智能反射表面辅助的无线通信系统的物理层安全综述

卢汉成，王亚正，赵丹，罗涛，吴俊

（1.中国科学技术大学信息网络实验室，安徽 合肥 230027；2.合肥综合性国家科学中心人工智能研究院，安徽 合肥 230027；3.复旦大学计算机科学与技术学院，上海 200433）

0 引言

随着短视频、虚拟现实等业务的兴起，网络流量的需求飞速增长。未来无线通信系统需要能够同时为大量设备提供服务并且保证一定的谱效和能效。为了实现上述目标，近年来，出现了许多先进技术，如大规模多输入多输出（MIMO,multiple-input multiple-output）、毫米波（mmWave,millimeter wave）、非正交多址接入（NOMA,non-orthogonal multiple access）等[1-2]。然而，上述技术会带来难以负担的能源消耗、硬件复杂度和信号处理复杂度。为了实现高通信容量、大连接的未来无线网络，研究创新、高效、节约资源和成本的解决方案势在必行。

近年来，一项名为智能反射表面（IRS,intelligent reflecting surface）的新兴技术由于具有低功耗、低复杂度、可调控等特性，被认为是可广泛应用于未来无线系统以提升通信性能，并实现对无线环境进行智能控制的关键技术[3]。具体来说，IRS是一块由大量的反射单元组成的人造二维表面；每个反射单元在不同的偏置电压激励下会表现出不同的物理特性，其本质上是不同外界激励对电路元件如电感、电容的改变。拥有不同物理特性的反射单元对入射的电磁波信号会产生不同的相位、幅度影响。因此，合理地调控每个反射单元的物理特性，可以使被IRS 反射的电磁波信号形成反射波束成形，从而聚集反射信号的能量，使其指向接收端，起到提高接收信号强度的作用[4]。同时，由于IRS采用的是反射单元，仅反射无线环境中已有的射频信号而不产生新的射频信号，因此IRS 能耗很低且不会产生新的干扰。将IRS 部署在收发端之间，在数学上就能实现对收发端无线信道的调控，可以实现智能可控的无线环境。IRS 作为新的一维优化变量为无线系统带来了另外的优化维度且不会和现有无线系统产生冲突[5]。因此，IRS 可结合各种无线技术来提升通信系统性能。

由于IRS的上述优点，IRS 辅助的无线通信系统得到了学术界的广泛关注，研究方向包括硬件研发、性能优化、信道估计（CE,channel estimation）等[6-8]。具体来说，硬件研发通过反射天线阵列、超颖材料等开发出了用于不同频段无线系统的实际IRS 平台[9-11]；性能优化的相关研究则针对不同无线系统的不同性能指标，设计了相关的算法来获取最优的IRS 相位配置[12-22]；信道估计旨在解决IRS辅助无线系统中的信道状态信息（CSI,channel state information）获取问题[23-24]。在诸多的研究方向中，物理层安全（PLS,physical layer security）这项日益重要的性能指标得到了广泛的关注和研究[7]。由于无线网络环境越来越复杂，传统的PLS 增强技术难以保证系统的安全性。例如，当窃听者（Eav,eavesdropper）与合法用户（LU,legitimate user）的地理位置相近时，两者的信道相关性较强，此时在基站（BS,base station）端进行多天线波束成形（BF,beamforming）将信号指向LU 显然也会使Eav 接收到更多的信号，无线系统的PLS 难以得到保证[25-26]。此时，将IRS 引入无线系统中，通过对IRS 进行联合配置，可减弱反射到Eav的信号并增强反射到LU的信号，从而辅助增强系统PLS。因此，大量研究将IRS 引入无线系统中来构建更加安全的无线通信环境。由于相关研究的范围很广且各有特点，本文将IRS 辅助的无线通信系统的物理层安全研究大致总结为如下几个主要方向。一是信息理论安全，该研究方向重点聚焦于IRS 辅助的无线通信系统的安全速率（SR,secrecy rate）、安全中断概率（SOP,secrecy outage probability）等PLS 性能指标的理论分析或优化提升[25-72]。二是隐蔽通信，该研究方向旨在借助IRS的可重构能力将合法链路的通信隐藏起来，避免被Eav 侦测到[73-79]。其他研究方向包括IRS辅助的无线通信系统中的密钥生成[80-83]、导频污染攻击[84-85]等。

