5G-A通感算一体化eSIM安全传输方法与流程

本发明属于通信，尤其涉及一种5g-a通感算一体化esim安全传输方法。

背景技术：

1、esim通信，是一种通过内置在设备中的可编程sim卡，不需要物理插槽，通过软件进行配置的通信技术。在移动通信领域，esim通信技术以及已经得到广泛应用。然而，传统esim技术实现的通信业务，在占用大量功率资源、带宽资源、在较低时延、低安全性的基础上，仅通过完成通信过程的优化完成信息传输业务。

2、显然，上述传统的esim通信模式，带来了三方面的问题：首先，感知、通信、计算资源不能相互协助，仅对各自的资源进行单带分配，带来了资源利用方面的浪费。其次，传统的esim通信模式对于安全方面的设计不足。最后，传统的esim通信考虑时延对通信的影响不足，可靠性和时延都跟不上5g时代的要求。所以，传统的esim信息传输资源分配已经无法满足移动通信领域对安全性、可靠性、有效性、时效性的要求。

技术实现思路

1、本发明旨在解决现有技术或相关技术中存在的技术问题之一，为esim安全数据传输技术带来新的性能提升。提出一种5g-a通感算一体化esim安全传输方法，可以说是一种5g-a基于通感算一体化的超可靠低时延esim安全传输方法，该方法可以利用通感算一体化波束形成技术与人工噪声提高信息保密性，同时结合超可靠低时延技术进行联合分配功率、时频、空间资源，为esim数据传输业务带来安全性、可靠性、有效性、时效性性能的综合提升。

2、本发明实施例提供了如下技术方案：

3、步骤a，构建通感算一体化esim传输系统，表征利用波束形成技术传输的感知信号和通信信号；

4、步骤b，构建通感算一体化的esim安全传输系统，通过加入人工噪声协同波束形成实现安全通信；

5、步骤c，在通感算一体化esim安全传输系统中设计超可靠低时延通信方案，构建超可靠低时延资源分配方案和性能评价指标；

6、步骤d，构建统一资源分配框架，提出通感算一体化超可靠esim安全传输统一优化指标；

7、步骤e，利用深度强化学习方法进行性能优化，实现最佳性能资源分配。

8、其中，步骤a具体包括：

9、a1，定义通感算一体化esim传输系统。基站bs配备nt根发射天线面向esim感知目标服务、配备nr根天线面向esim通信用户服务。

10、a2，s个esim感知目标产生的感知信号通过波束形成发送给基站bs。接收到的感知信号x(t)，表示为：

11、a3，感知信号在传输过程中反射产生回声信号e(t)，表示为：

12、

13、其中，为感知信号的波束形成矩阵，其中wi表示第i个感知用户对应天线的波束形成矢量；为天线增益；α为感知目标信号的反射系数；为感知目标信号的接收转向矢量；为感知目标信号的发射转向矢量；t表示时间；τ为感知目标信号的时延；p为感知目标信号的发射功率；j为虚数单位；f为感知目标信号的频率；为反射信号的高斯白噪声，其中表示反射信号高斯白噪声的方差。

14、a4，感知信号通过esim基站波束形成发送给c个通信目标用户。用户侧接收信号y(t)表示为：

15、

16、其中，p'为通信服务的基站发射功率；f'为通信服务的基站发射频率；为基站波束形成矩阵，其中w'i表示第i个通信用户对应天线的波束形成矢量；为接收用户的高斯白噪声，其中表示接收信号高斯白噪声的方差。

17、其中，步骤b具体包括：

18、b1，基站向esim通信用户传输信号过程中加入人工噪声n(t)辅助波束形成，其中n～cn(0,rn)，rn表示人工噪声的方差。

19、合法用户处接收到的信号为

20、潜在窃听者处接收到的信号为eve(t)＝θαth(θ)[wx(t-τ)+n(t)]+neve(t)，其中为潜在窃听者处的高斯白噪声，其中表示窃听信号高斯白噪声的方差。

21、b2，确定安全传输优化目标，通过优化通过系统最坏情况的保密率实现安全通信。定义合法用户和潜在窃听者之间可达速率之差为保密率：sr＝min(rc-reve)。

22、其中rc为合法用户可实现的传输速率：

23、

24、其中，sinrc表示合法通信信号的信干噪比。ax为合法用户期望接收到的信号：

25、ae为反射干扰信号：an为人工噪声干扰信号：

26、reve为潜在窃听者可实现的传输速率：

27、

28、其中，sinreve表示窃听信号的信干噪比。

29、b3，确定安全传输分配资源实现通感算一体化的esim安全传输。

30、其中安全传输确定分配资源矩阵ws[f,w,t(θ),n(t)]

