[发明专利]一种基于空基可重构智能表面的安全传输方法及系统

说明书

本发明公开了一种基于空基可重构智能表面的安全传输方法及系统，在存在窃听者的情况下，通过部署ARIS来增强地面收发节点间的合法传输。针对合法信道、窃听信道的瞬时信道状态信息，构造了联合优化ARIS波束成形与部署来最大化系统安全传输速率的优化模型。在固定ARIS部署时，通过松弛和半定规划的方法优化ARIS波束成形；通过深度强化学习训练智能体优化ARIS的部署问题，找到ARIS最优位置，从而保证通信系统无线传输的安全性。本发明与传统方法相比，可以针对多变的信道状况实时改变无人机位置；耗费更少的计算资源与时间有效提升安全传输速率。

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于空基可重构智能表面的安全传输方法及系统。

背景技术

由于无线传输介质的广播性和开放性，无线通信很容易被窃听，因此安全通信是目前无线传输系统中一个关键问题。随着计算机技术的高速发展，计算能力相比以往已经有了非常大的提升，传统的保密方法很容易就被破解。而物理层安全技术可以利用无线通信信道的特点来保证信息安全，它因具有高度的保密性而受到广泛关注。

另一方面，近年来出现的可重构智能表面(Reconfigurable IntelligentSurface,RIS)被视为能够提高未来无线通信性能的关键技术。RIS由大量低成本、相位可调的近被动反射元件组成。因此，电磁波的传播变得高度可控，这使得RIS能够在不使用有源源的情况下增强或减轻信号。同时，RIS可以在全双工无源模式下工作，而不会对噪声进行放大，使得其可以有效地发挥作用。因此，RIS在无线领域已有各种应用，如增强无线传输、扩展信号覆盖范围、抗干扰等。

深度强化学习(Deep Reinforcement Learning,DRL)已经被应用于无线传输研究中，例如频谱资源分配。DRL可以使我们在保证良好的通信性能的同时，通过使用训练良好的智能体来显著降低实际实现的复杂性以及所耗的计算资源与时间资源。

现有的大部分关于RIS增强通信安全的研究很多都将RIS固定在一个位置，例如建筑物表面。而对于实际情况来说，一个区域的信道状况可能会随时发生变化，使得固定好的RIS无法很好提升通信性能，信息传输的安全性无法得到很好保证。此外对于针对于RIS部署的优化，大部分研究所得出的方法若运用到实际中会耗费很大的计算资源。

发明内容

本发明的目的在于提供一种基于空基可重构智能表面的安全传输方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于空基可重构智能表面的安全传输方法，包括以下步骤：

构建无线传输系统模型，通过部署ARIS来增强地面合法收发节点间的信息传输，同时抑制地面窃听者的干扰攻击，联合优化ARIS波束成形与ARIS的部署使得安全传输速率达到最大；

根据构建的无线传输系统模型，对无人机与地面源节点、目的节点以及窃听节点间的信道增益进行建模，得到目的节点以及窃听者处接收信号的表达式，计算出瞬时信噪比和安全传输速率；

构造以ARIS波束成形与部署为优化变量，以最大化无线传输系统安全传输速率为目标函数的优化模型；

在固定ARIS部署的条件下，通过松弛和半定规划来求解优化问题，优化ARIS的波束成形最大化安全传输速率；

将ARIS的部署优化问题建模为马尔可夫决策过程，通过深度强化学习来优化ARIS的部署，根据ARIS当前位置的最优波束成形以及神经网络中存储的价值函数和经验回放池，更新ARIS的位置直至最优位置，以最大化系统安全传输速率。

进一步的，构建的无线传输模型由地面源节点S、目的节点D、部署在空中的可重构智能反射面I以及窃听者J组成，I反射来自S发射的信号传递给D达到增强合法传输的效果，通过优化I的波束成形以及部署位置来最大化安全传输速率。