本文通过总结上述主要研究方向的文献，展示了目前IRS 辅助无线通信系统的PLS 研究热点方向，并探讨了未来可能的研究热点方向。

1 IRS 简介

1.1 基本原理简介

IRS的可重构特性可通过新兴材料超颖表面来实现[9]。超颖表面是一种复合材料组成的表面，在上面安装大量的超颖原子，即通常所称的反射元件[10]。对反射元件施加不同大小的偏置电压，能够改变其几何形式和其余物理特性，如谐振频率等。进一步地，入射到超颖表面的电磁波信号的振幅、相位等也会相应地得到改变并反射出去。因此，对施加在反射单元上的外界激励进行合理的调控，即可使反射出去的信号形成波束的效果，或是与其他路信号相干叠加，从而增强无线系统性能。

1.2 总体研究情况

IRS辅助的无线通信系统典型场景如图1所示。从BS 发送的信号除了直接到达用户UE，还会经过IRS 反射到达UE。合理地调控IRS的N个反射元件的相位，能够使叠加后的信号强度增大[12]。当BS 端配备多天线时，除了调控IRS的元件相位，还需要联合优化BS的BF 矢量。针对不同的系统性能指标，如信噪比（SNR,signal-noise ratio）、发送功率、多用户和速率（sum rate）、能量效率（EE,energy efficiency）、PLS 等，需要不同的联合优化算法来获取最优的BS 端BF 矢量和IRS 端相位配置。除此之外，IRS 还可以运用到不同的无线通信系统中与不同的无线技术结合，如mmWave 系统、NOMA 技术、正交频分复用（OFDM,orthogonal frequency division multiplexing）技术等。比如，文献[12]研究了IRS 辅助的单用户多输入单输出（MISO,multiple-input single-output）无线系统中的接收信号强度最大化问题，采用了交替优化的算法，当IRS 相位配置固定时，最优的BS 端BF 矢量为最大速率传输比（MRT,maximum-ratio transmission）；当BF 矢量固定时，通过一系列数学矩阵变换子问题后使用半正定松弛（SDR,semidefinite relaxation）来得到最优的IRS 相位配置。文献[13]研究了IRS 辅助的多用户MISO 无线系统的EE 优化问题；基于序贯分式规划和梯度下降搜索算法，提出了在一定用户服务质量（QoS,quality of service）限制下的EE 提升算法，仿真显示IRS 辅助的无线系统能比中继辅助的无线系统提升300%的EE。文献[14]首次研究了IRS 辅助的多用户MISO 无线系统的和速率最大化问题；关于IRS 相位配置的优化，针对3 种不同的IRS 元件的幅度和相位的设定，提出了3 种不同的算法并对比了复杂度和性能。文献[15]研究了透镜天线与IRS结合的宽带mmWave系统并设计了性能提升算法。文献[16]引入了多块IRS 来解决mmWave 无线系统中高频信号的高路损问题，研究了多块IRS协同辅助多用户的mmWave多天线系统，并设计了基于功耗选择和连续凸逼近（SCA,successive convex approximation）的天线选择EE 最大化算法。文献[17-18]研究了IRS 辅助的多基站无线系统中的用户接入问题，并提出了提升和速率的算法。在更具挑战的Cell-Free 无线系统中应用IRS，文献[19]研究了和速率最大化问题，通过拉格朗日对偶法和多维复二次变换将原问题分解为多个子问题，之后用交替方向乘子法进行凸优化求解子问题。文献[20]研究了在用户中心网络中结合IRS 以增强系统性能的框架和优化算法。文献[21]研究了利用 IRS 来增强无线供电物联网（IoT,Internet of things）系统中的下行无线充电与上行信息传输，其中IRS的能耗也由无线充电所获取。

图1 IRS 辅助的无线通信系统典型场景

上述优化算法的设计都基于CSI 全部已知的假设。然而由于IRS 只有反射单元，不具备射频链路和信号处理链路，无法用IRS 来接收或发送导频信号，也就无法在IRS 端进行CE，传统的CE 算法需要进一步改进以运用到IRS 辅助的无线通信系统中。文献[22]为了减少大量IRS 元件带来的复杂度，将IRS 元件进行了分组，并通过最小二乘（LS,least square）估计得到每个分组对应的CSI；mmWave 无线系统中的CE 问题可以利用mmWave 信道特有的稀疏特性。在IRS 辅助的mmWave 无线系统中，文献[23]利用mmWave 信道的稀疏性设计了基于压缩感知的CE 算法。同样考虑mmWave 无线系统，基于深度学习（DL,deep learning），文献[24]将需要估计的二维级联信道建模为二维的图像，并借助图像中的超分辨率恢复算法，提出了利用二维图像行列之间的相关性、基于部分元件on-off的LS估计和超分辨神经网络的CE算法。

