基于对抗学习的安全自预编码机优化方法技术

本发明专利技术公开的基于对抗学习的安全自预编码机优化方法，属于无线通信物理层安全技术领域。本发明专利技术针对大规模多天线系统安全速率优化问题非凸且复杂度高的技术问题，通过设计并构建基于自编码机，同时支持多用户、多天线、多数据流传输的安全收发机训练框架，在发射端对信号调制和空间预编码器进行联合优化，使得合法用户接收端以极低的误符号率解调，恢复正确的保密信息，而窃听用户接收端不能正确解调，只能得到错误的保密信息。所训练的安全发射机能够在提高合法用户的通信可靠性的同时，显著降低针对窃听用户的可靠性，进而实现安全传输。此外，本发明专利技术通过引入对抗学习策略，降低模型收敛时间，降低空间信号处理复杂度，提高安全传输效率。传输效率。传输效率。

【技术实现步骤摘要】
基于对抗学习的安全自预编码机优化方法


[0001]本专利技术涉及基于对抗学习的安全自预编码机优化方法，属于无线通信物理层安全


技术介绍

[0002]大规模多输入多输出(Multiple
‑
Input Multiple
‑
Output，MIMO)系统是下一代移动通信B5G/6G的关键使能技术，它可以提供更加高速的物理层数据传输效率，增加的天线阵列数量可以显著提高信号处理的空间自由度，为基于预编码的物理层安全设计和可靠性增益带来更大的潜力。然而，大规模天线往往需要在天线面板上集成几十～上百根天线单元，尤其是在空间多流传输的场景下，射频链路的数量随着天线数量的增长而增长，进一步增加了发射端的信号处理复杂度和功放等硬件处理开销。于此同时，基于深度学习的端到端收发机设计在近几年引起了学术界和工业界的广泛关注，它利用测量的信道环境数据和先验知识联合训练收发端的网络，不同于以往的通信系统设计采用各功能模块级联的方式实现，各个模块之间独立优化，这种情况下设计的通信系统性能往往不是最优的。而基于深度学习自编码机(Autoencoder,AE)的端到端设计，可以对多个级联模块设计统一的目标函数，进行多模块联合优化，实现整体最优。此外，深度学习可以通过将大规模阵列信号处理计算开销卸载到离线训练阶段，通过数据驱动的方式指导模型训练，从而降低在线阶段的信号计算时间，尤其是针对高阶信号调制和更大数量天线系统情况下，具有传统算法不可比拟的优势。
[0003]目前，深度自编码机开始被用于研究物理层安全通信。部分现有工作对该问题提出了一些解决方案，X.L.Zhang采用基于有监督学习的安全预编码设计方法，首先利用迭代优化和注水算法，对预编码方向矢量和功率分配矢量进行了联合优化，求解了针对MIMO信道下的信号协方差矩阵次优解。但是基于有监督学习的安全设计方法，尽管相比传统方案降低了计算复杂度，但是所能到达的实际性能上限总是受限于传统方案。因此，C.H.Lin研究了一种基于变分自编码器的端到端物理层安全方案，其中指导模型更新的目标函数被设计为三部分的和，分别指导优化通信速率、安全性能以及噪声自适应性能。其中，安全部分通过最小化保密信息和预编码符号之间的互信息来实现，这里的互信息通过相关函数来表征。J.Li研究了一种基于互信息神经估计网络模型(Mutual Information Neural Estimation,MINE),该网络模型可以近似估计神经网络的输入分布和输出分布的互信息大小，进而打开了采用深度学习设计基于信息论的物理层安全通信的大门。此外，R.Fritschek研究了一种基于用户误码率的端到端安全自编码器方案，通过设计目标函数，包括最大化窃听用户的误码率和最小化合法用户的误码率来设计基于神经网络的安全发射机。
[0004]上述方案中设计针对MIMO信道的物理层安全技术大部分是基于有监督学习的方法，难以克服安全速率受限于传统方法的问题；而基于无监督学习的安全自编码机方案，要么是针对安全信道编码的设计，要么是对高层对称加密算法的设计，没有针对安全星座图
以及安全预编码等大规模阵列信号处理层面的设计，且大部分的系统仿真都是在小规模天线阵列或者单天线系统条件下进行的。此外，随着人工智能和移动通信的密切结合，非法的窃听用户也有能力通过盲调制识别以及发射机指纹识别等获得发射机的先验知识，提高自己的保密信息接收和破解能力，进一步增加了合法系统被窃听的风险，因此，研究考虑窃听用户自身具备学习能力的物理层安全设计是一个亟待解决的问题。

