大规模天线Cell-freeIRS物理层安全方法与流程

大规模天线cell-free irs物理层安全方法
技术领域
1.本发明属于无线通信领域，尤其涉及大规模天线cell-free irs物理层安全方法。


背景技术：

2.无小区的大规模多输入多输出网络通过部署大量分散的基站来进行分布式部署，与经典的以小区为中心的设计原则不同，无小区网络利用了以用户为中心的传输设计，即网络中的所接入点ap共同服务于所有用户，所有的接入点都连接到一个中央处理器(central processing unit,cpu)，没有小区边界。无小区大规模多输入多输出网络(cell-free massive multiple input multiple output,cf-mmimo)中的用户很接近ap。比常规的mimo有更简单的功率控制、更高的光谱效率和更高的能源效率。cf-mmimo每个用户接收到来自不同的接入点的信号，因此这种分布式系统可以为覆盖范围内的所有用户提供良好的服务质量。为了进一步提高网络容量，部署更多的分布式接入点会给部署无小区网络带来高成本和功耗。将cf-mmimo与可重构智能反射表面(intelligent reconfigurable surface,irs)结合能够提供一种节能的替代方案来提高网络容量。
3.安全性是无线网络中的一个重要方面。irs能够通过加强合法信道、抑制窃听信道，从而有利于提高安全性。因此，针对无线通信需要设计其物理层安全，以适应安全传输速率的要求。