2 IRS 辅助的无线通信系统的物理层安全

2.1 信息理论安全

在无线窃听环境中，除了LU，还存在Eav。由于无线通信的广播性质，BS 端发送的信息不仅能被LU 接收，同样可以被Eav 接收到。两者的数据速率差值即无线系统的SR。如图2 所示，将IRS部署在无线环境中，连接信号被障碍物阻挡，信号可通过IRS 反射到LU 和Eav。联合优化BS 端BF矢量和IRS 端相位配置，可以提升LU 处的数据速率并降低Eav 处的数据速率，从而起到提升系统SR和增强系统PLS的效果。

图2 IRS 辅助的无线窃听系统

2.1.1安全优化

优化算法设计是信息理论安全中流行的研究方向之一。对于不同的无线窃听环境，如多Eav、多LU、存在干扰者等场景，需要不同的算法来优化无线系统的PLS 性能。针对SR、发送功率等不同的优化性能指标和不同的限制条件，许多研究都提出了有效的算法，如基于交替优化和凸优化的传统算法、基于深度强化学习（DRL,deep reinforcement learning）的人工智能方法。

文献[25-26]研究了单天线的一个Eav、一个LU的IRS 辅助无线系统，并基于交替优化提出了最大化系统SR的算法。针对同样的无线系统，文献[27]研究了发送功率最小化问题，基于半正定规划（SDP,semi definite programming）求解并得到了最优BF矢量的闭式表达式。文献[28]将系统扩展到了具备多天线的Eav 场景，并得到了最大化SR的BS 端BF 矢量和IRS 相位配置的闭式和半闭式表达式。针对同样的模型和问题，文献[29]通过分式规划（FP,fractional programming）和流形优化（MO,manifold optimization）求解。进一步地，文献[30]考虑了多天线的Eav 与LU，并设计了最小-最大化（MM,minorization-maximization）算法来提升系统SR。考虑更实际的OFDM 系统，文献[31]利用MM 算法和拉格朗日乘子法优化了BS 端的多载波传输BF 矢量和IRS 相位配置，提升了系统SR。在未来的B5G/6G 中，mmWave 及太赫兹频段或将成为主要技术，因此，文献[32]在mmWave 场景中部署了多块IRS 用于补偿mmWave的高路损，研究了多块IRS的选择问题，设计了交替优化算法来优化多块IRS的选择向量、BS 端BF 矢量和IRS 相位配置。文献[33]则利用了高频段信道低秩的特性优化了BS 端的混合预编码和IRS 相位配置。文献[34]考虑了更复杂的无线环境，即存在多个Eav 与多个LU的系统，首先提出了路径跟踪算法以最大化系统的最小SR，为了减少算法复杂度，又基于迫零（ZF,zero force）BF 设计了一种具有闭式表达式的启发式算法。文献[35]研究了IRS能否用于人工噪声（AN,artificial noise）所增强的MISO 无线窃听系统中，通过SDR 方法联合优化了AN 传输矢量、信息传输矢量和IRS 相位配置，提升了系统SR，证明了IRS与AN 结合的有效性。对于AN 辅助的多个LU 与Eav的MISO 无线窃听系统，文献[36]研究了每对LU 与Eav的SR 之和最大化问题，提出了基于SCA与乘法器交替方向器（ADMM,alternating direction method of multiplier）的算法。文献[37-38]结合AN在IRS 辅助的MIMO 系统中，基于最小均方误差（MMSE,minimum mean square error）和块坐标下降（BCD,block coordinate descent）对BS 端的信息BF矢量、AN 传输矩阵和IRS 端相位配置3 个变量进行了联合优化，提升了系统的SR。文献[39]进一步地扩展了安全无线传输中多块IRS的选择问题，在多LU的系统中，每个用户可以选择是否激活某一块IRS。基于SDR 与SCA 设计了联合优化BS 端BF 矢量、IRS 相位配置、AN 传输矢量和多用户IRS选择矩阵的方案来最大化系统SR。在无线窃听系统中，除SR 外，发送功率也是值得优化的一个性能指标，文献[40]利用二阶锥规划算法在满足一定QoS的条件下最小化发送功率；文献[41]考虑了MISO 无线窃听场景中的EE 优化问题。首先通过Dinkelbach 算法将分式目标函数转换为辅助变量相减的形式，之后利用交替优化和SDR 进行求解；类似于AN 干扰Eav的功能，文献[42]采用协同干扰（CJ,cooperative jamming）技术，通过一个干扰器来降低Eav 处的数据速率，将发送功率和干扰传输功率都考虑在内，将系统的整体EE 作为优化指标，采用SDR 方法优化了CJ的BF 矢量、BS 端BF 矢量和IRS 相位配置。除了上述半双工的接收机，也有文献考虑了全双工的接收机。文献[43]研究了在一个单输入多输出（SIMO,single-input multiple-output）系统中的全双工接收机，该接收机除了接收信号还发送信号干扰 Eav；设计了BCD算法框架来联合优化接收机的接收BF矢量、发送BF 矢量和IRS 相位配置。结合NOMA 技术，文献[44]通过SDP 与SCA 优化了BS 端BF 矢量和IRS 相位配置，且部分用户有安全速率限制，能以较低的复杂度遍历搜索找到最优的串行干扰消除（SIC,successive interference cancellation）解码顺序。在无线携能通信（SWIPT,simultaneous wireless information and power transfer）系统中同样存在窃听问题，文献[45]研究了 IRS 辅助的SWIPT 系统中的PLS 相关问题，在满足一定SR限制下，设计了交替优化算法来最大化能量收集器处接收的能量。文献[46]将IRS 辅助的SWIPT进一步扩展到物联网场景并联合CJ 技术，研究了一定SR 限制和功率传输限制下的能量收集最大化问题。通过一阶泰勒展开、松弛变量等数学方法，将非凸问题转为凸问题并通过SDR 进行优化；在双向通信中同样可以应用IRS。文献[47]研究了存在一个Eav的双向通信场景和SR 最大化问题，并基于交替优化算法优化了2 个发送节点的发送功率和IRS 相位配置。

