[發明專利]基于NOMA的電力線載波通信系統多用戶安全通信方法

在審

• 申請號: 202310256640.8
• 申請日: 2023-03-16
• 公開（公告）號: CN116347580A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 王涵;周小林;萬城瑞
• 申請（專利權）人: 復旦大學
• 主分類號: H04W52/26
• 分類號: H04W52/26;H04W52/34;H04W12/03;H04B3/54;H04B7/155;H04W84/22
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.一種基于NOMA的電力線載波通信系統多用戶安全通信方法，其特征包括：構建最大化通信系統安全和傳輸速率為目標的功率分配優化目標函數；采用神經網絡模型，對系統進行功率分配參數的優化，實現電力線載波通信系統多用戶安全高速通信；

(一)構建最大化通信系統安全和傳輸速率為目標的功率分配優化目標函數；

所述通信系統是融合了有線、無線、電力線載波的通信系統，包括：發射端用戶，接收端基站，中間的電力線通信(PLC)中繼，并考慮非法竊聽端；其中，發射端包括有線發送端和無線發送端；其中：

設有線發送端有n個用戶，發送的有線信號，記為S₁,S₂..S_n；無線發送端有n個用戶，發送的無線信號，記為S′₁,S′₂,...,S′_n；PLC有線中繼定義為R₁，無線中繼定義為R₂，均采用AF增強轉發工作方式；有線信號通過有線信道到達PLC中繼，信號特性服從對數正態衰落及路徑衰減；無線信號經歷無線空間的傳輸，信道特性服從瑞利衰落及路徑衰減；無線信道的噪聲采用伯努利-高斯噪聲，無線信道噪聲采用高斯白噪聲；

所述NOMA，其中包含疊加編碼(SC)和串行干擾消除(SIC)；NOMA的子信道仍然采用正交頻分復用(OFDM)技術，子信道之間是互相正交的，互不干擾；

根據上述場景，功率分配優化目標函數構建流程如下：

(1)發送端有線用戶發送信號與接收端接收信號的表示：

設有線信號S₁,S₂..S_n從信源發出，采用NOMA混合編碼技術，假設所選中繼為PLC-R_n，為方便起見，下面的公式中表示為R₁，則第i個用戶發送第信號S_i為：

其中，P_s表示有線用戶端發送功率，α_i表示第i個有線用戶端的功率分配系數，o(x_i)表示其當前信號的工作狀態：

x_i表示信號包含的信息；

到達PLC中繼：R₁中繼處接收到的信號為：

其中，表示第i個用戶從有線信號源到PLC中繼處的信道增益，N_BS表示接收基站所廣播的人工噪聲信號，為PLC中繼處的加性伯努利-高斯噪聲，噪聲功率記為

根據AF協議，中繼處不進行解碼，僅進行放大，假設中繼處放大增益G₁為被視為網絡信道系數的函數，假設中繼器增益G₁恒定：

繼續轉發，人工噪音在合法接收端被正確消除，但在竊聽端不會被消除，則合法接收端基站接收信號為：

其中，表示接收基站處的加性高斯白噪聲，噪聲功率記為

(2)發送端無線用戶發送信號與接收端接收信號的表示：

設無線信號S′₁,S′₂,...,S′_n從信源發出，采用NOMA混合編碼技術，假設所選中繼為wireless-R_n，為方便起見，下面公式中表示為R₂，則第i個用戶發送第信號S′_i為：

其中，P_s表示用戶端發送功率，α′_i表示第i個用戶端的功率分配系數；o(x′_i)表示其當前無線信號的工作狀態：

x′_i表示其信號工作狀態信息；

對于功率分配系數α₁,α₂,...,α_n，和α′₁,α′₂,...,α′_n滿足：

α₁+α₂+...+α_n+α₁′+α₂′+...+α_n′≤1；????????????????????????(6)

到達wireless-R_n，R₂中繼處接收到的信號

其中，分別表示從無線信號源到無線中繼R₂處的信道增益，為無線中繼處的加性高斯白噪聲，噪聲的功率記為

根據AF協議，中繼處不進行解碼，僅進行放大，假設中繼處放大增益為G₂，被視為網絡信道系數的函數，假設中繼器增益G₂恒定：

則繼續轉發到PLC中繼R₁上，還會接收到來自基站的人工噪聲接收信號為：

基站接收到的無線信號時，會自行消掉人工噪聲，因此接收到的信號表示如下：

(3)接收基站接收到的總信號表示如下：

(4)確定功率分配優化目標函數

接收端根據NOMA編碼原則，計算在當前功率分配系數α₁，α₂，...，α_n，α₁′，α₂′，...，α_n′的情況下，各個用戶在基站端的接收信號功率具體值；根據發送信號功率、信道參數以及整個系統環境中的衰減，得到接收基站的各個信號的信息速率，根據功率大小對信號進行排序，為了方便起見，將基站端的接收信號按照功率大小進行排序，信號分別標記為c₁，c₂，...，c_n；P(c_i)表示到達接收基站時用戶的功率，其中P(c₁)≥P(c₂)≥...≥P(c_n)；

