CN113472419A

CN113472419A - 一种基于空基可重构智能表面的安全传输方法及系统

Info

Publication number: CN113472419A
Application number: CN202110724337.7A
Authority: CN
Inventors: 唐晓; 江天奇; 王大伟; 翟道森; 张若南
Original assignee: Northwestern Polytechnical University
Current assignee: Northwestern Polytechnical University
Priority date: 2021-06-23
Filing date: 2021-06-29
Publication date: 2021-10-01
Anticipated expiration: 2041-06-29
Also published as: CN113472419B

Abstract

本发明公开了一种基于空基可重构智能表面的安全传输方法及系统，在存在窃听者的情况下，通过部署ARIS来增强地面收发节点间的合法传输。针对合法信道、窃听信道的瞬时信道状态信息，构造了联合优化ARIS波束成形与部署来最大化系统安全传输速率的优化模型。在固定ARIS部署时，通过松弛和半定规划的方法优化ARIS波束成形；通过深度强化学习训练智能体优化ARIS的部署问题，找到ARIS最优位置，从而保证通信系统无线传输的安全性。本发明与传统方法相比，可以针对多变的信道状况实时改变无人机位置；耗费更少的计算资源与时间有效提升安全传输速率。

Description

一种基于空基可重构智能表面的安全传输方法及系统

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于空基可重构智能表面的安全传输方法及系统。

背景技术

由于无线传输介质的广播性和开放性，无线通信很容易被窃听，因此安全通信是目前无线传输系统中一个关键问题。随着计算机技术的高速发展，计算能力相比以往已经有了非常大的提升，传统的保密方法很容易就被破解。而物理层安全技术可以利用无线通信信道的特点来保证信息安全，它因具有高度的保密性而受到广泛关注。

另一方面，近年来出现的可重构智能表面(Reconfigurable IntelligentSurface,RIS)被视为能够提高未来无线通信性能的关键技术。RIS由大量低成本、相位可调的近被动反射元件组成。因此，电磁波的传播变得高度可控，这使得RIS能够在不使用有源源的情况下增强或减轻信号。同时，RIS可以在全双工无源模式下工作，而不会对噪声进行放大，使得其可以有效地发挥作用。因此，RIS在无线领域已有各种应用，如增强无线传输、扩展信号覆盖范围、抗干扰等。

深度强化学习(Deep Reinforcement Learning,DRL)已经被应用于无线传输研究中，例如频谱资源分配。DRL可以使我们在保证良好的通信性能的同时，通过使用训练良好的智能体来显著降低实际实现的复杂性以及所耗的计算资源与时间资源。

现有的大部分关于RIS增强通信安全的研究很多都将RIS固定在一个位置，例如建筑物表面。而对于实际情况来说，一个区域的信道状况可能会随时发生变化，使得固定好的RIS无法很好提升通信性能，信息传输的安全性无法得到很好保证。此外对于针对于RIS部署的优化，大部分研究所得出的方法若运用到实际中会耗费很大的计算资源。

发明内容

本发明的目的在于提供一种基于空基可重构智能表面的安全传输方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于空基可重构智能表面的安全传输方法，包括以下步骤：

构建无线传输系统模型，通过部署ARIS来增强地面合法收发节点间的信息传输，同时抑制地面窃听者的干扰攻击，联合优化ARIS波束成形与ARIS的部署使得安全传输速率达到最大；

根据构建的无线传输系统模型，对无人机与地面源节点、目的节点以及窃听节点间的信道增益进行建模，得到目的节点以及窃听者处接收信号的表达式，计算出瞬时信噪比和安全传输速率；

构造以ARIS波束成形与部署为优化变量，以最大化无线传输系统安全传输速率为目标函数的优化模型；

在固定ARIS部署的条件下，通过松弛和半定规划来求解优化问题，优化ARIS的波束成形最大化安全传输速率；

将ARIS的部署优化问题建模为马尔可夫决策过程，通过深度强化学习来优化ARIS的部署，根据ARIS当前位置的最优波束成形以及神经网络中存储的价值函数和经验回放池，更新ARIS的位置直至最优位置，以最大化系统安全传输速率。

