基于深度学习的MISO窃听信道人工噪声预编码优化研究
一、作者与发表信息
本研究由Queen’s University的Sangseok Yun和Il-Min Kim、Kyungpook National University的Jae-Mo Kang(IEEE会员)以及KAIST的Jeongseok Ha(IEEE高级会员)合作完成,发表于2020年3月的《IEEE Transactions on Vehicular Technology》第69卷第3期。研究标题为《Deep Artificial Noise: Deep Learning-Based Precoding Optimization for Artificial Noise Scheme》。
二、学术背景与研究目标
科学领域:本研究属于物理层安全(Physical Layer Security)领域,聚焦多输入单输出(MISO)窃听信道中的人工噪声(Artificial Noise, AN)预编码优化问题。
研究动机:传统广义人工噪声方案(Generalized AN Scheme)在理想假设(如完美信道估计、空间不相关信道)下被证明最优,但实际无线环境中信道估计误差和空间相关性会破坏其最优性。现有方法依赖数学闭式解或高复杂度数值优化,难以应对实际场景。
研究目标:提出一种基于深度神经网络(DNN)的新型预编码方案——深度人工噪声(Deep AN)方案,通过DNN联合优化信息信号和人工噪声的预编码器,突破传统方法的局限性。
三、研究流程与方法
1. 系统建模
- 信道模型:考虑空间相关信道(指数相关模型,相关系数ρ)和存在估计误差的信道(误差参数τ)。合法接收端(Bob)仅知瞬时估计信道ĥb,窃听者(Eve)知完美信道hb和he。
- 信号设计:发射信号t由信息分量u=fs和人工噪声分量v=za线性组合,满足总功率约束tr(ff^H + zz^H) ≤ P。
2. 深度AN方案设计
- DNN结构:采用卷积神经网络(CNN)与全连接层结合的架构(图1)。
- 卷积部分:3层卷积(每层核大小3,深度na+1),激活函数为ELU,提取空间相关信道特征。
- 全连接部分:1层全连接,输出层采用L2归一化以满足功率约束。
- 创新训练方法:
- 两步训练法:
- 预训练:以广义AN方案的预编码器(fgan, zgan)为标签,最小化均方误差(式9)。
- 后训练:直接优化平均保密速率(式11),假设信道误差为高斯分布(最坏情况)。
3. 数值实验
- 实验设置:
- 信道模型:瑞利衰落,ρ∈[0,1],τ∈[0,1],na∈{2,4},P=10。
- 训练数据:10^4样本,预训练10轮,后训练20轮,学习率α=0.001。
- 对比方案:广义AN方案(Lin et al., 2013)作为基线。
四、主要结果
1. 训练效率(图2)
- 两步训练法显著加速收敛(后训练仅需几轮),而单步后训练需20轮以上。
2. 性能优势(图3)
- 理想训练:在ρ=0.01和τ=0.01时,深度AN方案保密速率比广义AN方案提升20%以上(na=4)。
- 实际训练:固定ρ=0.1或τ=0.05训练的DNN,在未知ρ/τ下仍稳健优于传统方案(如ρ=0时增益达15%)。
3. 计算复杂度
- 深度AN前向计算仅需1,060次乘法,而广义AN方案需28,024次(因迭代搜索和蒙特卡洛估计)。
五、结论与价值
科学价值:
1. 首次将DNN引入AN预编码联合优化,解决了实际信道中闭式解不可得的问题。
2. 提出的CNN架构和两步训练法为物理层安全的DNN应用提供了范式。
应用价值:
- 适用于5G/6G系统中需低复杂度、高鲁棒性的安全传输场景,如车联网(V2V)和物联网(IoT)。
六、研究亮点
1. 方法创新:结合CNN处理空间相关信道,两步训练法平衡收敛速度与性能。
2. 性能突破:在非理想信道下显著超越传统方案,且对未知ρ/τ具有鲁棒性。
3. 复杂度优势:DNN前向计算复杂度仅为传统方法的3.8%,适合实时系统。
七、其他贡献
- 首次在物理层安全中验证DNN对信道估计误差和空间相关性的适应性,为后续研究(如多用户MIMO安全)奠定基础。
参考文献:
[1] Lin et al., “On Secrecy Rate of the Generalized AN Scheme”, IEEE JSAC 2013.
[2] Goel & Negi, “Guaranteeing Secrecy Using Artificial Noise”, IEEE TWC 2008.