CN109919226A - 一种基于机器学习的不可信中继网络天线选择方法 - Google Patents

Abstract

本发明提供了一种基于机器学习的不可信中继网络天线选择方法，将ML方法引入到不可信中继网络中，实现不可信中继网络发射端的天线选择问题。训练前通过归一化数据集样本提高分类精度，之后采用ML方法对天线选择模型进行训练和测试，包括支持向量机、朴素贝叶斯及k近邻算法，在多天线、不可信中继的应用场景下，选择性能最好的发射端天线，考虑最大化接收信噪比，在发射端采用匹配滤波器预编码，在保证所提天线选择方法性能逼近传统天线选择方法的基础上，进一步减小了复杂度。

Description

一种基于机器学习的不可信中继网络天线选择方法

技术领域

本发明属于无线通信技术领域，涉及到将机器学习方法引入到不可信中继网络发射端的天线选择中，以期获得最大化系统安全速率的同时最小化系统复杂度。

背景技术

近年来，人工智能在图像识别、语言处理、信号处理上显示出了极大优势。目前，也有一些研究把人工智能技术引入到无线通信领域中，比如，实现人工智能与物理层安全关键技术的融合，从而大幅度提升无线通信系统的性能。

当前，将机器学习(Machine Learning,ML)方法引入物理层安全研究也成为无线通信领域的热点。这样做的优点是可以处理大规模数据、节约时间并减少复杂度。现在很多研究都是建立在源节点和目的节点存在直接传输链路的条件下开展研究，而现实应用中由于源节点和目的节点距离较远，需要引入中继网络，实现源节点和目的节点间的中继传输。进一步考虑中继节点本身是不可信的，如何设计有效的可靠安全传输方案变得更为复杂。因此，针对多天线、不可信中继应用场景，开展基于ML的天线选择方案设计，对提升系统可靠安全传输性能有着重要的意义。

文献1“Y.N.Ahmed.A novel determinant based transmit antenna selectiontechnique in single user MIMO systems[C].International Computer EngineeringConference (ICENCO),2017:358-360.”针对单用户MIMO系统，利用次优贪心算法进行天线选择，分析了系统可达容量和安全中断概率。

文献2“J.Dai and M.Chen.A new antenna selection scheme for correlatedMIMO channels[C].International Conference on Future Computer andCommunication,2010:404-407.”针对多天线MIMO系统，采用自组织特征映射(self-organizing feature map)方法利用信道相关度对天线进行分组，并以此完成天线选择，分析了天线选择系统的中断容量和经验累积概率密度(empirical cumulative density)。

文献3“D.He,C.Liu,T.Q.S.Quek,et al.Transmit Antenna Selection in MIMOWiretap Channels:A Machine Learning Approach[J].IEEE Wireless CommunicationsLetters,2018,7(4):634-637.”针对具有窃听者的MIMO(Multiple-Input Multiple-Output)系统，采用ML方法进行发射端的天线选择，研究了已知窃听信道和未知窃听信道状态两种情况下的系统安全速率和安全中断概率。

文献4“J.Joung.Machine Learning-Based Antenna Selection in WirelessCommunications[J],IEEE Communications Letters,2016,20(11):2241-2244.”针对无窃听信道的系统模型，对比了采用ML和传统基于最大最小原则的天线选择方法，分析了系统经验累积概率密度和复杂度。

文献5“N.Gulati and K.R.Dandekar.Learning State Selection forReconfigurable Antennas:A Multi-Armed Bandit Approach[C].IEEE Transactions onAntennas and Propagation,2014,62(3):1027-1038.”针对单用户MIMO系统，引入了强化学习中的K-摇臂赌博机方法，在所有信道状态信息未知的情况下设计了一种自适应天线选择技术，分析了系统的吞吐量。

现有关于物理层安全天线选择的研究都是基于最大最小准则和自组织特征映射的天线选择方法(如文献1，2)、无窃听网络采用ML方法进行天线选择(如文献4)或者在MIMO系统中采用强化学习方法(如文献5)开展天线选择，上述文献均未考虑物理层安全的天线选择。当存在外部窃听节点，可以采用ML帮助实现天线选择(如文献3)。然而，考虑中继网络本身不可信，进而开展基于ML的天线选择，目前未有相关文献研究。

