一种基于深度学习的毫米波安全混合波束成形方法

1.本发明涉及一种适合毫米波通信系统的安全混合波束成形方法，属于安全无线通信领域。


背景技术：

2.在如今的无线通信领域，毫米波频段的引入大大扩宽了可利用的频谱资源。在高频频段，由于毫米波的频段传输损耗大的原因，要提供足够大的覆盖，需要波束赋形的增益。不过幸运的是毫米波大大减小的波长使得大型天线阵列所需的空间变小，从而可以集成大量的天线。传统的多天线技术通常在基带上以全数字预编码的方式进行处理，但是随着天线数增大，若每副发射天线都配备一条射频链路，将带来高成本、高功率消耗问题。因此，由于毫米波系统硬件的高成本和功耗的原因，目前排除了全数字预编码方案，并迫使毫米波系统严重依赖模拟处理。针对上述问题，一种数模混合天线架构体系解决方案被提出。然后展开了对混合预编码的广泛研究。
3.近年来，从物理层安全性的角度进行对安全无线通信传输领域的研究吸引了学者们的关注，为了最大化保密通信速率，已经提出了各种技术，例如多天线波束成形。不过传统算法多依赖于迭代算法，这将带来高时延，影响系统的实时性性能。另外，在智能通信领域的研究表明，智能算法在解决传统的通信领域问题上有着巨大的潜力。