上述研究工作都基于一个很强的假设：BS 端知晓BS 到Eav的全部实时CSI。实际上，只有当Eav 曾接入BS 中时才有可能获取其当时的CSI。因此，许多研究更实际地假设只能获取Eav的部分CSI，即不完美CSI。除此之外，虽然许多研究提出了IRS 辅助无线系统的信道估计算法，但获取的CSI 依旧存在一定程度的误差。由于IRS 辅助无线窃听系统对LU与Eav处的信道特性差异尤为敏感，针对误差CSI 设计具有高稳健性的优化算法是极有意义与价值的。文献[48]考虑了MISO的无线窃听系统，并针对3 种不同的CSI 假设情况设计了对应的算法来最小化发送功率。文献[49]在IRS 辅助的多窃听者mmWave 无线系统中，利用离散样本加权和来处理Eav的CSI 未知的问题，并利用SDR 最大化了系统的最差SR。文献[50]首次考虑了数据统计的Eav-CSI 误差模型，并在满足一定中断概率的条件下，通过SDR 与交替优化算法最小化了发送功率。由于算法基于Eav 处级联信道的数据统计CSI 误差并考虑中断概率限制，该算法相比基于完美CSI的工作有着更优越的稳健性。考虑更复杂的多Eav、多LU 且Eav 均配备多天线的无线系统，文献[51]结合AN并在不完美CSI及一定Eav的QoS限制条件下，利用SDR 和SCA 最大化了多个LU的最差SR 总和。将IRS 与Eav 之间的信道建模为边界CSI 错误模型，并利用线性矩阵不等式处理CSI 误差对算法设计带来的影响，提升了算法的稳健性。结合NOMA 场景，文献[52]在Eav-CSI 完全未知的情况下，利用史密斯正交化求解AN 传输矩阵来干扰外部Eav。对于内部的窃听问题则通过交替迭代的方法来求解IRS 相位配置和BS 端功率分配；为了设计高稳健性的算法，使算法在CSI 不准确时也能取得效果，文献[54]在文献[42]的基础上进一步考虑了在边界CSI 错误模型下，研究同样的CJ 辅助的EE 优化问题。基于S-procedure 处理CSI不确定带来的影响，设计了在CSI 不准确的情况下也能有效提升系统EE的高稳健性算法。同样利用CJ 辅助的文献[53]则在边界CSI 错误模型下研究了在窃听速率最大限制下如何最大化SR的问题，利用柯西不等式等数学工具将原非凸问题转为凸问题，并利用SCA和惩罚凸凹过程算法来优化发送端BF矢量及IRS 相位配置。文献[55]基于未知分布的CSI 错误模型，设计了满足一定PLS 条件下的广播多用户最小SNR的提升算法。由于该算法不依赖于CSI 错误模型的具体数学分布而仅基于均值和反差，因此拥有更好的稳健性；进一步考虑LU 处的CSI 同样存在误差的情况，文献[56]假设所有LU 与Eav 处的CSI 都满足边界错误模型，设计了在所有CSI 均不完美的情况下也能提升和速率的高稳健性联合优化算法。