发明内容

为了克服现有技术的不足，本发明提供一种基于ML的发射端天线选择方法，兼顾性能和复杂度，采用的ML算法包括支持向量机(support vector machine,SVM)、朴素贝叶斯(bayes,NB)及k近邻(k-nearest neighbors,k-NN)算法，在多天线、不可信中继的应用场景下，选择性能最好的发射端天线，考虑最大化接收信噪比，在发射端采用匹配滤波器预编码。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一，在包括一个源节点S、一个目的节点D和一个不可信中继R的半双工不可信中继网络中，S、R、D分别配置N_S、1、1根天线，所有信道服从瑞利衰落中；产生一组训练集和一组测试集，都具有M个信道状态信息样本，分别表示为和其中，和分别表示第m个训练样本和测试样本，m∈{1，…，M}；针对第m个训练样本和测试样本进行归一化处理，得到训练样本和测试样本的特征向量和针对第m个训练样本遍历所有的天线组合，计算每一个组合对应的可达安全速率R_s，确定最大安全速率及其对应的天线组合序号

步骤二，基于SVM方法对天线选择模型进行训练，把归一化后的训练集样本和最大安全速率对应的天线组合序号输入模型，模型基于最大分类正确率自动调整并更新参数；

步骤三，使用训练好的模型，以归一化后的测试样本作为输入，输出的天线组合序号记为计算可达安全速率。

所述的训练样本特征向量的第i个元素其中，是的第i个元素；代表期望值操作；测试样本特征向量的第i个元素其中，是的第i个元素。

所述的步骤一中，针对第m个训练样本遍历所有的天线组合，计算每一个组合对应的可达安全速率其中，S、R、D处的传输功率分别为P_S、P_R、P_D，源节点只在N_S根天线中选中N_T根参与传输，|·|和||·||₂表示复数的模值和向量的2范数，为S到R的信道增益；分别是R到D和D到R的复信道增益，引入参数g，

所述的步骤一中，以表示选中的天线组合序号，表示选中天线的组合数，大小为针对第m个训练样本确定最大安全速率及其对应的天线组合序号

所述的步骤二将SVM方法替换为NB或k-NN方法。

本发明的有益效果是：将ML方法引入到不可信中继网络中，实现不可信中继网络发射端的天线选择问题。训练前通过归一化数据集样本提高分类精度，之后采用ML方法对天线选择模型进行训练和测试，在保证所提天线选择方法性能逼近传统天线选择方法的基础上，进一步减小了复杂度。

附图说明

图1是半双工双向传输中继网络通信模型图；

图2是在N_S＝6时，利用传统天线方法和ML方法(SVM，NB，k-NN)选择一根天线和两根天线时，不同信噪比(Signal to Noise Ratio,SNR)条件下的安全速率比较；

图3是在N_S＝6，给定目标安全速率R_t＝2bps/Hz时，利用传统天线方法和ML方法(SVM，NB，k-NN)选择一根天线和两根天线时，不同SNR条件下的安全中断概率比较；

图4是通过网络图直观展示了3种ML方法在单天线选择时的错误分类性能，即通过错误分类率表示。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明采用的半双工不可信中继网络模型包括一个源节点S、一个目的节点D和一个不可信中继R。S、R、D分别配置N_S、1、1根天线。假设所有信道服从瑞利衰落。

定义为S到R的信道增益；分别是R到D和D到R的复信道增益。考虑信道的互易性，我们有为了方便推导和叙述，引入参数g，且有

考虑到无线通信系统中射频链路成本很高，源节点只在N_S根天线中选中N_T根参与传输。我们假设N_S根天线被标记为1，2，…，N_S，且N_T根天线用来索引。这里对于j＝1，…，N_T有s_j∈[1，N_S]。因此，从S到R的实际信道增益可以被写为为了最大化中继接收的信噪比，因此在源节点采用匹配滤波器预编码设计。在这种情况下，S的传输预编码向量是