进一步的，构建的无线传输模型由地面源节点S、目的节点D、部署在空中的可重构智能反射面I以及窃听者J组成，I反射来自S发射的信号传递给D达到增强合法传输的效果，通过优化I的波束成形以及部署位置来最大化安全传输速率。

进一步的，在目的节点D以及窃听者J处接收到的信号表达式如下：

其中，s为发射信号，满足

h_SD,h_SJ,h_ID,h_IJ,h_SI表示相对应的信道状态矩阵，n_D和n_J分别为D和J处功率为

的背景高斯噪声,

是ARIS的反射系数矩阵，并且

所述瞬时信噪比的表达式如下：

所述系统安全传输速率表达式如下：

R＝[log(1+γ_D)-log(1+γ_J)]⁺

其中(·)⁺＝max(·,0)。

进一步的，最大化安全传输速率为目标的优化问题的表达式如下：

其中，R为安全传输速率，θ为反射元件的相移，w是ARIS部署的水平位置，全部节点都位于由

定义的区域内，

和

表示在x轴和y轴的刻度。

进一步的，在固定ARIS部署的条件下，优化ARIS波束成形的方法如下：

根据固定ARIS部署的参数，将系统安全传输速率改写为：

R＝log(1+ζTr(ΨH_SID))-log(1+ζTr(ΨH_SIE))

再根据引理“若φ(χ,x)＝log(χ)-χx+1,x＞0，

则得到最优解χ^*＝1/x”，在上述的安全传输速率公式中引入辅助变量χ，则对安全传输速率公式进行如下近似处理：

接着将Ψ作为新的优化变量，通过半定松弛法，忽略其秩为1的约束，则ARIS波束成形的优化模型表述为如下半定规划问题：

-χ(1+ζ_JTr(ΨH_SIJ))+1

s.t.χ＞0,

Ψ≥0,rank(Ψ)＝1,

接着用现有优化求解器，有效求解上述半定规划问题，并对优化结果Ψ进行高斯随机化分解得到v，最后优化的相移向量根据

得出，v的第一个元素总是1。

进一步的，将ARIS部署的优化问题建模为马尔可夫决策过程，具体步骤为：

定义时序

为ARIS移动过程中时间的离散化序列，每一个时隙代理更新其决策；

定义状态空间

表示ARIS的当前状态，其中ARIS部署的范围位于

定义的区域内，将该区域离散为网格状，w_t表示ARIS在t时刻所处的水平位置；

定义动作空间

为ARIS在每一个状态下即将要移动的方向，基于所考虑区域的离散网格化，可选的动作限制于四个方向上的单元移动；

定义奖励

当ARIS采取行动后移动到不同位置后，安全传输速率发生了改变，若ARIS采取的行动使得速率增加，给予智能体积极的奖励，反之亦然，奖励函数表示为：

定义状态转移概率

:状态转移概率由P(s_t+1|s_t,a_t)表示，表示给定当前状态和动作转移到下一个状态的概率。

进一步的，考虑到上述马尔科夫决策过程具有庞大的状态空间，DQN利用神经网络来估计动作值函数可以比传统的Q学习更加有效，通过深度强化学习优化ARIS部署，包括以下步骤：

S5021、设置强化学习参数，包括学习速率α，折扣因子γ，经验回放空间

大小N，批量学习值B，贪心指数ε以及更新速率C；

S5022、用θ表示现实神经网络Q的参数，用θ′表示目标神经网络Q′的参数；初始化经验回访空间

初始化每个神经网络的参数，训练回合数；

S5023、将ARIS部署至初始位置，选择初始的相移

S5024、更新时间t←t+1，根据当前ARIS位置通过步骤S4优化ARIS波束成形；

S5025、智能体观察ARIS当前状态，以ε的概率选择最大化价值函数Q(w_t,a_t；θ)的动作a_t，否则根据动作空间随机选取一个动作，得到瞬时回报奖励后转移到下一状态，即移动到新的位置；将转移矩阵(w_t,a_t,r_t,w_t+1)作为样本存入经验回放空间

