一种基于异构图学习的物理层安全通信方法

本发明涉及无线通信，尤其涉及一种基于异构图学习的物理层安全通信方法。

背景技术：

1、由于物理层安全具有较低的计算复杂度和管理开销，其近年来受到了极大的研究兴趣。随着移动通信技术的发展，多天线发射机能够利用定向波束赋形在信息泄漏有限的情况下将信息集中在合法用户的方向上，到目前为止，ssr(sum secure rate，总安全速率)和see(secure energy efficiency，安全能量效率)已经基于cvx(convex optimization，凸优化)优化算法开发了一些物理层安全波束赋形设计。然而，基于cvx优化算法的设计是在迭代框架下进行的，这导致计算效率低下，无法实现实时推理。所以如何优化设计波束赋形生成算法使得保持原有系统效用函数效果的基础上加快运算效率成为亟待解决的关键技术问题。

2、同时，由于深度学习模型能够兼顾高性能和实时计算，深度学习等学习型优化算法已经成为处理无线优化问题的一种新范式。基于全连接多层感知机、卷积神经网络模型的和速率优化算法在近年来多次被提出。然而全连接神经网络的高运算复杂度和浅层卷积神经网络仅包含局部特征的运算都会限制模型的性能。

3、图神经网络是深度学习领域的一个重要分支，它通过模拟复杂关系型数据的处理方式，构建出能够理解和分析图结构数据的深度神经网络模型。这些模型能够充分利用图中节点和边的信息，学习节点和边的表示向量，并在图上进行各种复杂任务，如节点分类、链接预测和图嵌入等。

4、在无线网络领域，图神经网络已经展现出其强大的潜力和使用价值。多用户miso(multiple-input-single-output，多输入单输出)网络中数据传输和交互关系可以被自然地建模为二分图或全连接图，而基于图神经网络的算法可以根据这种图结构学习到用户之间的相互作用关系，从而实现高效、稳定的性能，并且具有优秀的可扩展性和适应性。miso网络中物理层安全问题中涉及到不同类型的用户和不同类型用户相互作用的问题，传统的神经网络可能会忽视这种问题，导致一些性能损失。

5、现有技术中的基于传统凸优化算法的物理层通信方法的缺点包括：计算效率低，难以适配动态变化的无线通信网络；

6、现有技术中的基于深度学习的物理层通信方法的缺点包括：不能够对用户节点进行泛化

7、现有技术中的基于图神经网络的物理层通信方法的缺点包括：未考虑节点的差异性，在不同类型用户(如合法用户和窃听者)之间进行参数共享，导致难以训练。

技术实现思路

1、本发明提供了一种基于异构图学习的物理层安全通信方法，以实现有效地获取miso网络的达到物理层安全的传输方案。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种基于异构图学习的物理层安全通信方法，包括：

4、构建多输入单输出miso网络系统的数学模型，获得所述miso网络系统的网络拓扑数据和信道状态数据；

5、基于miso网络系统的网络拓扑数据和信道状态数据构建异构图神经网络；

6、对所述异构图神经网络进行训练，得到训练好的异构图神经网络，将待处理的miso网络的数据输入到训练好的异构图神经网络中，训练好的异构图神经网络输出待处理的miso网络的达到物理层安全的传输方案。

7、优选地，所述的构建多输入单输出miso网络系统的数学模型，获得所述miso网络系统的网络拓扑数据和信道状态数据，包括：

8、通过数学模型建模miso网络系统场景，获得miso网络系统的网络拓扑数据和信道状态数据，所述网络拓扑数据包括用户数、天线数、窃听者数，miso网络系统场景中的基站用于发射信号，用户用于接收信号，设置miso网络系统场景中包括1个天线数为nt的基站和k个单天线user以及l个单天线eve，sk为基站对第k个user的发送信号，wk为基站对第k个user的相关波束赋形向量，s0、zl为基站对第1个eve的相关波束赋形向量，满足约束第k个user接收到的信号为：

9、

10、其中表示基站和第k个user之间信道状态信息，表示在第k个user处的加性高斯白噪声，第k个user接收到的信息率为：

11、

12、表示全部用户的索引集合

13、第l个eve收到的信号为：

14、

15、其中gl表示基站和第l个eve之间的信道状态信息，表示第l个eve处的加性高斯白噪声；

16、如果第l个eve打算窃听第k个user，则信息泄露率为：

17、

18、第k个user的安全率为：

19、其中{gl}表示信道状态信息。

20、优选地，所述的基于miso网络系统的网络拓扑数据和信道状态数据构建异构图神经网络，包括：

21、设置异构图神经网络模型由输入层、多个图注意力模块gm和一个输出模块0m组成，每个gm由图分割层gpl、全连接层fcl、图注意力机制层gal、语义注意力层sal、激活函数层ac组成，om由两个fcl和一个ac组成；