由于中继是不可信的，我们采用目的节点协作干扰技术并且把信息传输分为两个时隙。第一个时隙中，S对保密信号x_S进行预编码，之后发送预编码后的信号p_MFx_S给R，同时D在同一频段内传输协作干扰信号x_J给R。第二个时隙中，中继R再次把接收的信号利用放大因子β(这里假设β＝1)转发放大后传送给目的节点D。

不可信中继系统的可达安全速率可计算为

其中，S、R、D处的传输功率分别为P_S、P_R、P_D，|·|和||·||₂表示复数的模值和向量的2范数。考虑当我们选择一根天线时，用信道h_s去执行传输，因此可以再次定义为|h_s|²。本系统采用可达安全速率作为关键性能指标(Key Performanceindicator,KPI)。

该天线选择问题的目标是找到具有安全速率最大的天线或天线组合，因此，优化问题可以通过下式得出

其中，n^*表示选中的天线组合序号；表示选中天线的组合数，大小为

本发明包括以下步骤：

步骤一：输入数据的预处理

在该不可信中继网络中，产生一组训练集和一组测试集，都具有M个信道状态信息样本，可以分别表示为和其中，和分别表示第m个训练样本和测试样本，m∈{1，…，M}，上标p和q分别对应训练集和测试集。然后，为了提高分类精度，针对第m个训练样本和测试样本和进行归一化处理后得到训练样本和测试样本的特征向量分别为和

训练样本特征向量的第i个元素可以通过下式得到：

其中，是的第i个元素；代表期望值操作。

测试样本特征向量的第i个元素可以通过下式得到：

其中，是的第i个元素。

针对第m个训练样本遍历所有的天线组合(即中所有的天线组合)，根据公式(1)计算每一个组合对应的可达安全速率R_s，根据公式(2)确定最大安全速率及其对应的天线组合序号，记为

步骤二：ML模型训练

我们基于SVM方法对天线选择模型进行训练。SVM模型采用OVR(one-vs.-rest)多分类算法，和RBF(Radial Basis Function)核函数。之后，把归一化后的训练集样本和最大安全速率对应的天线组合序号输入模型，m∈{1，…，M}，模型将基于最大分类正确率。自动调整并更新参数。

步骤三：基于ML的天线选择方法测试

使用训练好的模型，以归一化后的测试样本作为输入，输出的天线组合序号记为并代入公式(1)中计算可达安全速率。

基于上述步骤二和三，我们还可以基于NB和k-NN对天线选择模型进行训练和预测，产生的性能也不尽相同。下面将在实施例中给出相关分析。

本发明的实施例提供一种基于机器学习方法(支持向量机(support vectormachine,SVM)，朴素贝叶斯(bayes,NB)及k近邻(k-nearest neighbors,k-NN)算法)的发射端天线选择方案，兼顾性能和复杂度。在多天线、不可信中继的应用场景下，选择性能最好的发射端天线，并在发射端采用匹配滤波器预编码方案，进而提高系统的可靠性。

本发明采用的半双工不可信中继网络模型包括一个源节点S、一个目的节点D和一个不可信的放大转发中继R。S、R、D分别配置N_S、1、1根天线。另外，所有信道服从瑞利衰落。

定义为S到R的信道增益；分别是R到D和D到R的信道增益。考虑信道的互易性，我们有为了简便表达，我们让g_R-D＝g。

考虑到无线通信系统中射频链路成本很高，源节点只在N_S根天线中选中N_T根参与传输。我们假设N_S根天线被标记为1，2，…，N_S，且N_T根天线用来索引。这里对于j＝1，…，N_T有s_j∈[1，N_S]。因此，从S到R的实际信道可以被写为为了最大化中继接收的信噪比，因此在源节点采用匹配滤波器预编码设计。在这种情况下，S的传输预编码向量是令x_S、x_J分别代表具有单位能量S处的传输信号和D处的协作干扰信号，也就是说 代表期望值操作。

由于中继是不可信的，本发明采用目的节点协作干扰技术并且把信息传输分为两个时隙。

第一个时隙中，S发送预编码信号p_MFx_S给R，同时D在同一频段内传输协作干扰信号x_J给R，中继R收的信号y_R可以表示为

其中，P_S和P_D分别是S和D的传输功率，n_R是R接收的高斯白噪声信号，服从分布。本发明假设第一时隙R和第二个时隙D接收的高斯白噪声都有着单位功率频谱密度，即N₀＝1。因此，不同节点处的SNR可以通过传输功率调整。由公式(5)的第二项中具有协作干扰信号可知，中继R对x_s的干扰会减退。