S5026、若回放空间存储样本数大于N，进行步骤S5027；否则重复步骤S5025继续收集样本至

S5027、从经验回放空间中随机取样B个样本(w_j,a_j,r_j,w_j+1)，然后通过梯度下降法最小化损失函数L(θ)来更新现实神经网络的参数θ,具体为：

其中目标值Y是通过目标网络Q′生成的：

S5028、间隔C个时序后更新显示神经网络参数θ以及目标神经网络参数θ′，当ARIS到达当前训练回合最优位置时退出当前训练回合；否则回到步骤S5025；

S5029、若各个训练回合得出的ARIS最优部署位置以及最大安全传输速率达到收敛，则退出训练过程；否则进入新的训练回合，回到步骤S5023；

完成训练后，得到ARIS波束成形与部署的最优解，安全传输速率达到最大，从而保证通信系统安全传输。

进一步的，一种基于空基可重构智能表面的安全传输系统，包括：

安全传输系统模块，用于构建无线传输系统模型，通过部署ARIS来增强地面合法收发节点间的信息传输，同时抑制地面窃听者的干扰攻击，目标在于联合优化ARIS波束成形与ARIS的部署使得系统的安全传输速率达到最大；

安全传输速率优化模块，用于对无人机与地面源节点、目的节点以及窃听节点间的信道增益进行建模，得到目的节点以及窃听者处接收信号的表达式，计算出系统的瞬时信噪比和安全传输速率；

ARIS优化模块，用于构造以ARIS波束成形与部署为优化变量，以最大化系统安全传输速率为目标函数的优化模型；

ARIS波束成形优化模块，用于在固定ARIS部署的条件下，通过松弛和半定规划来求解优化问题，优化ARIS的波束成形最大化安全传输速率

ARIS部署优化模块，用于将ARIS的部署优化问题建模为马尔可夫决策过程，通过深度强化学习来优化ARIS的部署，根据ARIS当前位置的最优波束成形以及神经网络中存储的价值函数和经验回放池，更新ARIS的位置直至最优位置，以最大化系统安全传输速率。

将基于空基可重构智能表面的安全传输系统装配至无人机上，将携带着ARIS的无人机部署到目标区域，无人机根据所属区域的网络拓扑关系以及信道情况自行移动到最优位置，协助地面收发节点完成信息的安全传输。

与现有技术相比，本发明有以下技术效果：

本发明提供的一种基于空基可重构智能表面的安全传输系统，在存在窃听者的情况下，通过部署ARIS来增强地面收发节点间的合法传输，优化ARIS的波束成形以及ARIS的部署来最大化系统的安全传输速率以保证通信的安全性能。针对现有技术存在的问题，将RIS部署在无人机上，借用无人机的高机动性可以随时变更ARIS的部署位置以应对信道状况的变化，保证各个时刻地面信息合法传输的安全。此外，本发明通过深度强化学习的方法解决ARIS部署的优化问题，可以有效提升安全传输速率的同时，节省大量的计算资源与时间。

进一步的，本发明所构建的无线传输模型可以有效借用空地间的LoS链路以及ARIS的灵活性而适用于信道环境复杂多变的区域，例如城市中分布密集的建筑群。

进一步的，本发明将目的节点D以及窃听者J处的接收信号的瞬时表达式表示出来可以有效获得该无线传输系统的瞬时信噪比以及安全传输速率，从而在物理层安全的角度保障信息的安全传输。

进一步的，本发明提出的最大化安全传输速率的优化模型是一个非凸的优化问题，很难通过正常的数学方法求解，因此本发明采用交替优化的方式对ARIS部署以及波束成形进行迭代优化，很好地解决了所提出的优化模型。