除了传统的凸优化方法，深度学习和强化学习也是有效的方法。文献[57]考虑单输入单输出（SISO,single-input single-output）OFDM 无线系统的EE，并将其定义为SR 除以总功率，其中总功率为发送功率加上所有IRS 元件消耗的功率，通过设计好的深度神经网络（DNN,deep neural network）来预测最优的IRS 相位配置和IRS 元件数目。文献[58]首先通过传统算法得到最大化SR的最优IRS 相位配置和BS 端BF 矢量，并将最优值作为对应CSI 输入的标签来训练DNN。训练完毕后的网络可接收其他的CSI 输入并输出这种情况下对应的最优解；在无人机（UAV,unmanned aerial vehicle）通信系统场景中，同样存在窃听问题且同样可由IRS 辅助来增强PLS。文献[59]设计了基于DRL的学习框架，将过时的CSI作为第一个深度确定性策略梯度（DDPG,deep deterministic policy gradient）网络的输入，动作空间为UAV 端的BF 矢量和IRS 相位配置，将UAV的位置信息作为第二个DDPG 网络的输入，将UAV的飞行距离和方向作为动作空间，两者的奖励函数均设置为与SR 正相关。文献[60]利用DRL算法将不完美的CSI、LU 和Eav的数据速率作为状态，将从码本中挑出的BS 端BF 矢量和IRS 相位配置作为动作，并设计了与LU 数据速率正相关而与Eav 数据速率负相关的奖励。通过后验决策状态学习来对抗CSI的不确定性并通过优先经验回放提高了学习效率，最终提升了多用户的最差SR 之和。再进一步地，文献[61-62]假设Eav-CSI 是完全未知的，并在满足LU 一定QoS的前提下通过最大化AN的发送功率，来尽可能地干扰Eav，即恶化Eav 处的信道情况并降低Eav 处的信干噪比（SINR,signal to interference plus noise ratio）以提升系统的PLS。IRS 辅助无线系统的物理层安全优化研究如表1 所示。

表1 IRS 辅助无线系统的物理层安全优化研究

2.1.2性能分析

性能分析的研究方向主要是从理论上推导出，即将IRS 引入无线通信系统中，对系统的PLS 性能带来多少数值提升，或者各种PLS 性能指标的数学表达式，包括闭式表达式或渐近逼近表达式等。

文献[63]首先分析了最基本的IRS 辅助窃听无线系统，考虑了单天线的BS、Eav 和LU的系统模型。首先将IRS 元件相位根据LU-CSI 取为最优值，之后根据信道参数的瑞利分布特性和中心极限定理（CLT,central limit theorem）得到LU 及Eav 端的SNR 概率分布特性，包括累积分布函数（CDF,cumulative distribution function）和概率密度函数（PDF,probability density function）等。最后，根据SOP的表达式得到其渐近逼近的数学表达式；实际中IRS 元件的相位通常是离散的、有限的，即并不一定总能取到最优值。因此，文献[64]将离散相位的影响考虑在内并研究了串通和不串通2 种情形的Eav。同样根据CLT 等概率分析方法，对系统的遍历SR（ESR,ergodic secrecy rate）进行渐近分析并得到2 种情形下的闭式逼近表达式；同样考虑离散相位，文献[65]采用Fox’H转换理论及Mellin-Barnes 积分，得到SOP 及平均SR（ASR,average secrecy rate）的准确表达式和渐近表达式。对于多Eav的窃听系统，文献[66]计算了多个瑞利变量的样本极大值的CDF，并据此推导了系统最差SR 所对应的SOP 与ASR的CDF 与PDF。在多用户随机分布的情况下，文献[67]借助随机几何的数学工具，考虑多LU 服从齐次泊松分布过程并得到了SOP、非零安全容量概率（PNSC,probability of nonzero secrecy capacity）和ASR的表达式。在MIMO 系统中，得到了准确且精简的SINR的CDF表达式，并进一步地在高SNR 条件下对中断概率进行了渐近分析，证明了当IRS 元件数目较小时无法提升非视距链路小路损情况下的系统性能。在更复杂的NOMA 系统中，文献[68]考虑了典型的2 个用户的场景，并分析了接收端执行SIC 后的SINR概率分布特性，之后分别得到了2 个用户各自的信号所对应的ASR 表达式。