技术实现要素：

4.为了提高无线通信的安全和速率和覆盖范围，本发明公开了一种深度学习信道估计以及混合波束形成方案。
5.本发明实施例提供了如下技术方案：
6.一种大规模天线cell-free irs物理层安全方法，所述方法包括：
7.大规模天线无小区(cell-free,cf)可重构智能反射表面(intelligent reconfigurable surface,irs)物理层安全通信传输基于基站的数字波束形成算法和irs的模拟波束形成算法，其特征在于，包括下步骤：
8.步骤a，提出一种深度学习的信道估计算法，利用卷积网络,通过接收信号估计原始信道增益；
9.步骤b，建立接入点到用户和窃听者的直接/间接链路的信道模型。在其噪声方面服从标准复高斯噪声；
10.步骤c，提出了一种基于交替迭代的算法，求解最优基站主动波束形成向量；
11.步骤d，根据已经给定的基站波束形成向量，得到最优irs波束形成向量；
12.步骤e，得到最优的irs数量和每个irs的大小；
13.其中，步骤a具体包括：
14.a1，建立基于下行链路(down link,dl)的信道估计器，采用具有l层的完全连接的前馈深度神经网络，包括一个输入层，l-2隐藏层和一个输出层。输出估计值
x(.)为输入，v为索引，θ
l
为第l层网络参数，g
l
(.)为第l层输出。
15.a2，预训练阶段，通过离线训练使损失函数最小化，获得最佳θ。其中ly是向量y(v)的长度，v为样本大小。采用一种随机优化方法(a method for stochastic optimization,adam)自适应矩估计作为提出的深度神经网络(deep neural network,dnn)的优化算法。
16.a3，训练阶段，收集发送的信号x，接收信号y和估计信号作为dnn的原始输入数据向量。加载θ作为dnn的初始参数，然后通过adam算法最小化loss(θ)，直到dnn收敛为止。训练阶段之后的dnn参数为θ(t)。
17.a4，测试阶段加载训练后的参数θ(t)，然后将输入数据通过训练后的dnn并获得估计的通道。在基于dl的估计信道的基础上，使用迫零波束成形检测器获得信道的估计值。
18.其中，步骤b具体包括：
19.b1，计算用户k的可实现速率表达式计算窃听者解码用户k信息的可实现速率表达式w为预编码，σ2为高斯噪声，b为基站数量，为等效信道向量；gb、分别表示从第b个bs到用户k、从第b个bs到irs、从irs到用户k的信道；βm为幅值，θ为irs的反射角度，n为反射元数量。
20.b2，计算用户的安全容量ck＝r
k-r
e,k
，系统的安全和速率
21.b3，在发射端的传输功率约束、irs的角度约束，以及用户服务质量的约束下，最大化系统的安全和速率。
22.其中，步骤c具体包括：
23.c1，根据功率约束，初始化波束形成向量w。
24.c2，基于给定的w，利用求出中间变量tk。将tk代入原优化问题得到新的凸问题，利用凸优化求解器(如cvx)求解，交替迭代和tk可得近似解。
25.其中，步骤d具体包括：
26.d1，在给定最优主动波束形成w的情况下,初始化反射系数向量和迭代次数l＝0。
27.d2，利用凸优化器求解角度φ，利用求解最优整数解。
28.d3，交替迭代，直至误差小于预设值或迭代次数达到预设上限。
29.其中，步骤e具体包括：
30.e1,根据ap和irs处的波束形成向量，考虑irs元件总数为m，计算每个irs最佳的元件数w为预编码，σ2为高斯噪声，gb、分别表示从第b个bs到用户k、从第b个bs到irs、从irs到用户k的信道；βm为幅值，θ为irs的反射角度，n为反射元数量。
31.e2，得到irs个数为
32.与现有技术相比，上述技术方案具有以下优点：
33.本发明利用深度学习估计信道参数，该方法首次考虑了大规模无小区通信中利用irs的安全和速率最大化问题，在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案，包括在基站上的数字波束形成和基于irs的模拟波束形成。在此基础上，设计了irs数量和irs大小优化方法。基站上的数字波束形成和基于irs的模拟波束形成以及irs数量和大小的不同设计权衡提供了新的思路。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明一个实施例所提供的大规模天线cell-free irs物理层安全方法的流程示意图。
具体实施方式
36.正如背景技术部分所述，如何进行无小区大规模接入设备通过无线通信传输控制信息，提高区域内用户安全和速率，实现数据的安全传输为本领域人员亟待解决的问题。
37.本发明的核心思想在于，无小区网络能服务于覆盖范围内的所有用户，以用户为中心进行传输设计，没有小区边界，能够有效进行信息的传输，将cf-mmimo与irs结合能够改变信号传输路径，有利于用户而抑制窃听者，可以进一步提高物理层安全性。从而可以更好地部署未来物联网，提升设备终端的通信安全质量。本发明是在物联网大规模接入条件下控制传输的背景下，提出了大规模天线cell-free irs物理层安全方法。
38.参见图1，本发明实施例提供大规模天线cell-free irs物理层安全方法，所述方法包括：
39.大规模天线无小区(cell-free,cf)可重构智能反射表面(intelligent reconfigurable surface,irs)物理层安全通信传输基于基站的数字波束形成算法和irs的模拟波束形成算法，其特征在于，包括下步骤：
40.步骤a，提出一种深度学习的信道估计算法，利用卷积网络,通过接收信号估计原始信道增益；
41.步骤b，建立接入点到用户和窃听者的直接/间接链路的信道模型。在其噪声方面
服从标准复高斯噪声；
42.步骤c，提出了一种基于交替迭代的算法，求解最优基站主动波束形成向量；
43.步骤d，根据已经给定的基站波束形成向量，得到最优irs波束形成向量；
44.步骤e，得到最优的irs数量和每个irs的大小；
45.其中，步骤a具体包括：
46.a1，建立基于下行链路(down link,dl)的信道估计器，采用具有l层的完全连接的前馈深度神经网络，包括一个输入层，l-2隐藏层和一个输出层。输出估计值x(.)为输入，v为索引，θ
l
为第l层网络参数，g
l
(.)为第l层输出。
47.a2，预训练阶段，通过离线训练使损失函数最小化，获得最佳θ。其中ly是向量y(v)的长度，v为样本大小。采用一种随机优化方法(a method for stochastic optimization,adam)自适应矩估计作为提出的深度神经网络(deep neural network,dnn)的优化算法。
48.a3，训练阶段，收集发送的信号x，接收信号y和估计信号作为dnn的原始输入数据向量。加载θ作为dnn的初始参数，然后通过adam算法最小化loss(θ)，直到dnn收敛为止。训练阶段之后的dnn参数为θ(t)。
49.a4，测试阶段加载训练后的参数θ(t)，然后将输入数据通过训练后的dnn并获得估计的通道。在基于dl的估计信道的基础上，使用迫零波束成形检测器获得信道的估计值。
50.其中，步骤b具体包括：
51.b1，计算用户k的可实现速率表达式计算窃听者解码用户k信息的可实现速率表达式w为预编码，σ2为高斯噪声，b为基站数量，为等效信道向量；gb、分别表示从第b个bs到用户k、从第b个bs到irs、从irs到用户k的信道；βm为幅值，θ为irs的反射角度，n为反射元数量。
52.b2，计算用户的安全容量ck＝r
k-r
e,k
，系统的安全和速率
53.b3，在发射端的传输功率约束、irs的角度约束，以及用户服务质量的约束下，最大化系统的安全和速率。
54.其中，步骤c具体包括：
55.c1，根据功率约束，初始化波束形成向量w。
56.c2，基于给定的w，利用求出中间变量tk。将tk代入原优化问题得到新的凸问题，利用凸优化求解器(如cvx)求解，交替迭代和tk可得近似解。
57.其中，步骤d具体包括：
58.d1，在给定最优主动波束形成w的情况下,初始化反射系数向量和迭代次数l＝0。
59.d2，利用凸优化器求解角度φ，利用求解最优整数解。
60.d3，交替迭代，直至误差小于预设值或迭代次数达到预设上限。
61.其中，步骤e具体包括：
62.e1,根据ap和irs处的波束形成向量，考虑irs元件总数为m，计算每个irs最佳的元件数w为预编码，σ2为高斯噪声，gb、分别表示从第b个bs到用户k、从第b个bs到irs、从irs到用户k的信道；βm为幅值，θ为irs的反射角度，n为反射元数量。
63.e2，得到irs个数为
64.与现有技术相比，上述技术方案具有以下优点：
65.本发明利用深度学习估计信道参数，该方法首次考虑了大规模无小区通信中利用irs的安全和速率最大化问题，在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案，包括在基站上的数字波束形成和基于irs的模拟波束形成。在此基础上，设计了irs数量和irs大小优化方法。基站上的数字波束形成和基于irs的模拟波束形成以及irs数量和大小的不同设计权衡提供了新的思路。
66.本发明公开了一种大规模天线cell-free irs物理层安全方法。该方法首次考虑了大规模无小区通信中利用irs的安全和速率最大化，分析了在用户服务质量和功率约束以及相位约束条件下，设计了一种混合波束形成方案。
67.本发明利用深度学习估计信道参数。利用了交替迭代和凸优化方法，分析了发射端和irs波束形成对系统安全和速率的影响，给出能够快速的确定波束形成和irs数量与大小分配的方法。
68.本说明书中各个部分采用递进的方式描述，每个部分重点说明的都是与其他部分的不同之处，各个部分之间相同相似部分互相参见即可。
69.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。