CN113766492A - 一种安全Massive MIMO网络资源配置方法 - Google Patents

一种安全Massive MIMO网络资源配置方法 Download PDF

Info

Publication number
CN113766492A
CN113766492A CN202111050667.9A CN202111050667A CN113766492A CN 113766492 A CN113766492 A CN 113766492A CN 202111050667 A CN202111050667 A CN 202111050667A CN 113766492 A CN113766492 A CN 113766492A
Authority
CN
China
Prior art keywords
quantum
bald
bald eagle
fitness
eagle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111050667.9A
Other languages
English (en)
Other versions
CN113766492B (zh
Inventor
苏雨萌
高洪元
张世铂
陈梦晗
杜亚男
周晓琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111050667.9A priority Critical patent/CN113766492B/zh
Publication of CN113766492A publication Critical patent/CN113766492A/zh
Application granted granted Critical
Publication of CN113766492B publication Critical patent/CN113766492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种安全Massive MIMO网络资源配置方法，建立通信系统模型；初始化量子秃鹰群，经映射规则得到量子秃鹰的位置并计算适应度，选出全局最优量子位置；根据搜索演化规则更新量子秃鹰群量子位置；通过盘旋演化对量子秃鹰群量子位置进行更新；根据俯冲规则更新量子秃鹰群量子位置，经映射规则得到更新后量子秃鹰位置并计算适应度，更新量子秃鹰群全局最优量子位置；如果迭代次数小于最大迭代次数，返回步骤三；否则，迭代终止，输出量子秃鹰群全局最优量子位置，根据映射规则得到位置并得到网络资源配置方案。本发明提高系统的资源利用率，极大地提升Massive MIMO系统的保密容量。

