[发明专利]一种面向无人机中继网络的安全传输增强方法

说明书

本发明属于无人机通信技术领域，公开了一种面向无人机中继网络的安全传输增强方法，建立以无人机为中继的地面源节点到目的节点的通信系统以及信道模型，在两个时隙——半双工模式下，根据无人机以及目的节点的接收信号，计算源节点到目的节点传输链路的私密速率；构建以私密速率达到最大时为目标函数，设计干扰功率无人机位置约束条件的优化模型；在无人机位置固定的条件下遍历目的节点D，窃听者E的坐标位置优化干扰功率分配方案，以最大化私密速率；使用穷举搜索法得到无人机最优位置生成数据集，构建并训练DNN模型，利用DNN的高计算效率找到无人机的最佳位置。本发明无人机部署方便不受复杂地形和障碍物的限制；通信适用性强、信息传输质量高。

技术领域

本发明属于无人机通信技术领域，尤其涉及一种面向无人机中继网络的安全传输增强方法。

背景技术

目前：无线通信技术的飞速发展为人们带来了各种便利。同时，对无线信息安全性的关注也越来越多。无线通信安全问题本质上在于无线传播的广播性质。因此，如何保证来自物理层的无线通信的安全性是解决此问题的关键。物理层安全是在窃听通道模型下制定的，在窃听通道模型与合法通道相比性能低的情况下，该模型在信息理论上实现了完美的保密性。

随着5G网络的快速发展和部署，学术界和工业界对无人机(UAV)表现出极大的关注。无人机具有成本低、部署方便等优点具有较高的灵活性和适应性，因此在军事和民用领域都有其广泛的应用。特别是，它可用作无线传感器节点，中继站或移动基站等。无人机通常用于协助复杂多变的环境中的通信。但是，由于飞行环境中的不确定因素可能会降低无人机通信系统的可靠性，从而影响通信质量。因此，提高涉及无人机的网络性能具有重要意义。

另一方面，深度神经网络(DNN)在推进各种应用的同时也取得了显著的进步。深度学习技术也已应用于无线通信研究中，例如发射功率控制和信道估计，同时带来了显著的性能提升。DNN使我们能够基于数据和知识为通信系统制定有效的策略。此外，使用训练良好的DNN模型可以显著降低实际实现的复杂性。由于DNN的显著优势，深度学习已被广泛应用于无人机通信中，以方便设计和提高性能。

通过上述分析，现有技术存在的问题及缺陷为：

(1)无人机通常用于协助复杂多变的环境中的通信。考虑到复杂的室外环境，由于飞行环境中的不确定因素，例如：高层建筑可能会阻挡地面用户与BS之间的LOS通信链路，可能会降低无人机通信系统的可靠性，从而影响通信质量。

(2)现有的物理层安全在传统点对点的信息传输技术中，主要存在的安全问题就是通信收发两端节点被窃听。与传统的点对点信息传输技术相比，协作中继网络中将会面临更严峻的安全问题，因为经过中继节点的多路径传输过程中，信息扩散面的扩大会提高窃听者窃听保密信息的概率。

(3)现有的安全方案缺乏对实际网络潜在的不确定性的考量。

解决以上问题及缺陷的难度为：现有的安全机制基于密钥体系，物理层安全是全新的解决方案。本发明考虑的场景中，无人机中继网络采用物理层安全机制，需要对合法接收机发射的干扰信号进行合理分配。此外，设计一个深度神经网络模型提升网络性能。

解决以上问题及缺陷的意义为：本发明采用物理层安全方案，其无需密钥且复杂度较低；考虑以无人机为网络中继，利用无人机中继的放大转发协议研究了合法传输的私密速率；同时，考虑合法的接收机发射一个独立于源信号的干扰信号来对抗窃听。针对这一问题，首先将其分解为两个子问题，分别解决干扰策略和无人机位置部署问题。然后，在有效的二分搜索法的基础上，解决了干扰问题，然后用DNN框架求解无人机部署。最后，给出了仿真结果，验证了所提方案的有效性。

发明内容

针对现有技术存在的问题，本发明提供了一种面向无人机中继网络的安全传输增强方法。

本发明是这样实现的，一种面向无人机中继网络的安全传输增强方法，所述面向无人机中继网络的安全传输增强方法包括：