31、其中，步骤c具体包括：

32、c1，构建超可靠低时延资源分配模型，定义系统n个时频块资源rb，c个资源分配给通信用户(n<c)。超可靠低时延资源分配矩阵为：sc＝{sij|sij∈[0,1],i＝1,2,...,n j＝1,2,...c]}n×c，表示系统rb资源对用户的分配情况，sij＝1表示第i个时频块rb分配给第j个用户，sij＝0则表示第i个时频块rb未分配给第j个用户。

33、c2，根据信道状态和业务的qos需求，定义终端优先级h＝[1,2,...k]，根据通信用户的优先级h、系统传输速率rv，系统时延τ定义第个k通信用户获取时频块rb的分配函数：

34、

35、其中，分别为时延、系统传输速率、终端优先级的权重，且ik为第k个通信用户分配最大时频块rb个数；δk为第k个通信用户分配时频块rb个数；为第k个通信用户i次分配的平均速率；rvmax为系统所有通信用户中最大速率。

36、c3，设置超可靠低时延传输性能指标，为在设定截止时延τth和截止丢包率pth约束下的最大系统吞吐量t。

37、定义系统传输速率矩阵rv＝[rvk,k＝1,2,...,m]n×m表示系统各个通信用户的传输速率，其中rvk表示第k个通信用户的传输速率。由此计算系统吞吐量t：

38、

39、其中，pij为第i个时频资源块与第j个通信用户确定资源分配时的丢包率；sij为第i个时频资源块与第j个通信用户资源分配函数；vij为第i个时频资源块与第j个通信用户确定资源分配时的传输速率。

40、系统经过l次数据传输的平均吞吐量为：

41、

42、其中，为第i个时频资源块与第j个通信用户第l次传输确定资源分配情况时的丢包率；为第i个时频资源块与第j个通信用户第l次传输的资源分配函数；为第i个时频资源块与第j个通信用户第l次传输确定资源分配情况时的传输速率。

43、d1，构建统一资源分配框架，确定资源分配矩阵w＝[p,b,t]，其中p为功率资源分配矩阵，b为带宽资源分配矩阵，t为发射天线空间资源分配矩阵；

44、d2，构建统一性能指标，用l＝α1l1+α2l2+α3l3衡量。

45、其中，α1、α2、α3分别为对应的权重；l1为通信过程中信干噪比sinrc的归一化：l2为通信过程中保密率sr的归一化：l3为通信过程中平均吞吐量的归一化：

46、d3，构建统一性能优化算法，公式化为：

47、其中，步骤e具体包括：

48、e1，构建深度强化学习神经网络模型。

49、1)定义状态空间s：模型需要探测到通信过程中的状态信息。将通信过程中每根天线的功率、每个信道的信道容量、波束形成矢量、人工噪声、发射天线的角度等信息组合成一个向量s作为状态空间。

50、2)定义动作空间a：在给定状态下可以采取的策略。将每根天线的功率分配、时频资源分配、调整波束形成矢量、发射人工噪声等动作表示向量

51、其中，pi表示第i根发射天线分配的功率，bi表示第i根发射天线对应的信道分配的带宽，sij表示第i个时频块rb分配给第j个用户。

52、3)定义奖励函数r：评估在给定状态下采取某个动作的奖励。设计为统一性能指标损失函数的负数：

53、r(s,a)＝-l＝-(α1l1+α2l2+α3l3)

54、其中，r(s,a)表示在状态s下采取动作a的奖励。

55、4)定义策略函数πθ：状态s采取动作a的概率πθ(a|s)：

56、

57、5)定义优势函数衡量当前状态和动作相对于平均水平的优劣程度，用当前状态以及动作的奖励与平均奖励的之差表示：

58、

59、其中，为策略πθ在状态s下的平均奖励值。

60、6)定义截断因子

61、e2，初始化策略函数πθ和奖励函数r。

62、e3，初始化环境状态s，根据策略πθ选择最大化奖励的动作a。

63、e4，执行动作a，并获取环境奖励r和下一个状态s'。

64、e5，使用随机梯度上升算法最大化k+1时刻的目标函数j(θk+1)以更新策略πθk+1，表示为：

65、

66、其中，表示将x截断在中。

67、目标函数为

68、e6，重复上述步骤，直到达到目标函数。

69、e7，训练深度强化学习模型，生成最优统一资源分配策略。

70、与现有技术相比，上述技术方案具有以下优点：

71、本发明利用了通感算一体化波束形成技术与人工噪声提高信息保密性，同时结合超可靠低时延技术进行联合分配功率、时频、空间资源，利用强化学习算法优化综合性能得到最优性能分配方案，为esim数据传输业务带来安全性、可靠性、有效性、时效性性能的综合提升。