技术实现思路

[0005]针对未来大规模多天线系统安全速率优化问题非凸且复杂度高的问题，本专利技术提供一种基于对抗学习的安全自预编码机优化方法。通过设计并构建基于自编码机，同时支持多用户、多天线、多数据流传输的安全收发机训练框架，在发射端对信号调制和空间预编码器进行联合优化，使得合法用户接收端以极低的误符号率解调，恢复正确的保密信息，而窃听用户接收端不能正确解调，只能得到错误的保密信息。所训练的安全发射机能够在提高合法用户的通信可靠性的同时，大幅度降低针对窃听用户的可靠性，进而实现安全传输。
[0006]本专利技术的目的是通过以下技术方案实现的：
[0007]本专利技术针对大规模MIMO系统下的安全速率优化问题非凸且复杂度高的技术问题，基于对抗学习训练安全自预编码机。联合优化设计级联的调制模块和空间预编码模块，设计安全的发射机星座图和全数字波束赋形矢量，训练得到安全自预编码机(Security Auto
‑
Precoder,SAP)。同时，引入迭代对抗学习训练框架，开发在安全发射机参数已知的情况下，具备更好符号检测能力的窃听接收机，并基于该进化的窃听接收机，对抗训练具备更高合法用户信息可靠性的对抗安全自预编码机(Adversarial Security Auto
‑
Precoder,ASAP)。所训练的安全发射机能够在提高合法用户的通信可靠性的同时，大幅度降低针对窃听用户的可靠性，进而实现安全传输。
[0008]本专利技术公开的基于对抗学习的安全自预编码机优化方法，包括以下步骤：
[0009]步骤一、设定基于自编码机框架的MIMO通信系统系统参数，系统参数包括：发射机Alice、合法用户Bob和窃听用户Eve的天线数量M,N
B
和N
E
、每符号的比特信息R、符号序列长度J、信道多径数量L、信道参数α
l
，θ
l
，的分布、发射功率约束p、信噪比SNR；设定神经网络模型结构、训练/测试数据集参数、以及训练超参数，训练超参数包括：选择的优化器、训练轮次Epoch、每轮次的样本长度Batch Size。
[0010]步骤二、基于深度自编码机的训练框架，搭建支持多用户、大规模多天线、多流数据传输的MIMO通信系统，设计多用户平均SER作为损失函数，训练调制模块和预编码模块级联的发射机网络模型；训练好的模型可以通过空间波束赋形，在有限的发射功率下，实现系统中多用户的可靠性传输。
[0011]步骤2.1：设计发射端神经网络，包括信号调制模块和空间预编码模块的网络结构。
[0012]发送端天线映射之后的第j个保密信息对应的发送符号为X
j
：
[0013][0014]其中，和分别表示调制模块和预编码模块；m
j
是待发送的保密信息，从预先
设定的有限保密信息集合中取得。经过调制神经网络模块之后输出调制符号s
j
同发送端估计信道参数合并之后一同输入预编码神经网络模块对调制符号进行预编码操作，得到预编码之后的信号X
j
。同样的，J个X
j
能够并行处理和发送，以实现MIMO系统的多流信号传输。训练、测试数据集中的所有参数，包括信道参数和信号参数都采用实部和虚部分开的方式进行表示，即系统中的信道和信号全部表征为实数矩阵。
[0015]所有的发射端网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对抗学习的安全自预编码机优化方法，其特征在于：包括如下步骤，步骤一、设定基于自编码机框架的MIMO通信系统系统参数，系统参数包括：发射机Alice、合法用户Bob和窃听用户Eve的天线数量M,N
B
和N
E
、每符号的比特信息R、符号序列长度J、信道多径数量L、信道参数α
l
，θ
l
