基于深度学习的通信系统中安全能效的控制

邹翔宇 黄崇文 徐勇军 杨照辉 曹 越

①(东南大学国家移动重点实验室 南京 210096)

②(浙江大学信息与电子工程学院 杭州 310007)

③(重庆邮电大学 重庆 400065)

④(伦敦大学学院 伦敦 WC1E7JE)

⑤(武汉大学 武汉 430072)

1 引言

可重构智能表面(Reconfigurable Intelligent Surfaces, RIS)是未来无线通信网络最有前途的技术之一。由大量低成本无源反射单元[1–4]组成的RIS可以通过3种方式实现：常规反射阵列[1–5]，液晶超表面[6]和软件定义的超材料[7]。与传统的中继系统不同，RIS中每个反射单元的相移可单独调节。此外，RIS的反射单元都是无源的，没有发射和接收噪声。RIS可以调整无线信道来使得系统的频谱和能效增加。但是，将RIS部署用于无线通信还面临一些挑战，例如信道估计和RIS部署位置。

文献[4,8–30]中已经研究与RIS的部署相关的工作，对无线通信性能的优化。文献[8]中，作者介绍了RIS辅助无线网络的相关知识，特别介绍了应用程序、硬件架构、波束成形设计、信道估计、网络部署等。文献[9]最小化了单用户和多用户RIS辅助的多输入单输出(Multiple Input Single Output,MISO)系统的用户传输功率。文献[4,9]通过在RIS辅助的多用户MISO通信系统中优化基站(Base Station, BS)的发射功率和RIS的相移，研究了核速率和能效最大化问题。但是，大多数现有研究[4,8,9]都集中在优化RIS的连续相移上，不能用于RIS离散相移的优化。由于很难实现RIS的连续相移，因此RIS的离散相移通常用于实际应用中。文献[11]研究了针对单用户和多用户MISO系统的RIS离散相移的优化。最近，文献[12]研究了RIS辅助通信系统的安全性能。RIS的典型应用场景是安全传输，RIS可以设计反射向量，以减少窃听者接收的信号。但是，尚未研究在RIS辅助正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)通信系统中的安全通信。OFDM技术具有易于实现、易于与MIMO系统结合以及抵抗符号间干扰的优点，因而被广泛用于无线通信系统中。此外，文献[4,8–11]中的这些现有工作都没有优化RIS反射单元的数量。实际上，由于每个RIS单元在实际中都会消耗一定程度的能量，因此RIS单元的数量将极大地影响RIS辅助通信系统的性能。但是，增加RIS单元的数量可以更精确地控制反射信号的主方向，从而形成更窄、方向更定向的反射波束。

为了解决此优化问题，本文探索了深度学习(Deep Learning, DL)方法的优势。使用深度神经网络(Deep Neural Network, DNN)的DL方法已广泛应用于各个领域，例如计算机视觉、自然语言处理等领域。具体而言，对于通信领域，DL已被广泛用于物理层和网络层的各个方面，例如功率分配[12]和信道估计[13]。最近，DL已用于设计室内通信环境中RIS单元的最佳反射矩阵[14]。然而，没有一项现有工作研究了将DL应用于RIS辅助无线通信系统的安全性能优化。相较于其他的学习算法，比如强化学习，DL方法应用在RIS辅助无线通信系统，具有收敛性能优越、性能好的特点。

2 系统模型

2.1 收发链路与智能超表面

考虑一个单输入单输出(Single Input Single Output, SISO)上行链路系统。该系统由1个单天线用户，1个单天线接入点(Access Point, AP)，1个RIS和1个窃听者(Eve)组成。室外建筑物的墙壁中部署带Mmax个 反射单元的RIS。考虑具有K个子载波的正交频分复用(OFDM)上行传输系统。RIS控制器可以在两种操作模式之间切换，即用于感测信道环境的接收模式，例如，信道状态信息(Channel State Information, CSI)估计和用于散射来自用户的入射信号反射模式[14–15]。

图1 系统模型图

2.2 信道模型

2.3 安全能量效率

2.4 安全能量效率最大问题

3 基于深度学习的优化算法

3.1 网络结构

多层感知机(MultiLayer Perceptrons, MLP)网络用于预测安全能效。MLP网络是一个通用的函数逼近器，因此我们可以使用MLP网络来拟合环境描述符和RIS反射向量之间的函数关系。所提出的MLP网络模型的组件定义如下。

3.1.1 网络输入

将神经网络模型的输入定义为用户、AP, Eve与RIS之间，以及用户与AP/Eve之间的信道增益

3.1.3 网络输出

MLP模型由1个输入层，Q-1个隐藏层和1个输出层组成。如图2所示，各层完全连接。网络中的第q层具有Nq个神经元，每个神经元都可以获取前一层中所有神经元的输出。隐藏层中的所有神经元均使用整流线性单位(ReLU)作为激活函数。

图2 多层感知器(MLP)网络

3.2 网络结构

所提Deep-RIS算法分为两个阶段，即训练阶段(1)和预测阶段(2)。表1中给出了实施Deep-RIS算法的详细步骤。

表1 基于深度神经网络的DeepRIS(算法1)