22、将miso网络系统表示成全连接图，全连接图中结点表示拥有特征hk的基站到合法用户链路或者拥有特征gl的基站到窃听者的链路，全连接图中边表示没有特征的链路间干扰，将全连接图中结点的特征：

23、

24、转换为：

25、

26、其中com表示连接操作，re表示实部，im表示虚部；

27、将所述全连接图作为异构图神经网络模型的输入层；

28、在第s个gm中，第i个节点被表示为其中bs-1表示第s-1个gm的输出节点的特征维度，同时vi，1＝vi，b0＝2nt；

29、每个gm首先经过一次fcl和ac运算，对于第s个gm的第i个结点，fcl和ac对其运算结果为：

30、

31、其中为第s个gm中fcl的可学习权重，f1(·)表示例如leakyrelu(·)的非线性激活函数；

32、gm使用gpl对全连接图进行子图划分，全连接图中有三种边：user-user链路干扰边、user-eve链路干扰边和eve-eve链路干扰边，gpl基于此三种边在保持结点数量不变的情况下将全连接图分割为user-user子图、user-eve链路子图和eve-eve链路子图；

33、gal通过基于注意力机制的消息传递机制更新结点特征，在第s个gm中ds头自注意力机制的作用下，(i，j)结点对的注意力系数表示为：

34、

35、其中表示第d头，d∈1，...，ds，具有ts维度的注意力权重和可学习权重，表示第g个子图中第i个结点的邻居结点集合，g∈1,2,3，在d头注意力机制中第i个结点的特征被表示成：

36、

37、gal聚合第g个子图中第i个结点的特征，将聚合后的结点表示为：

38、

39、sal对每个结点将不同子图中结点特征以注意力机制的方式进行加权求和，第g个子图的注意力系数为：

40、

41、其中和是sal中的可学习权重，us是神经元数量，在sal中通过加权求和和激活函数得到第s个gm的输出：

42、

43、0m将结点特征映射为波束赋形向量或噪声向量，gm输出的第i个结点为：

44、

45、其中是om中的可学习权重，t为om中第一个fcl的神经元数量，表示变形函数；

46、异构图神经网络实现的映射为：

47、

48、优选地，所述的对所述异构图神经网络进行训练，得到训练好的异构图神经网络，包括：

49、步骤1、使用标准信道模型生成异构图神经网络的训练数据集；

50、步骤2、初始化异构图神经网络的参数，并设置批处理大小、学习率、首回训练轮次和神经元丢弃率超参数；

51、步骤3、将训练数据集输入到异构图神经网络，采用无监督训练方法，获得异构图神经网络模型的输出结果

52、步骤4、使用{wk,zl}计算损失函数loss的值，并根据批处理大小取平均值；

53、损失函数为：

54、loss＝-u(rsec,k({ψ(π({hk,gl}))}))

55、ψ(π({hk,gl}))表示{wk,zl}，π({hk,gl})的作用是映射成所需要的维度，ψ(π({hk,gl}))是保证问题的约束满足；

56、步骤5、使用adam优化器更新异构图神经网络模型参数；

57、步骤6、重复步骤3-5，直到达到首回训练轮次；

58、步骤7、重新设置训练轮次，采用步骤6输出的异构图神经网络参数；

59、步骤8、将数据集输入到异构图神经网络，获得模型输出结果

60、步骤9、使用{wk,zl}计算损失函数的值，并根据批处理大小取平均值；

61、步骤10、使用adam优化器交替更新gm和om的模型参数；

62、步骤11、重复步骤8-10，直到达到第二回训练轮次，直到达到设定的训练轮次，得到训练好的异构图神经网络。

63、由上述本发明的实施例提供的技术方案可以看出，本发明方法能够利用异构图神经网络的优势，同时避免了传统方法中运算过慢的问题，从而达到高效的波束赋形。能够在捕获不同类型的用户和不同类型用户相互作用关系作为特征、寻找更优的解，以实现有效地获取miso网络的达到物理层安全的传输方案。

64、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。