进一步的，在固定ARIS部署的条件下，可以通过松弛以及半定规划的方法求解ARIS波束成形的优化问题，将其转为一个近似凸问题，从而利用现有数学工具有效地进行求解。

进一步的，对于ARIS部署的优化问题，本发明希望用较短的路程让无人机快速找到最优位置，而对于最优位置不确定以及行动轨迹不确定这种未知环境的情况，可以通过马尔科夫决策过程这种数学模型很好地建模出来。

进一步的，相较于传统的强化学习，本发明所用的深度强化学习可以更好地应对ARIS部署优化这种状态空间过大的情形，通过神经网络可以很好对样本进行分析，从而更有效地训练智能体。

综上所述，本发明提供的一种基于空基可重构智能表面的安全传输系统，可以在信道环境复杂的场景下为合法用户提供可靠的安全传输保障，从物理层角度建模出了最大化安全传输速率的优化模型，并提出了有效的算法交替优化ARIS波束成形以及ARIS部署，其中对于ARIS部署的问题采用了深度强化学习的方法，相较于传统优化方法可以节省大量的计算资源，从而更有效地保障无限传输安全。

附图说明

图1是本发明构建的无线传输系统模型图。

图2是本发明提出的一种基于空基可重构智能表面的安全传输系统的流程图。

图3是本发明深度强化学习参数图；

图4是本发明实施例提供的基于空基可重构智能表面的安全传输系统(没有部署ARIS)在在不同反射元件个数情况下的安全传输速率对比图；

图5是本发明实施例提供的基于空基可重构智能表面的安全传输系统(没有部署ARIS)在窃听者位于不同位置情况下的安全传输速率对比图；

图6是本发明实施例提供的基于空基可重构智能表面的安全传输系统(没有部署ARIS)在在不同传输功率情况下的安全传输速率对比图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

请参阅图1至图5，图1为本发明构建的无线通信系统模型图，其中合法的无线传输中，源节点和目标节点分别表示为S和D。同时存在窃听者，以J表示，意图窃听合法的传输。

节点S、D、J位于地面上，具有二维水平坐标w_Z＝[x_Z,y_z],Z∈{S,D,J}，各节点位于由

定义的区域内，其中，

和

表示在x轴和y轴的刻度。ARIS的部署高度为H，横坐标为w＝[x,y]，用I表示。从几何上看，地面节点间的距离分别为d_SZ＝||w_S-w_Z||,Z∈{D,J}，地面节点和ARIS之间的距离分别为

参阅图2，一种基于空基可重构智能表面的安全传输系统，包括以下步骤：

S1：构建无线传输系统模型，通过部署ARIS来增强地面合法收发节点间的信息传输，同时抑制地面窃听者的干扰攻击，目标在于联合优化ARIS波束成形与ARIS的部署使得系统的安全传输速率达到最大；

S2:根据无线传输模型，对无人机与地面源节点、目的节点以及窃听节点间的信道增益进行建模，得到目的节点以及窃听者处接收信号的表达式，计算出系统的瞬时信噪比和安全传输速率；

具体的，根无人机与地面源节点、目的节点以及窃听节点间的信道增益模型为：

其中，L₀为参考距离为1m时的路径损耗,

是地面无线传输的路径损耗指数，

是空地信道的路径损耗指数,

表示其中的小尺度衰落,d是反射元件之间的间距，λ是波长，φ_SI表示到达角的余弦,φ_IZ表示偏离角的余弦，同时，ARIS由M个反射元素组成。

目的节点D以及窃听者J处接收到的信号表达式如下：

其中，s为发射信号，满足

n_D和n_J分别为D和J处功率为

的背景高斯噪声,

是ARIS的反射系数矩阵，并且

所述瞬时信噪比的表达式如下：

所述系统安全传输速率表达式如下：

R＝[log(1+γ_D)-log(1+γ_J)]⁺

其中(·)⁺＝max(·,0)。

S3：构造以ARIS波束成形与部署为优化变量，以最大化系统安全传输速率为目标函数的优化模型；

具体的，最大化安全传输速率为目标的优化问题的表达式如下：

s.t.

