt-d2d***资源分配方法 | |
CN114666815A (zh) | 一种基于全向智能超表面的通信***设计方法 | |
Li et al. | Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems | |
CN117793927A (zh) | Active-RIS辅助的多播组认知通信***及其公平资源分配方法 | |
CN114501428B (zh) | 一种智能反射面的安全Massive MIMO***资源分配方法 | |
CN114785387B (zh) | 智能全向面辅助的多用户miso下行加权和速率优化方法 | |
CN115334524B (zh) | 一种基于全向智能超表面的通信和雷达目标检测方法 | |
CN112600593A (zh) | 一种基于noma的波束选择方法 | |
Min et al. | Stratified federated learning-based beamforming design for heterogeneous IRSs-aided networks | |
CN113766492B (zh) | 一种安全Massive MIMO网络资源配置方法 | |
CN115379478B (zh) | 一种基于ris辅助数能同传网络鲁棒能耗优化方法 | |
CN114845363B (zh) | 一种反射面辅助的低功耗数据卸载方法及*** | |
Zou et al. | Secure transmission for intelligent reflecting surface assisted communication with deep learning | |
CN114051251B (zh) | 基于在智能反射面的辅助下来实现基站的动态开关方法 | |
CN115276878A (zh) | 基于逆迭代和流形优化的智能反射面安全速率确定方法及装置 | |
CN113098575B (zh) | 一种提升边缘速率的智能反射表面辅助多小区下行传输设计方法 | |
Peng et al. | Energy minimization for active RIS-aided UAV-enabled SWIPT systems | |
CN115765900B (zh) | 一种叠加导频模式下智能反射面辅助的大规模mimo***上行传输方法 | |
CN115001548B (zh) | 一种基于反射和透射超表面的noma无线传输方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231206 Address after: Room 203, Building 1, Science and Technology Entrepreneurship Service Center, Nanhu District, Jiaxing City, Zhejiang Province, 314000 Patentee after: JIAXING NUOAIDI COMMUNICATION TECHNOLOGY CO.,LTD. Address before: 150001 Intellectual Property Office, Harbin Engineering University science and technology office, 145 Nantong Avenue, Nangang District, Harbin, Heilongjiang Patentee before: HARBIN ENGINEERING University |