技术实现要素：

4.发明目的：为解决传统安全波束成形算法中计算复杂度高的问题，本发明提供了一种适合毫米波通信系统的安全混合波束成形方法，在保证不错的安全可达速率的同时，能够提高算法的计算速度。
5.技术方案：为实现上述发明目的，本发明的一种适合毫米波通信系统的安全混合波束成形方法包含如下步骤：
6.步骤1、发射端配备有一条射频电路与nt根发射天线，合法用户与窃听者各配备有一条射频电路与一根发射天线；发射端采集发射端与合法用户之间的信道信息、采集发射端与窃听用户之间的信道信息和信噪比信息以用于深度学习模型的训练；将采集好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理；
7.步骤2、将预处理好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量作为安全混合预编码的深度学习模型的输入，且将合法用户信道信息与窃听者信道信息与信噪比信息作为自定义loss函数的lambda层的输入，以最大化安全频谱效率为目标，不断的更新模型的参数直到训练完成；
8.步骤3、将训练好的安全混合预编码的深度学习模型上线进行运行使用。
9.步骤1所述的采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息的内容如下：
10.发射端通过不断的实时采集发射端与合法用户之间的信道向量、发射端与窃听用
户之间的信道向量与信噪比信息进行存储，此情况下可以采集到具体应用场景环境的信息；另外，在毫米波频段的无线通信场景下，也可以用s-v(saleh-valenzuela)模型的窄带集群信道来模拟发射端和接收端之间的传输环境；从发射端到接收端的信道矩阵表示为：其中l代表散射路径数，α
l
表示第l条路径的信道增益，a
l
是第l条路径到接收端的传输控制向量，具体表示为其中是发射端到接收端的第l条路径的离开角(aod)。
11.步骤1所述的对发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理的内容如下：
12.将发射端与合法用户之间的信道向量hb与发射端与窃听用户之间的信道向量he的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：h
nb
＝[re(hb),im(hb)]与h
ne
＝[re(he),im(he)]，其中re(
·
)，im(
·
)分别表示取实部与虚部，h
nb
与h
ne
是经过预处理后的新向量。
[0013]
步骤2所述的安全混合预编码的深度学习模型的内容如下：
[0014]
安全混合预编码的深度学习模型采用了一种多入单出模型架构，h
nb
与h
ne
分别从两个输出层输入，然后分别经过数个dense层(全连接层)后，通过一个concatenate层进行合并，之后再经过数个dense层(全连接层)，再通过两个自定义lambda层。其中dense层(全连接层)的激活函数除了最后一层未设置激活函数，其它全为relu函数。
[0015]
第一个自定义lambda层为输出层，输出层的输出是混合预编码的模拟预编码向量f
rf
，其输出的模拟预编码矩阵f
rf
具有恒模约束，具体设置的函数如下所示：f
rf
＝exp(j
×
a)＝cos(a)+j
×
sin(a)，这样输入a无论取值为多少，输出f
rf
矩阵的元素都将满足恒模约束；
[0016]
第二个自定义lambda层进行loss函数的设置，loss函数除了从上一个lambda层输出的模拟预编码向量f
rf
作为输入外，其输入还包括合法用户信道向量hb、窃听者信道向量he和其各自的接收端处的信噪比γb与γe。
[0017]
步骤2所述的安全混合预编码的深度学习模型的线下训练步骤如下：
[0018]
步骤2.1、对深度学习模型参数进行初始化，然后将采集到的大量的训练数据集作为输入，训练数据集中的数据包括步骤1中所述的发射端与合法用户之间的信道信息、发射端与窃听用户之间的信道信息和信噪比信息；
[0019]
步骤2.2、设置对整个训练集的数据进行训练的总次数m与当前训练进行到次数m，初始化m＝0；
[0020]
步骤2.3、判断m＜m，若为true，则执行步骤2.4；若为false，则执行步骤2.5；
[0021]
步骤2.4、计算loss函数，并且更新网络的参数；
[0022]
步骤2.5、完成模型训练。
[0023]
步骤3所述的训练好的安全混合预编码的深度学习模型的内容如下：
[0024]
训练好的安全混合预编码的深度学习模型的结构为安全混合预编码的深度学习模型结构中去除loss函数的自定义lambda层的部分。
[0025]
有益效果：与现有的安全混合预编码方法相比，本发明通过在毫米波安全混合预编码领域引入深度学习的方法，利用深度学习网络更加利用并行计算的结构，使得在保证
不错的安全可达速率的同时，能够有效提高算法的计算速度。
附图说明
[0026]
图1是本发明实施例中安全混合波束成形方法的框图；
[0027]
图2是本发明实施例中深度学习安全混合预编码模型图；
[0028]
图3是本发明实施例中安全混合波束成形方法的安全频谱效率图；
[0029]
图4是本发明实施例中安全混合波束成形方法的合法用户与窃听者的频谱效率图。
具体实施方式
[0030]
下面对本发明技术方法进行详细说明，但是本发明的保护范围不局限于所述实施例。
[0031]
本发明提供一种适合毫米波通信系统的安全混合波束成形方法，如图1所示，包括以下步骤：
[0032]