定义的区域内，

和

表示在x轴和y轴的刻度。

S4：在固定ARIS部署的条件下，通过松弛和半定规划来求解优化问题，优化ARIS的波束成形最大化安全传输速率；

具体的，根据固定ARIS部署的参数，将系统安全传输速率改写为：

R＝log(1+ζTr(ΨH_SID))-log(1+ζTr(ΨH_SIE))

再根据引理“若φ(χ,x)＝log(χ)-χx+1,x＞0，

则可以得到最优解χ^*＝1/x”，在上述的安全传输速率公式中引入辅助变量χ，则可以对安全传输速率公式进行如下近似处理：

接着将Ψ作为新的优化变量，通过半定松弛法，忽略其秩为1的约束，则ARIS波束成形的优化模型可以表述为如下半定规划问题：

-χ(1+ζ_JTr(ΨH_SIJ))+1

s.t.χ＞0,

Ψ≥0,rank(Ψ)＝1,

接着通过像CVX的工具箱可以有效求解上述半定规划问题，并对优化结果Ψ进行高斯随机化分解得到v，最后优化的相移向量可以根据

得出，因为v的第一个元素总是1。

S5：将ARIS的部署优化问题建模为马尔可夫决策过程，通过深度强化学习来优化ARIS的部署，根据ARIS当前位置的最优波束成形以及神经网络中存储的价值函数和经验回放池，更新ARIS的位置直至最优位置，以最大化系统安全传输速率，具体包括以下步骤：

S501、将ARIS部署的优化问题建模为马尔可夫决策过程，具体步骤为：

S5011、定义时序

为ARIS移动过程中时间的离散化序列，每一个时隙代理更新其决策。

S5012、定义状态空间

表示ARIS的当前状态，其中ARIS部署的范围位于

定义的区域内，将该区域离散为网格状，w_t表示ARIS在t时刻所处的水平位置。

S5013、定义动作空间

为ARIS在每一个状态下即将要移动的方向，基于所考虑区域的离散网格化，可选的动作限制于四个方向上的单元移动。

S5014、定义奖励

：当ARIS采取行动后移动到不同位置后，安全传输速率发生了改变，由于优化目标在于最大化安全传输速率，若ARIS采取的行动使得速率增加，应当给予智能体积极的奖励，反之亦然，因此奖励函数表示为：

S5015、定义状态转移概率

S502、考虑到上述马尔科夫决策过程具有庞大的状态空间，DQN利用神经网络来估计动作值函数可以比传统的Q学习更加有效，通过深度强化学习优化ARIS部署，包括以下步骤：

大小N，批量学习值B，贪心指数ε以及更新速率C；

S5022、用θ表示现实神经网络Q的参数，用θ′表示目标神经网络Q′的参数。初始化经验回访空间

初始化每个神经网络的参数，训练回合数；

S5023、将ARIS部署至初始位置，选择初始的相移

其中目标值Y是通过目标网络Q′生成的：

S5029、若各个训练回合得出的ARIS最优部署位置以及最大安全传输速率达到收敛，则退出训练过程；否则进入新的训练回合，回到步骤S5023。

本发明再一个实施例中，提供一种基于空基可重构智能表面的安全传输系统，该系统能够用于实现上述基于空基可重构智能表面的安全传输方法，具体的，该基于空基可重构智能表面的安全传输系统包括安全传输系统模块、安全传输速率优化模块、ARIS优化模块、ARIS波束成形优化模块以及ARIS部署优化模块。

其中，安全传输系统模块，用于构建无线传输系统模型，通过部署ARIS来增强地面合法收发节点间的信息传输，同时抑制地面窃听者的干扰攻击，目标在于联合优化ARIS波束成形与ARIS的部署使得系统的安全传输速率达到最大；