从公式(5)中可看出，R处接收的瞬时信干噪比可表示为

第二个时隙中，中继R再次把接收的信号转发放大后(转发放大因子β＝1)传送给目的节点D。D从不可信中继R处接收的信号为

其中，R处的传输功率为P_R，n_D是D处接收的加性高斯白噪声，服从分布。

因为公式(7)的第二项是由D本身传输的，假设D具有全局的信道状态信息，D可以利用自干扰消除技术这个干扰。最终，D处接收的信号可写为

从公式(8)中可得，D处接收的瞬时信干噪比可以表示为

基于不可信中继系统的物理层安全中，可实现的安全速率可表示为

R_s＝[log₂(1+γ_D)-log₂(1+γ_R)]⁺， (10)

这里，[·]⁺＝max(·，0)。

当选择两根天线时，通过公式(6)和公式(9)我们可以把公式(10)中的安全速率写为

考虑当我们选择第s根天线时，用信道h_s去执行传输，可以再次定义为|h_s|²。因此，当仅选择一根天线时，公式(11)中可实现的安全速率表示为

该天线选择问题的目标是找到具有安全速率最大的天线或天线组合，因此，优化问题可以通过下式得出

其中，n^*表示选中的天线或天线组合；表示选中天线的组合数，大小为

本发明包括以下步骤：

步骤一：输入数据的预处理

在该不可信中继网络中，产生一组训练集和一组测试集，都具有M个信道状态信息样本，可以分别表示为和其中，和和分别表示第m个训练样本和测试样本，m∈{1，…，M}，上标p和q分别对应训练集和测试集。然后，为了提高分类精度，针对第m个训练样本和测试样本和进行归一化处理后得到训练样本和测试样本的特征向量分别为和

训练样本特征向量的第i个元素可以通过下式得到：

其中，是的第i个元素；代表期望值。

测试样本特征向量的第i个元素可以通过下式得到：

其中，是的第i个元素。

针对第m个训练样本遍历所有的天线组合(即中所有的天线组合)，根据公式(1)计算每一个组合对应的可达安全速率R_s，根据公式(13)确定最大安全速率对应的天线组合序号，记为

步骤二：ML模型训练

基于SVM方法对天线选择模型进行训练。SVM模型采用OVR(one-vs.-rest)多分类算法，和RBF(Radial Basis Function)核函数。我们对核函数的两个重要参数进行设置即惩罚系数C和RBF的幅度γ。C从{0.01,0.1,0.5,0.95,1,1.05,1.1,1.3,1.5,2,3,5,10,11,13,15}选取，γ从{0.0001,0.001,0.002,0.005,0.01,0.012,0.015,0.018,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45}选取。之后，把归一化后的训练集样本和训练集中最大安全速率对应的天线组合序号输入模型，m∈{1，…，M}，从而获得不同参数配比的分类效果。基于最好的分类正确率，通过GridSearch网格调参手段进行参数的自动调整及更新。最终，参数确定为C＝10，γ＝0.01。

基于上述步骤二和三，我们也基于NB和k-NN方法对天线选择模型进行了训练和预测，产生的性能也不尽相同。

步骤三：基于ML的天线选择方法测试

使用训练好的模型，以归一化后的测试样本作为输入，输出的天线组合序号记为并代入公式(11)中计算可达安全速率。此外，本发明也引入了安全中断概率(secrecy outage probability,SOP)评估系统性能。SOP可以由公式(16)定义得到

其中，是概率操作，R_t是目标安全速率，R_s表示可达安全速率。公式(16)表示R_s＜R_t发生的概率。

本发明比较了传统方法和基于ML天线选择方法的复杂度。令N＝N_S+1。SVM，NB，k-NN和传统方法的复杂度分别是 我们可以清晰的看出ML方法的复杂度低于传统方法，因为传统的天线选择方法需要进行全局遍历。然而，基于ML的方法只依赖于预测阶段而不是训练阶段的复杂度，这是因为模型训练在线下已完成。