IRS 可辅助的不仅仅局限于上述传统的无线窃听场景，还可运用到如车联网、物联网等各种通信场景中。在文献[69]中，IRS 用于辅助2 辆车辆之间的通信，不依赖于使用CLT，使用更多样的方法得到了存在一个直接窃听发送端信道的Eav 时对应的SOP 表达式，且通过仿真证明了在IRS 元件数目较小时，表达式的结果和仿真的结果很相近。在设备到设备（D2D,device-to-device）通信中，文献[70]用IRS 来辅助2 个设备间的通信，而BS 所在的中心网络则存在一个LU、一个Eav，分析了D2D 通信的中断概率和中心网络的SOP、PNSC的数学表达式并用仿真证明了其正确性。文献[71]研究了全双工接收端的SISO 无线系统，接收端在接收到发送端经IRS 反射来的信息信号的同时也发送干扰信号用于降低窃听者的SINR；并定义了该系统的截获概率（IP,intercept probability），根据Eav 和LU端的SINR 分布特性推导了IP 在有、无干扰2 种情况下的数学表达式。文献[72]考虑了多对发送节点的双向通信系统，首先设计了新的用户调度算法来提升SR，之后又得到了ASR的一个下界的闭式表达式并分析了ASR的标度定律（当发送功率、IRS元件数目、用户对数趋于无穷大时）。IRS 辅助无线系统的物理层安全性能分析研究如表2 所示。

表2 IRS 辅助无线系统的物理层安全性能分析研究

2.2 隐蔽通信

上述信息理论安全重在保护数据传输，使数据难以被Eav 窃听。而隐蔽通信的目的则在于将合法链路的通信（Alice 到Bob）隐藏起来，使Eav（Willie）无法侦测到合法通信链路的存在。文献[73]首次提出了将IRS 用于增强隐蔽通信的无线系统，如图3所示，通过调节IRS 相位配置使收发端的通信链路隐蔽起来，使侦测者无法探测到收发端通信链路的存在。对IRS 辅助隐蔽通信系统进行数学分析与优化后的性能结果指出，隐蔽通信的安全级别比信息理论安全更高，且隐蔽通信不依赖于Eav的能力。由于IRS 对信道的可重配特性，可通过对IRS的优化使合法通信链路被侦测到的可能性进一步降低（或变成纯随机过程）。因此，将IRS引入隐蔽通信中，通过优化来降低合法链路被侦测的概率，同样是关于IRS 辅助无线系统PLS 增强的一个重要方向。

图3 IRS 辅助的隐蔽通信系统

在文献[74]中，IRS 用于协助全双工多天线发送端（Alice）将信号绕过障碍物传给全双工接收端（Bob），同时一个Eav（Willie）尝试检测到这段合法的通信链路，而Bob 自身也会发送干扰信号用于扰乱Willie 对通信链路是否存在的判断。文献[74]首先基于最佳检测阈值分析了Willie 处的检测错误概率（DEP,detection error probability），得到了误判概率和漏判概率等重要指标的数学表达形式和概率特征；之后，研究了隐蔽速率（CR,covert rate）最大化的问题，通过惩罚对偶分解（PDD,penalty dual decomposition）和BCD 算法对BS 端BF 矢量和IRS 相位配置进行联合优化；类似于信息安全理论中Eav 处的CSI 通常难以全部知晓，Willie 也常常隐藏自己，使其CSI 也通常难以获取。文献[75]针对Willie 处不同的CSI 情况进行了优化算法研究。首先考虑单天线的Alice，在只有Willie的部分CSI 情况下（只知道信道矩阵的均值、方差），针对最大化CR 问题，可直接得到最优的发送功率并利用三角不等式得到最优的IRS 相位配置；在CSI 完全知晓的情况下，通过SCA、SDR 与高斯随机化（GR,Gaussian randomization）技术得到了上述最大化CR 问题的解。之后考虑多天线的Alice，在部分CSI 情况下，BS 端BF 矢量设为MRT 并通过凸优化工具CVX 和GR 得到IRS的最优相位配置；在CSI完全知晓的情况下，除了交替优化算法，文献[75]还基于ZF 和Willie 链路功率最小化提出了2 种复杂度较低的算法来最大化CR。另外，针对所有链路（Alice、Bob、Wille 处）CSI 不完美（边界CSI 错误模型）的各种情况，文献[75]通过数学变化将各个问题变为凸问题，并基于交替优化、SDR 和GR等技术求解使CR 提升的最优值。文献[76]则从理论分析上证明了借助IRS 可在非零传输功率的单天线Alice 系统中实现完美隐蔽（Willie的检测等同于一个随机猜测的过程）。文献[76]首先研究了完美CSI 情况下满足一定隐蔽限制条件时，Bob 处SNR最大化的问题；将问题转化为广义非线性凸优化问题后，利用惩罚连续凸优化（PSCA,penalty successive convex approximation）算法来联合优化Alice的传输功率、IRS 端的相位配置和幅度配置；当Willie 处的瞬时CSI 未知而只知分布时，得到了隐蔽限制的表达式并观察到其与IRS 相位配置无关，之后用CVX 优化了IRS 幅度配置和Alice 传输功率来提升Bob 处的SNR。文献[77]研究了IRS-NOMA无线窃听系统的上下行传输并假设Alice 仅知晓Willie的数据统计CSI，系统中除了接收者Bob，还存在另一个接收者Roy且发送功率按一定比率分给2 个用户。文献[77]首先得到了Willie 处的DEP的分布特性和表达式并选择了能使错误概率最低的检测阈值；之后研究了在Roy 处QoS 限制、Alice传输功率限制和Willie 处最低DEP 限制下，Bob 处CR 最大化的下行传输问题。Alice 处的功率分配经过数学分析后可得到最优解的闭式表达式，而IRS相位配置的最优值则通过SDR 得到。类似地，Alice处CR 最大化的上行传输问题也用同样的方法得到了研究和解决；在隐蔽无线通信中，Alice 传输数据的概率同样也是影响整体性能的可优化变量之一。文献[78]研究了联合优化传输数据概率、发送功率和IRS 相位配置来最大化Bob 端可达数据速率期望的问题。其首先推导了Willie 处DEP的精确闭式表达式，之后通过搜索的方法来得到最优的传输数据概率和发送功率。除了典型指标CR，文献[79]还研究了传输中断概率优化问题。与前述工作类似，其首先推导了Willie 处的DEP 表达式，之后在隐蔽限制、最大传输功率限制下，通过搜索和凸优化工具CVX 降低了系统传输中断概率，IRS 辅助无线系统的隐蔽通信研究如表3 所示。