ARIS波束成形优化模块，用于在固定ARIS部署的条件下，通过松弛和半定规划来求解优化问题，优化ARIS的波束成形最大化安全传输速率；

ARIS部署优化模块，用于将ARIS的部署优化问题建模为马尔可夫决策过程，通过深度强化学习来优化ARIS的部署，根据ARIS当前位置的最优波束成形以及神经网络中存储的价值函数和经验回放池，更新ARIS的位置直至最优位置，以最大化系统安全传输速率；

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于空基可重构智能表面的安全传输方法的操作，包括：

构建无线传输系统模型，通过部署ARIS来增强地面合法收发节点间的信息传输，同时抑制地面窃听者的干扰攻击，联合优化ARIS波束成形与ARIS的部署使得安全传输速率达到最大；根据构建的无线传输系统模型，对无人机与地面源节点、目的节点以及窃听节点间的信道增益进行建模，得到目的节点以及窃听者处接收信号的表达式，计算出瞬时信噪比和安全传输速率；构造以ARIS波束成形与部署为优化变量，以最大化无线传输系统安全传输速率为目标函数的优化模型；在固定ARIS部署的条件下，通过松弛和半定规划来求解优化问题，优化ARIS的波束成形最大化安全传输速率；将ARIS的部署优化问题建模为马尔可夫决策过程，通过深度强化学习来优化ARIS的部署，根据ARIS当前位置的最优波束成形以及神经网络中存储的价值函数和经验回放池，更新ARIS的位置直至最优位置，以最大化系统安全传输速率。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于空基可重构智能表面的安全传输方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合仿真对本发明的技术效果作详细的描述。

本发明对基于空基可重构智能表面的安全传输系统进行仿真，验证本发明方法的优越性。具体的步骤如下：本发明设定一个400×400(m)的区域，其中合法的发射端、接收端和窃听者在地面的水平位置分别为(0，0)、(400，0)和(0，200)，假设它们都具有单天线。ARIS部署在100米的高度，由50个反射元件组成。ARIS反射元件间距和波长的比值为0.5。参考距离为1m时的路径损耗为20dB。地面信道的路径损耗指数为4.0，而空地信道为2.3。背景噪声功率为-140dBW。合法发射功率为1W。

在图4～6中，显示了在考虑各种因素时系统抑制干扰的性能，同时对比了强化学习方法与传统方法的性能。总的来说，从所有结果来看，有ARIS的情况明显优于没有ARIS的情况。

具体的，图4描绘了在不同ARIS反射元件数量情况下的系统安全传输速率。可以清楚地看到，当反射元件的数量增加时，安全传输速率也随着提高。此外，随着反射元件数量的达到很大时，可以补偿ARIS的不当部署，因为本发明与基于几何中心的部署之间的差异有所减少。

图5展示出了不同窃听者位置情况下。系统的安全传输速率，可以观察到当窃听者远离发射节点时，恶化的窃听信道使得安全传速率显著提高，这种效果随着ARIS上天线反射而进一步增强。

图6描绘了在不同发射情况下的系统安全传输速率。可以发现系统的安全传输速率随着发射功率的增加而增加。此外，比较本发明所用的深度强化学习方法与全局搜索法、地面节点的几何中心和一些随机路径的ARIS部署。可以观察到，本发明的性能接近全局搜索的结果，并优于其他方案。但是性能优越的全局搜索是以计算负担为代价的，因此在实际中难以实现。而本发明提出的方法只需要很少的时间来优化部署而实现优越的性能。更少的时间和计算资源对于动态环境中的安全无线传输尤为重要。因此，本发明提出的安全传输系统通过增强合法传输对无线系统安全性能的益处显而易见。

综上所述，本发明一种基于空基可重构智能表面的安全传输方法及系统，ARIS的部署使得系统安全传输速率有了明显地提升，从而在物理层角度保障了无线传输的安全性；其次对于ARIS部署的优化，相较于传统的优化方法，本发明所采用的深度强化学习方法在有效保障安全性的同时，节省了大量的计算以及时间资源。。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。