[论文解读] Truly Intelligent Reflecting Surface-Aided Secure Communication Using Deep Learning

Yizhuo Song, Muhammad R. A. Khandaker+3 more|arXiv (Cornell University)|Apr 7, 2020

Advanced Wireless Communication Technologies参考文献 14被引用 11

一句话总结

本文提出一种基于深度学习（DL）的框架，用于优化无线网络中物理层安全的智能反射面（IRS），实现低复杂度、实时的保密速率最大化。该方法通过信道状态信息（CSI）训练深度神经网络（DNN），预测最优IRS相位偏移，其性能与计算量庞大的交替优化方法相当，同时显著降低延迟和复杂度。

ABSTRACT

This paper considers machine learning for physical layer security design for communication in a challenging wireless environment. The radio environment is assumed to be programmable with the aid of a meta material-based intelligent reflecting surface (IRS) allowing customisable path loss, multi-path fading and interference effects. In particular, the fine-grained reflections from the IRS elements are exploited to create channel advantage for maximizing the secrecy rate at a legitimate receiver. A deep learning (DL) technique has been developed to tune the reflections of the IRS elements in real-time. Simulation results demonstrate that the DL approach yields comparable performance to the conventional approaches while significantly reducing the computational complexity.

研究动机与目标

• 解决传统迭代优化算法在IRS辅助物理层安全中计算复杂度高的问题。
• 实现实时、低延迟的IRS反射系数优化，以适应动态无线环境。
• 开发一种机器学习方案，避免耗时的矩阵求逆和迭代波束成形设计。
• 证明监督式深度学习可实现接近最优基准算法的性能，同时在实际部署中更具可行性。
• 研究在安全无线通信系统中，使用深度学习进行IRS相位偏移优化的可行性与性能权衡。

提出的方法

• 使用通过交替优化获得的最优相位偏移与信道状态信息（CSI）生成的标签数据，对监督式深度神经网络（DNN）进行训练。
• DNN以复值信道矩阵（如AP到IRS、IRS到用户、IRS到窃听者）作为输入，输出每个IRS单元的最优反射系数。
• 网络架构包含多个全连接隐藏层，激活函数为ReLU，使用随机梯度下降配合Adam优化器进行优化。
• 为防止过拟合，训练过程采用数据增强、早停策略，并通过减少隐藏层数量实现结构正则化。
• 模型在9,000个信道实现上离线训练，并在1,000个未见样本上测试，以评估泛化能力与鲁棒性。
• 性能通过保密速率指标进行评估，将基于深度学习的方法与传统交替优化及基准方案进行比较。

实验结果

研究问题

• RQ1 深度学习模型能否在IRS辅助物理层安全中实现与计算量庞大的交替优化算法相当的保密速率性能？
• RQ2 DNN的泛化性能在多大程度上依赖于训练数据量、网络深度和正则化技术？
• RQ3 与迭代方法相比，深度学习在多大程度上可降低IRS反射系数优化的计算复杂度和延迟？
• RQ4 与最优基准相比，基于深度学习的方法存在哪些性能局限性？导致性能差距的因子有哪些？
• RQ5 数据增强、早停和减少网络深度等过拟合缓解策略，在提升DNN在IRS波束成形中泛化能力方面的有效性如何？

主要发现

• 所提出的深度学习方法实现的保密速率与交替优化基准相当，仅存在微小性能损失。
• 在9,000个训练样本和110个周期的早停策略下，测试损失稳定在8以下，表明泛化能力强且过拟合程度极低。
• 将隐藏层数量从4减少到2，显著抑制了过拟合，提升了模型鲁棒性。
• 基于DNN的解决方案显著降低了计算复杂度，实现了实时IRS反射优化，相较于迭代算法更适用于实际部署。
• DL模型与最优交替优化之间的性能差距，主要归因于训练数据不足，以及监督学习相对于全局最优解的固有次优性。
• 累积分布函数（CDF）和概率密度函数（PDF）结果表明，基于DL的方案在高发射功率（20 dBm）条件下，保密速率分布与最优基准高度一致。