表3 IRS 辅助无线系统的隐蔽通信研究

2.3 其他

除了上述两大主流PLS 研究方向，无线系统的PLS 还有很多轻量级的研究方向如表4 所示。而IRS的可重构特性，为整个无线系统的优化带来了一个新的维度，使其应用场景非常广泛，这也包括各种轻量级的PLS 研究方向。比如，密钥生成（SKG,secret key generation）。SKG的目标是提高上下行信道的相关性，同时降低BS-LU 信道和BS-Eav 信道之间的相关性，这样Eav 就难以获取有关密钥的信息。文献[80]首先推导了IRS 辅助无线系统中的密钥容量（SKC,secret key capacity）的下界闭式表达式。之后通过SDR 和SCA 算法优化IRS的相位和幅度来最大化得到的闭式下界。文献[81]为了得到密钥速率（SKR,secret key rate）的数学表达式，首先将复数的信道系数拆分为独立的实部与虚部，进一步通过数学推导得到复信道系数的PDF。之后考虑了高SNR 及极大IRS 元件数量2 种特殊情况，并得到了SKR的上界闭式表达式。通过分析发现，可搜索IRS 元件切换时间来提升SKR；由于SKR与Eav、LU 相应的信道的随机性有关，因此引入IRS 对信道进行重配置可提升两者之间的随机性。文献[82]设计了一种启发式算法和DRL算法框架来提升无线系统的SKR。考虑一次性密码本通信系统中的SR，文献[83]设计了一种最优时隙分配算法来分配SKG 和加密信息传输过程；之后，在Eav-CSI未知的情况下，基于泊松点过程推导了SKR的理论表达式。

表4 IRS 辅助无线系统的物理层安全其他研究方向

另一个PLS的隐患为导频污染攻击（PCA,pilot contamination attack）。在时分复用系统中，CSI的获取通常基于信道互易性，且无线传输中导频序列通常为公开的，因此具备射频链路的有源Eav 可发送信号来干扰导频传输的过程。在IRS 辅助的无线通信系统中，同样存在PCA的问题。在文献[84]中，Eav 发送的干扰信号和Bob 发送的导频信号一同通过IRS 反射到Alice，因此Alice 端CE 得到的CSI 有着较大误差。基于MRT-BF 和安全正则化ZF 预编码，文献[84]设计了交替优化算法来提升系统的SR。另一个使用IRS的不同研究角度在文献[85]中得到了研究，假设IRS 被Eav 所使用，Bob 在传输导频时，除了直接发送到Alice，还会经过IRS 反射到Alice。此时Eav 通过对IRS 进行配置能减弱Alice 处的接收信号强度，降低CE的准确度。针对上述问题，文献[85]提出了一种基于最快检测的方法来检测IRS-PCA的存在，即在每一个时隙Alice 接收到的信号序列都会和之前接收到的信号序列联合考虑来做决定。更进一步地，文献[85]设计了一种IRS-PCA 存在情况下的新的CE 算法。具体来说，多个协同节点一起发送互相正交的导频序列，且这些信号序列都会经过IRS 反射后被Alice 接收。因此可分析其中相似的分量来获取IRS 相关CSI。