，的分布、发射功率约束p、信噪比SNR；设定神经网络模型结构、训练/测试数据集参数、以及训练超参数，训练超参数包括：选择的优化器、训练轮次Epoch、每轮次的样本长度Batch Size；步骤二、基于深度自编码机的训练框架，搭建支持多用户、大规模多天线、多流数据传输的MIMO通信系统，设计多用户平均SER作为损失函数，训练调制模块和预编码模块级联的发射机网络模型；训练好的模型能够通过空间波束赋形，在有限的发射功率下，实现系统中多用户的可靠性传输；步骤三、根据步骤二中搭建的多用户、多流MIMO自预编码机模型，通过引入针对窃听用户的模糊矩阵P设计新的安全损失函数利用新的安全损失函数指导模型训练，赋予自预编码机安全属性，生成新的安全星座图，保证合法用户Bob的接收端能够完成符号检测，而窃听用户Eve的接收端不能正确完成符号检测；步骤四：引入对抗学习机制，结合步骤3.1的安全损失函数，设计针对窃听用户的目标损失函数将整个自预编码机分为两部分链路，分别为合法链路Main Chain和窃听链路Eve Chain，Main Chain包括Alice发射机和Bob的接收机网络，Eve Chain包括Eve的接收机网络，基于步骤二的预训练模型，设计两部分迭代对抗训练算法，得到对抗安全自编码器模型ASAP；步骤五：根据步骤四训练得到的对抗安全自预编码机ASAP，在新的安全传输场景下，通过采集少量的信道样本，继续执行步骤四对模型进行微调，然后利用参数更新的安全自预编码机模型对保密信息进行调制和预编码的联合优化，得到针对目标窃听用户具有保密性质的待发射信号；保证在合法用户Bob具有极高可靠性的同时，窃听用户Eve只能得到盲猜级别的符号检测性能，实现安全传输。2.如权利要求1所述的基于对抗学习的安全自预编码机优化方法，其特征在于：步骤一的实现方法为，设定基于自编码机框架的MIMO通信系统系统参数，系统参数包括：发射机Alice、合法用户Bob和窃听用户Eve的天线数量M,N
B
和N
E
、每符号的比特信息R、符号序列长度J、信道多径数量L、信道参数α
l
，θ
l
，的分布、发射功率约束p、信噪比SNR；设定神经网络模型结构、训练/测试数据集参数、以及训练超参数，训练超参数包括：选择的优化器、训练轮次Epoch、每轮次的样本长度Batch Size。3.如权利要求1所述的基于对抗学习的安全自预编码机优化方法，其特征在于：步骤二的实现方法为，步骤2.1：设计发射端神经网络，包括信号调制模块和空间预编码模块的网络结构；发送端天线映射之后的第j个保密信息对应的发送符号为X
j
：其中，和分别表示调制模块和预编码模块；m
j
是待发送的保密信息，从预先设定
的有限保密信息集合中取得；经过调制神经网络模块之后输出调制符号s
j
同发送端估计信道参数合并之后一同输入预编码神经网络模块对调制符号进行预编码操作，得到预编码之后的信号X
j
；同样的，个X
j
能够并行处理和发送，以实现MIMO系统的多流信号传输；训练、测试数据集中的所有参数，包括信道参数和信号参数都采用实部和虚部分开的方式进行表示，即系统中的信道和信号全部表征为实数矩阵；所有的发射端网络都采用全连接神经网络FCNN，调制模块神经网络对保密信息序列m的计算处理过程表示如下：其中，和分别表示调制模块神经网络的第g层网络的激活函数、权重矢量和偏移矢量；然后调制之后的所有符号序列s和估计的发射端估计的信道参数进行合并，得到新的训练样本作为空间预编码模块神经网络的输入；空间预编码模块神经网络对调制符号和信道合并后的矩阵U的计算处理过程表示如下：其中，和分别表示调制模块神经网络的t
th
层网络的激活函数、权重矢量和偏移矢量；为了限制发射信号功率|X|≤p，的T
th
层设计为功率约束层，采用自定义的激活函数如下：其中，|X|表示矩阵X的F
‑
范数，p表示最大发射功率；因此，经过步骤2.1就得到了归一化的映射到天线端口的待发射信号；步骤2.2：设计接收端神经网络，包括接收信号检测模块和概率映射模块；合法用户Bob和窃听用户Eve在该步骤中被视为两个合法用户，搭建两个具有同样网络结构的接收机模型；第j
th
个功率归一化的信号X
j
分别经过Bob和Eve各自的MIMO信道到达接收端，Bob和Eve接收到的第j
th
个信号Y
B,j
和Y
E,j
分别表示如下：Y
B,j
＝H
B
X
j
+n
B
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)Y
E,j
＝H
E
X
j
+n
E
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，和表示加性高...

【专利技术属性】
技术研发人员：郑重，王新尧，费泽松，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：