1)根據串行干擾消除原則，假設基站接收端解碼順序為先解碼用戶1：c₁，再解用戶2：c₂,再解后面的其他用戶：

信號c₁在接收基站的信干噪比SINR為：

信號c₂在接收基站的信干噪比SINR為：

信號c_n在接收基站的信噪比SNR為：

2)考慮竊聽端：

根據實際情況分析，有線信號和無線信號在PLC中繼R₁處相遇，現在針對R₁的接收信號進行分析描述，即到達PLC中繼的有線信號和無線信號的加和，在放大轉發之前，得到R₁的接收信號表示為：

此時已經接收到的信號，根據NOMA編碼原則以及PLC信道的傳輸特性，在經過PLC轉發放大到基站的過程中，信號的功率衰減是符合對數正態分布的，此時根據分配到的信號功率大小進行排序，為了方便起見，將PLC中繼處的接收信號按照功率大小進行排序，信號分別標記為f₁，f₂，...,f_n，P(f_i)表示到達PLC中繼時，用戶的功率，其中P(f₁)≥P(f₂)≥...≥P(f_n)；其中，

對信號功率的兩次排序對應的信號是相同的，因為同一時刻信道特性相同，不同信號在同一信道中傳輸，信號的衰減和損耗是相同的，因此PLC中繼處的信號功率排序與接收基站處排序完全一致，即f_i＝c_i，為了簡化描述，統一采用c_i表示用戶i；

根據最大值最小化原則，假定最壞性能背景分析，竊聽者假定到達竊聽能力的最大值，可以分辨不同的信號信息并單獨解碼，考慮信道中的人工噪聲以及竊聽端的噪聲，竊聽端可以竊聽到的信號為：

其中，表示在竊聽端的加性高斯白噪聲，記為

則竊聽用戶解碼c₁，c₂...c_n的信噪比SNR表示為：

3)考慮保密容量：

有線和無線的保密容量計算方式相同，有線用戶x_i帶入公式，無線用戶帶入x_i‘，為了表達清晰，統一采用在接收基站進行功率檢測后排序的信號表示方法，即根據信號到達接受基站的功率大小決定解碼順序，信號分別標記為c₁，c₂，...,c_n，P(c_i)表示到達接收基站時，用戶的功率，其中P(c₁)≥P(c₂)≥...≥P(c_n)；根據此解碼順序進行NOMA解碼，解碼后得到接收信號的信噪比以及竊聽信噪比；

根據香農公式原則可知，信道的容量即信號的最大可達速率可由信號的信噪比來決定，根據前面的公式計算，可以得到不同信號在目的接收基站的信噪比和竊聽端信噪比，從而得到在合法接收端信號的最大可達速率和竊聽端最大可達速率，根據安全速率的定義可得，信號的最大可達安全速率由二者之差定義如下：

合法接收基站信號速率：

非法竊聽端信號速率：

安全速率分別表示為：

其中，[x-⁺＝max{0，x}；

則最終的安全和速率表示為：

4)功率分配優化目標函數為：

s.t?C1:

C2：α_i＝0表示此用戶x_i分配到的功率為0；

C3:P_min≤α_i*P_s，α_i′*P_s≤P_max；

P_min，P_max分別表示對單個用戶定義的功率上下限；

(二)采用神經網絡模型，對系統安全速率優化，實現電力線載波通信系統多用戶安全高速通信；

具體采用無監督學習神經網絡，運用無監督學習神經網絡求解上述優化問題。

2.根據權利要求1所述的基于NOMA的電力線載波通信系統多用戶安全通信方法，其特征在于，步驟(二)中所述采用無監督學習神經網絡，運用無監督學習神經網絡求解上述優化問題的具體步驟如下：

(1)準備無監督學習神經網絡的輸入數據x；由上述優化問題的表達式可知，不同的信道系數對應于不同的優化問題；因此，隨機生成N組獨立同分布的信道系數作為網絡的N組輸入數據；同時，為使模型訓練更加高效，對所有的輸入數據進行Max-Min歸一化處理：

x_為經過歸一化處理的輸入數據；min為原始輸入數據中的最小值，max為原始輸入數據中的最大值；對x中的每一個數據都應用上式進行處理；

(2)設計神經網絡結構；輸入層維度為[input_size,hidden_layer1],[hidden_layer1,

hidden_layer2],[hidden_layer2,hidden_layer3],[hidden_layer3,output_size]；對于前三層網絡，激活函數選用ReLU函數，對于最后一層輸出層，采用softmax函數，使得輸出的功率分配因子范圍在[0,1]之間；

(3)依據優化問題及其約束條件設計無監督學習神經網絡損失函數；其中包括安全和速率以及功率分配因子上下限約束懲罰：

penalty＝argmax(y-P_max)+argmax(P_min-y)；

其中，loss_func為損失函數，penalty為功率分配因子上下限約束懲罰，y為神經網絡輸出的功率分配因子向量，P_max，P_min為功率分配的上下限值；函數argmax(·)為取最大值函數；懲罰項為輸出的功率分配因子向量偏離功率上下限的最大值之和，若上下限都不滿足，對損失函數附加一個正值，使得損失函數值增大；反之，使得損失函數值減少，符合神經網絡學習的方向；

(4)設置訓練輪次，學習率以及優化器，進行無監督學習神經網絡的訓練。

(5)訓練完成，保存訓練好的神經網絡模型權重。