3 结束语

3.1 研究总结

IRS的可调控特性使其能实现对无线信道的重新配置。在整个无线传输系统中，等于引入了新的一维可优化变量。通过对收发端的BF、功率分配、IRS 相位配置等进行联合优化，可以实现对整个无线系统性能的极大增强。因此，无线系统的PLS 同样可以通过IRS的辅助而得到提升。在IRS 辅助的无线窃听系统中，对IRS 进行有效配置可提升LU 处的通信质量而降低Eav 处的通信质量，进而可从信息理论安全、隐蔽通信等不同的角度来提升PLS 性能。

基于IRS的信息理论安全增强主要通过联合优化IRS 与收发端BF 来提升SR、SOP 等PLS 相关性能指标。最新的研究扩展到了更广泛的无线场景。文献[86]研究了认知无线网络（CRN,cognitive radio network）中的PLS 问题，设计了满足CRN 中主用户干扰程度限制、次用户SR 限制的系统EE 最大化算法。文献[87]利用IRS 增强了移动边缘计算（MEC,mobile edge computing）系统的PLS，考虑本地计算的能耗、任务卸载等限制，设计了联合优化IRS 与AN的算法来降低系统的总功耗。

基于IRS的隐蔽通信系统，旨在通过优化IRS使侦测者无法探测到合法通信链路，从而提升系统的CR。文献[88]考虑了多天线的Bob 与Alice，提升了一定隐蔽限制条件下MIMO-IRS 无线系统的CR；文献[89]研究了IoT 网络中的IRS 辅助隐蔽通信系统，解决了完美隐蔽传输时的CR 最大化问题。

PLS 研究方向的最新研究工作中，如SKG，文献[90]推导了准静态环境中SKR 上下界的闭式表达式并得出结论：SKR 与IRS 元件数、相关系数、导频长度和反射信道质量相关。关于PCA，文献[91]将IRS 用于破坏时分双工（TDD,time division duplex）系统中的信道互易性，完成了导频攻击。

3.2 未来展望

目前，基于IRS的信息理论安全增强的相关研究较为完善，未来可考虑如下2 个研究方向。

1)多基站通信系统中的PLS增强。Cell-Free、用户中心网络等多基站无线系统中，无线接入点和用户的数目更多、分布更广泛。在这样复杂的无线系统中，Eav、Jammer的存在使系统的PLS问题更具有挑战性，需要进一步考虑IRS 部署的位置、复杂系统的CSI 获取、用户的调度等。

2) 非法IRS的反制与对抗。由于IRS的低能耗、低成本特性，不只有合法链路能利用IRS 提升性能，非法链路同样可以部署自己的IRS 来辅助窃听链路或降低合法链路的性能。比如，文献[85]将IRS 用于辅助Eav的导频攻击；文献[92]中Eav在BS 附近部署自己的IRS 来增强对合法信号的反射收集。由于IRS 无源，IRS 辅助的非法链路的侦测和相关CSI的获取都非常困难。此时，传统的联合优化算法很难得到好的效果，难以保证安全的无线传输。需要设计全新的技术手段来对抗非法IRS。

基于IRS的隐蔽通信研究可以从如下2 个方向进行扩展。

1) 更全面的系统设计目标。现有研究集中在设计最大化CR的算法。未来研究可以在满足各类隐蔽通信条件的限制下（如CR 大于或等于一定阈值、DEP 小于或等于一定限制等），优化速率、能效、发送功耗等目标。

2) 更复杂的无线通信系统。现有研究多考虑单个接收端、发送端、侦测者的无线系统，而实际无线系统更复杂。例如收发端、侦测者均配备多天线[88]、OFDM 无线系统、多个通信接收端等等。更复杂的无线系统具有更广泛的研究场景，能为实际部署IRS 增强隐蔽通信带来更大的参考价值。

IRS 辅助无线系统中PLS的其余研究方向目前集中在SKG 与PCA，两者可从如下的角度进行研究扩展。

1)多用户的分组SKG 设计。在多用户的无线系统中，每个用户的无线通信范围有限，而部署IRS 则能扩展信号覆盖范围。为此，需要设计IRS 优化算法来提升分组密钥容量。同时，针对IRS 辅助的SKG 传输需要重新设计协同密钥提取协议。

2) 基于IRS的PCA 检测与反制。目前研究大多利用IRS 来进行PCA，而在存在PCA的无线系统中，也可以通过引入IRS 来进行检测与反制。例如，通过提取IRS 反射的导频信号信息来判断无线环境中是否存在其他的干扰源；通过优化IRS 来增强LU的导频传输链路通信质量。