[發明專利]基于線性神經網絡的物理層安全波束賦形方法

有效

• 申請號: 201810885113.2
• 申請日: 2018-08-06
• 公開（公告）號: CN109194378B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 雷維嘉;李環
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04B7/06
• 分類號: H04B7/06;G06N3/04;G06N3/08;G06K9/00
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 李金蓉

本發明公開了一種基于線性神經網絡的物理層安全波束賦形方法，在多輸入單輸出系統中，利用信道的互易性，由單天線合法接收端發送訓練序列，通過神經網絡訓練得到多天線的發送方保密信號和人工噪聲波束賦形的權值。本發明中將信道估計、信道狀態信息反饋、波束賦形設計三個過程合并為一個利用線性神經網絡的反向訓練過程，只需要發送一個訓練序列，且不需要反饋，相比較常規方法，本發明在降低復雜度的同時保證了信息傳輸的安全性。

技術領域

本發明屬于信息通信領域，具體是利用線性神經網絡來設計有用信號與人工噪聲的波束賦形矢量來實現信息的保密傳輸。

背景技術

物理層安全技術是利用無線信道的時變性、隨機性和互易性等特性，從物理層上實現信息的保密傳輸。利用信號處理技術制造和擴大合法信道與竊聽信道傳輸質量的差異，獲得保密容量是實現物理層安全的重要環節，其中最常用的技術是多天線波束賦形技術和人工噪聲輔助干擾技術。在物理層安全中，利用波束賦形技術，可以提高合法用戶處的信號強度，降低竊聽者的接收信號質量，從而形成合法信道和竊聽信道之間的容量差，獲得傳輸保密信息的能力。采用多天線波束賦形技術時，可達到的保密性能與發送者可用的信道狀態信息(Channel State Information,CSI)有關。而在完全不能獲得竊聽信道CSI時，無法設計波束賦形使竊聽者的接收信號強度最小，這時，采用人工噪聲是一種有效的提升安全性能的手段。發送者同時發送保密信息和人工噪聲，人工噪聲位于發送者與合法接收者間信道的正交空間內。由于合法信道和竊聽信道的特性不同，可保證在合法接收者不受人工噪聲影響的同時干擾竊聽者，增強安全性能?，F有的利用波束賦形技術的物理層安全的研究中，一般假設準確的合法信道CSI是可獲得的，而根據竊聽信道CSI的獲得情況，設計不同的波束賦形和人工噪聲方案。對于在可獲得準確的CSI條件下設計的方案，如果應用于CSI存在誤差的場景，算法性能會有一定程度的下降。而對于在不準確的竊聽信道CSI條件下設計的具有魯棒性的方案中，在竊聽信道CSI有誤差的情況下，性能下降相對較小，但算法的復雜度增加，同時，如果合法信道CSI存在誤差，則安全性能也會有較明顯下降?，F有的波束賦形的設計方案一般都依賴于信道的CSI。CSI一般是由接收端通過信道估計獲得，再通過反饋信道將CSI反饋給發送端，發送端再進行波束賦形設計，信道估計和波束賦形的設計是分開進行的。CSI反饋環節存在反饋開銷，反饋信道的容量也會限制反饋CSI的精度，同時信道估計中也存在偏差，影響波束賦形的性能。而多輸入單輸出(Multiple-InputSingle-Output,MISO)信道下，由于有多個發送天線，進行CSI估計時每個天線發送的訓練序列要相互正交，發送訓練序列的信道開銷較大，同時接收端需要反饋估計得到的多個信道的CSI，反饋開銷也很大，因此會對系統的傳輸效率造成較大的影響。

神經網絡作為一種功能強大的機器學習法，其應用廣泛，具有存儲和利用經驗知識的特性。神經網絡在信息處理工程中應用時，可采用大規模并行處理方式，在容錯性、自適應學習以及自組織能力方面都有著很好的性能。線性神經網絡是一種簡單神經元網絡，其結構如圖3所示。網絡由一個或多個線性神經元構成，傳遞函數是線性的，可以實現分類、擬合和逼近等功能。線性神經網路的逼近特性，就是通過在學習過程中不斷調整權值，使得實際輸出信號不斷逼近期望信號。這些特性使得線性神經網絡能夠應用在波束賦形的設計中。

發明內容

本發明的目的在于結合線性神經網絡，給出一種發送端保密信號和人工噪聲波束賦形的設計方法，該方法不需依賴信道的CSI，而且實現復雜度較低。

為了實現上述目的的本發明采用如下技術方案：訓練時，利用信道的互易性，由單天線合法接收者發送訓練序列訓練多天線的發送者保密信號和人工噪聲波束賦形權值，保密信息傳輸時，利用訓練得到的權值對保密信號和人工噪聲進行波束賦形，訓練模型如圖2所示，確定在信道具有互易性的情況下，在與數據傳輸方向相反的方向上通過訓練得到的波束賦形權值，與在數據傳輸的方向上進行訓練是等價的。訓練過程的具體步驟如下：

(1)在合法接收者處發送訓練信號序列，確定經過信道傳輸后發送者收到的信號，即為線性神經網絡的輸入信號；