在训练阶段，RIS系统获得每个通道相干块的CSI作为样本数据，然后为RIS反射向量码本中的每个码字计算相应的安全能效。这些安全能效构成了安全能效向量，它是样本数据的标签，而与最大安全能效相对应的码字就是最佳RIS反射向量。然后将样本数据和标签输入到MLP中进行训练。同时，RIS使用最佳反射向量进行数据传输。

MLP训练完成后，可以使用MLP来预测RIS反射向量。RIS系统获得每个信道相干块的信道状态描述符，然后将其输入到训练后的MLP中。MLP可以输出安全能效向量，并在向量的元素中选择最大的安全能效，其对应的码字是最优的RIS反射向量。然后，RIS可以使用此最佳反射向量来传输数据。

4 仿真结果

本节先介绍仿真的相关参数设置和数据集，然后介绍仿真结果。

4.1 仿真参数

4.1.1 系统模型参数

仿真采用第2节中给出的系统模型，该模型具有1个RIS，可以反射从发射器(用户)到接收器(AP/Eve)的信号。如图3所示，接收器AP和Eve固定，发射器(用户)在指定的x-y网格中随机部署。使用深度 MIMO数据集的室外射线跟踪场景“O1”[16]来实现此系统模型的设置。如图3所示，在“O1”场景中选择BS 3作为RIS；在R850行中部署AP和Eve，其中第90列的用户作为AP，第100列的用户作为Eve；用户候选部署位置的x-y网格范围包括从R1000行到R1200行(每行包括181个点)的36200个点。假设发送器(用户)和接收器接收器(AP/Eve)均具有单个天线，系统已知发射器/接收器与RIS之间的全部信道状态信息。RIS在3.5 GHz载波频率下进行工作，仿真所采用的RIS天线数有：8×8(M=64) ，10×10(M=100)，12×12(M=144) ，14×14(M=196 ) ，16×16(M=256)，18×18(M=324 )，20×20(M=400)，22×22(M=484 )，24×24(M=576)。天线单元的增益为3 dBi，发射功率为35 dBm[31–33]。表2总结了基于“O1”场景所采用的系统及Deep MIMO数据集参数。

表2 系统及深度MIMO数据集参数

图3 室外射线跟踪场景“O1”

4.1.2 信道状态信息

4.1.3 反射向量码本归一化的采样信道，其中KDL≤K，则神经网络输入向量的长度为 2MKDL。全连接神经网络架构由1个输入层、3个隐藏层和1个输出层组成。各层的节点数分别为 2MKDL，M，4M，4M，M，其中M为RIS天线数。神经网络输出向量的长度为|P|=M。发射器(用户)候选部署位置的x-y网格范围，深度学习的数据集共有36200个数据。将此数据集分成训练集和测试集两组，分别获得30000个和6200个的数据。设定训练批次大小为500个样本和50%的辍学(dropout)率。在每个ReLU层之后添加1个辍学层。

当对MLP进行迭代训练时，将每次迭代(iteration)输入的带标签的样本数据集称为一个batch。在这里，本文设置了500个样本数据以形成1个batch。本文训练样本数据集共有30000个样本数据，因此需要60次迭代才能将整个训练样本数据集输入到MLP。本文使用整个训练样本数据集并执行MLP的完整训练的操作称为epoch，因此1个epoch包含60次迭代。本文执行了1200次迭代，因此在训练MLP的整个过程中有20个epoch。

4.2 安全能量效率

本节中评估了提出的深度 RIS算法的RIS反射向量设计方案的可达安全能量效率。将这些安全能量效率与理想算法的上限安全能量效率进行比较，假设理想的算法也已知全部信道状态信息。在图4中，RIS单元个数分别采用了10×10，14×14，18×18和22×22。仿真时的信道仅包括最强的信道路径，即L=1。图4显示了所提出的深度学习(DL)解决方案的安全能量效率在经过训练之后可以接近最佳上限。

图4给出了不同RIS单元个数下genie-aided算法、DL-RIS算法对应的可达安全能量效率曲线图，其中DL-RIS算法的数据均取自由30000个样本训练后的神经网络的可达安全能量效率。如图4所示，在每种RIS单元个数下，DL-RIS算法的可达安全能量效率均接近于genie-aided算法的上限安全能量效率。此外，在现有与信号交互的RIS单元个数(M)范围内，genie-aided算法与DL-RIS算法的安全能量效率均随着M的增加而增大。由于计算机性能限制，仿真时设置M的范围较小，未能找出安全能量效率最大化的最优解MDL。

图4 基于不同RIS单元个数的DL算法与理想的算法的安全能量效率对比

5 结论

本文研究了RIS辅助的无线通信系统的物理层安全性，旨在通过共同设计相位反射向量和反射单元的数量来最大化系统的安全能效。 特别提出了一种基于DL的算法来获得近似最优解，而这通常是传统方法无法解决的。仿真结果表明，提出的DL-RIS算法以较低的计算复杂度实现了最佳的安全能效。在仿真中提出的RIS数量范围内，本文发现优化RIS的反射向量可以提高安全能效。通常，安全能效随着RIS数量的增加而增加，但是随着反射单元数量的变化，能源效率并不总是提高。