本发明的效果可通过以下仿真进一步说明。

在实施例中，本发明对所提出的天线选择算法进行了数值仿真和比较。所有的仿真均使用衰落信道模型进行200,000次独立试验。源节点S配置N_S＝6根天线，N_T＝1或N_T＝2根天线被选中参与通信传输。为了简便，传输保密信号、干扰信号的功率相同，即P_S＝P_D。

图2比较了不同SNR、选择一根天线和两根天线条件下，不同天线选择方法可达安全速率。基于ML的天线选择方案考虑SVM、NB、k-NN三种算法，传统方法基于优化问题(2)采用遍历搜索的方法。随着SNR的增加，所有方法的可达安全速率也在上升。而且，基于ML的天线选择方法与传统方案实现了几乎相同的安全速率。

图3比较了不同SNR、选择一根天线和两根条件下，不同天线选择方法安全中断概率。基于ML的天线选择方案考虑SVM、NB、k-NN三种算法，传统方法基于优化问题(2)采用遍历搜索的方法。随着SNR的增加，所有方法的SOP也在下降。而且，基于ML的天线选择方法与传统的方案有几乎相同的安全速率。

结合图2、3可以看出，选择一根天线传输比选择两根天线进行传输的安全速率大。这是因为单天线传输时，源节点S仅选择最佳的信道进行信息传输。而选择两根天线传输时，源节点一半的功率用在选择次佳的信道进行传输，该信道比最佳信道的增益小。另外，我们可以发现SVM在这三种ML方法中实现了最好的系统安全速率，因为SVM是决策性分类函数，它采用了高维空间的核函数避开高维空间的复杂性。通过支持向量建立超平面，剔除大量冗余样本，具有较好的鲁棒性。

图4通过网络图直观展示了3种ML方法在单天线选择时的错误分类性能，即通过错误分类率表示。该图通过多边形每个角的表示了最佳天线组合序号为l误判为的概率。我们可以清晰的看出这3种ML方法中SVM的分类性能最好，k-NN的方法最差。

针对多天线不可信中继网络的安全传输应用场景，运用SVM，NB，k-NN等3种机器学习方法进行天线选择，在保证系统性能的同时也减小了复杂度。

Claims (5)

1.一种基于机器学习的不可信中继网络天线选择方法，其特征在于包括以下步骤：

步骤一，在包括一个源节点S、一个目的节点D和一个不可信中继R的半双工不可信中继网络中，S、R、D分别配置N_S、1、1根天线，所有信道服从瑞利衰落中；产生一组训练集和一组测试集，都具有M个信道状态信息样本，分别表示为和其中，和分别表示第m个训练样本和测试样本，m∈{1，…，M}；针对第m个训练样本和测试样本进行归一化处理，得到训练样本和测试样本的特征向量和针对第m个训练样本遍历所有的天线组合，计算每一个组合对应的可达安全速率R_s，确定最大安全速率及其对应的天线组合序号

步骤二，基于SVM方法对天线选择模型进行训练，把归一化后的训练集样本和最大安全速率对应的天线组合序号输入模型，模型基于最大分类正确率自动调整并更新参数；

步骤三，使用训练好的模型，以归一化后的测试样本作为输入，输出的天线组合序号记为计算可达安全速率。

2.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的训练样本特征向量的第i个元素其中，是的第i个元素；代表期望值操作；测试样本特征向量的第i个元素其中，是的第i个元素。

3.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的步骤一中，针对第m个训练样本遍历所有的天线组合，计算每一个组合对应的可达安全速率其中，S、R、D处的传输功率分别为P_S、P_R、P_D，源节点只在N_S根天线中选中N_T根参与传输，|·|和||·||₂表示复数的模值和向量的2范数，为S到R的信道增益；分别是R到D和D到R的复信道增益，引入参数g，

4.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的步骤一中，以R_s表示选中的天线组合序号，表示选中天线的组合数，大小为针对第m个训练样本确定最大安全速率及其对应的天线组合序号

5.根据权利要求1所述的基于机器学习的不可信中继网络天线选择方法，其特征在于：所述的步骤二将SVM方法替换为NB或k-NN方法。