步骤1收集合法用户、窃听用户的信道信息与信噪比信息，建立数据集，并且对于合法用户、窃听用户的信道信息进行输入预处理。
[0033]
发射端配备有一条射频电路与nt根发射天线，合法用户与窃听者各配备有一条射频电路与一根发射天线；采集发射端与合法用户之间的信道信息、采集发射端与窃听用户之间的信道信息和信噪比信息以用于深度学习模型的训练；将采集好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理；
[0034]
其中，步骤1所述的采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息的内容如下：
[0035]
发射端通过不断的实时采集发射端与合法用户之间的信道向量、发射端与窃听用户之间的信道向量与信噪比信息进行存储，以采集具体应用场景环境的信息；或者，在毫米波频段的无线通信场景下，采用s-v模型的窄带集群信道来模拟发射端和接收端之间的传输环境；从发射端到接收端的信道矩阵表示为：其中l代表散射路径数，α
l
表示第l条路径的信道增益，a
l
是第l条路径到接收端的传输控制向量，具体表示为其中是发射端到接收端的第l条路径的离开角。
[0036]
步骤1所述的对发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量进行预处理的内容如下：
[0037]
将发射端与合法用户之间的信道向量hb与发射端与窃听用户之间的信道向量he的实部与虚部分别取出，然后横向拼接合并成一个新的向量，表示为：h
nb
＝[re(hb),im(hb)]与h
ne
＝[re(he),im(he)]，其中re(
·
)，im(
·
)分别表示取实部与虚部，h
nb
与h
ne
是经过预处理后的新向量。
[0038]
步骤2进行对于安全混合预编码深度学习模型的线下训练。
[0039]
将预处理好的发射端与合法用户之间的信道向量与发射端与窃听用户之间的信道向量作为安全混合预编码的深度学习模型的输入，且将合法用户信道信息与窃听者信道
信息与信噪比信息作为loss函数的lambda层的输入，以最大化安全频谱效率为目标，不断的更新模型的参数直到训练完成；
[0040]
其中，步骤2所述的安全混合预编码的深度学习模型如图2所示，具体的内容如下：
[0041]
安全混合预编码的深度学习模型采用多入单出模型架构，h
nb
与h
ne
分别从两个输出层输入，然后分别经过数个dense层后，通过一个concatenate层进行合并，之后再经过数个dense层，再通过两个lambda层；其中dense层的激活函数除了最后一层未设置激活函数，其它全为relu函数。可参考结构如图2所示，层数与节点的设置为两个输入分别经过两个dense层，节点数依次为nt*32与nt*16。然后经过concatenate层进行合并，再经过三个dense层，节点数依次为nt*16、nt*8和nt。
[0042]
第一个lambda层为输出层，输出层的输出是混合预编码的模拟预编码向量f
rf
，其输出的模拟预编码矩阵f
rf
具有恒模约束，具体设置的函数如下所示：f
rf
＝exp(j
×
a)＝cos(a)+j
×
sin(a)，这样输入a无论取值为多少，输出f
rf
矩阵的元素都将满足恒模约束。
[0043]
第二个lambda层进行loss函数的设置，loss函数除了从上一个lambda层输出的模拟预编码向量f
rf
作为输入外，其输入还包括合法用户信道向量hb、窃听者信道向量he和其各自的接收端处的信噪比γb与γe。loss函数具体设置为如下形式：其中n表示训练样本的总数，γ
b,n
,h
b,n
表示与第n个样本相关的合法用户的snr与信道向量，γ
e,n
,h
e,n
表示与第n个样本相关的窃听者的snr与信道向量。f
rfn
表示第n个样本相关的输出的模拟预编码向量。
[0044]
步骤2所述的安全混合预编码的深度学习模型的线下训练步骤如下：
[0045]
步骤2.1、对深度学习模型参数进行初始化，然后将采集到的大量的训练数据集作为输入，训练数据集中的数据包括步骤1中所述的发射端与合法用户之间的信道信息、发射端与窃听用户之间的信道信息和信噪比信息；
[0046]
步骤2.2、设置对整个训练集的数据进行训练的总次数m与当前训练进行到次数m，初始化m＝0；
[0047]
步骤2.3、判断m＜m，若为true，则执行步骤2.4；若为false，则执行步骤2.5；
[0048]
步骤2.4、计算loss函数，并且更新网络的参数；
[0049]
步骤2.5、完成模型训练。
[0050]
步骤3将训练好的安全混合预编码的深度学习模型上线进行运行使用。
[0051]
步骤3所述的训练好的安全混合预编码的深度学习模型的内容如下：
[0052]
训练好的安全混合预编码的深度学习模型的结构为步骤2中所述的安全混合预编码的深度学习模型结构中去除loss函数的lambda层的部分。
[0053]
图3为在不同信噪比下的不同算法安全性能曲线，对比了本发明与bfnn方法在不同信噪比下的安全可达速率，可以看出当信噪比上升，本发明与bfnn算法相比能明显的增强安全可达速率。图4为本发明中合法用户的频谱效率rb与窃听者的频谱效率re曲线，可以发现本发明中随着snr的增大，窃听者的频谱效率re与合法用户的频谱效率rb相比，差距越来越大，使得合法用户进行可靠传输。
[0054]
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对
其在形式上和细节上做出各种变化。