Description

一种安全Massive MIMO网络资源配置方法
技术领域
本发明涉及一种安全Massive MIMO网络资源配置方法，特别是一种基于智能反射面的安全Massive MIMO网络资源配置方法，属于Massive MIMO安全通信技术领域。
背景技术
Massive MIMO技术能够服务于大流量、高可靠、低延迟的数据传输场景，是实现未来万物互联6G通信的重要途径。但随着无线通信技术的不断发展，大量智能设备的接入给通信系统带来了运营成本高、能耗过大和网络覆盖不均等问题。智能反射面(IntelligentReflecting Surface,IRS)作为一种新兴的协作通信方式，可以自适应调整入射信号的相移来改变反射传输增益，显著减少传统放大转发和译码转发中继协作方式的能量消耗，有效改善通信网络边缘用户体验，提高Massive MIMO系统容量和传输效率，对提升MassiveMIMO系统的整体性能具有重要的意义。
智能反射面由大量低成本的无源反射元件构成，具有可扩展性强和低能耗等优势，近年来，智能反射面技术在不同场景的应用受到了越来越多的关注。针对基于智能反射面的Massive MIMO通信场景，Boyu Ning等在《IEEE Transactions on VehicularTechnology》(2021,vol.70,no.2,pp.1376-1393)上发表的“Terahertz Multi-UserMassive MIMO With Intelligent Reflecting Surface:Beam Training and HybridBeamforming”提出一种波束训练的信道估计方法，并针对系统容量进行了分析，但未涉及智能反射面Massive MIMO网络的资源配置管理，容易造成资源浪费。Shuowen Zhang等在《IEEE Journal on Selected Areas in Communications》(2020,vol.38,no.8,pp.1823-1838)上发表的“Capacity Characterization for Intelligent Reflecting SurfaceAided MIMO Communication”提出了一种交替优化机制来提升智能反射面MIMO系统的容量，但这种机制是在智能反射面的反射系数固定或传输协方差矩阵固定场景下对系统的资源配置，限制了智能反射面的性能，且未能最大化系统的保密容量，针对无线信道的开放性和共享性，存在易被其他恶意设备攻击和窃听的风险，其网络用户的信息安全传输具有较大的提升空间。
目前关于基于智能反射面安全Massive MIMO通信网络的研究尚处于起步阶段，相关文献较少，通过与现有文献检索对比尚未发现与本发明相同的安全Massive MIMO网络资源配置方法。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种安全Massive MIMO网络资源配置方法，通过量子秃鹰搜索(Quantum Bald Eagle Search,QBES)机制，实现对Massive MIMO通信系统多种资源的智能联合配置，提高系统的资源利用率，极大地提升Massive MIMO系统的保密容量。
为解决上述技术问题，本发明的一种安全Massive MIMO网络资源配置方法，包括以下步骤：
步骤一，建立基于智能反射面的安全Massive MIMO通信系统模型；
步骤二，初始化量子秃鹰群，经映射规则得到量子秃鹰的位置并计算适应度，通过比较适应度大小选出全局最优量子位置；
步骤三，根据搜索演化规则更新量子秃鹰群的量子位置；
步骤四，通过盘旋演化，对量子秃鹰群的量子位置进行更新；
步骤五，根据俯冲规则更新量子秃鹰群的量子位置，经映射规则得到更新后量子秃鹰的位置并计算适应度，更新量子秃鹰群的全局最优量子位置；
步骤六，如果迭代次数小于预先设定的最大迭代次数，令t＝t+1，返回步骤三；否则，迭代终止，输出量子秃鹰群的全局最优量子位置，根据映射规则得到位置，进而得到基于智能反射面的安全Massive MIMO网络资源配置方案。
本发明还包括：
1.步骤一中建立基于智能反射面的安全Massive MIMO通信系统模型具体为：
所述通信系统包含一个配置M根天线的基站、N根天线的接收端、单天线窃听器、中心控制器和包含L个反射元的智能反射面，中心控制器实时调整每个反射元的相移，所述相移决策结果构成了智能反射面的相移矩阵Φ：
Figure BDA0003252836910000021
其中diag{.}表示对角矩阵，
Figure BDA0003252836910000022
θi表示第i个反射元的相移控制角，i＝1,2,...,L，η为反射系数，智能反射面中所有反射元的相移控制角矩阵可以表示为θ＝[θ1,θ2,...,θL]；
Figure BDA0003252836910000023
Figure BDA0003252836910000024
分别表示基站到接收端的信道状态信息、基站到智能反射面的信道状态信息、智能反射面到接收端的信道状态信息，
Figure BDA0003252836910000025
和
Figure BDA0003252836910000026
表示基站到窃听器的信道状态信息和智能反射面到窃听器的信道状态信息；
定义
Figure BDA0003252836910000027
为基站传输功率的对角矩阵，其中pm表示基站第m根天线的传输功率，m＝1,2,...,M。用
Figure BDA0003252836910000031
表示基站发送的单位能量信号，经过智能反射面协作传输后，接收端收到的信号为
Figure BDA0003252836910000032
yrec＝(GBS_rec+GIR_rec·Φ·GBS_IR)·P·x+GIR_rec·Φ·nIRS+n′rec，其中
Figure BDA0003252836910000033
和
Figure BDA0003252836910000034
分别表示智能反射面和接收端处的复高斯白噪声；窃听器接收到的信号为
Figure BDA0003252836910000035
其中
Figure BDA0003252836910000036
表示窃听器处的高斯白噪声；在智能反射面协作通信的场景下，接收端的信息传输速率为：
Figure BDA0003252836910000037
其中，det(.)表示求矩阵行列式的值，ΙN表示N×N维单位矩阵，(.)H表示共轭转置，
Figure BDA0003252836910000038
w1和w2分别表示智能反射面和接收端处的噪声功率；
窃听器泄露信息的速率为：
Figure BDA0003252836910000039
其中
Figure BDA00032528369100000310
w3表示窃听器处的噪声功率，安全Massive MIMO系统的保密容量为
Figure BDA00032528369100000311
其中
Figure BDA00032528369100000312
max{.}表示取最大值函数；
针对基于智能反射面的安全Massive MIMO通信系统，提出以保密容量最大化为优化目标的网络资源配置问题为
Figure BDA00032528369100000313
约束条件为：0≤θi＜2π，i＝1,2,...,L，0＜pm≤pmax，m＝1,2,...,M，其中pmax表示每根基站天线允许发射的最大功率。
2.步骤二中初始化量子秃鹰群，经映射规则得到量子秃鹰的位置并计算适应度，通过比较适应度大小选出全局最优量子位置具体为：
设定量子秃鹰群由K只量子秃鹰组成，每只量子秃鹰的搜索空间维数为D，表示待求解问题的维数；第t代第k只量子秃鹰的量子位置表示为
Figure BDA00032528369100000314
其中
Figure BDA00032528369100000315
Figure BDA00032528369100000316
根据映射规则得到第k只量子秃鹰的位置
Figure BDA00032528369100000317
具体规则为：
Figure BDA00032528369100000318
其中
Figure BDA00032528369100000319
和
Figure BDA00032528369100000320
表示量子秃鹰第d维搜索区间的上界和下界；每一只量子秃鹰的位置对应一种基于智能反射面安全Massive MIMO网络的资源配置方案；通过适应度函数
Figure BDA00032528369100000321
计算第t代第k只量子秃鹰位置的适应度，同时其值也代表相应第t代第k只量子秃鹰量子位置的适应度；将直到第t次迭代为止适应度最大的量子秃鹰的量子位置记为全局最优量子位置
Figure BDA0003252836910000041
3.步骤三中根据搜索演化规则更新量子秃鹰群的量子位置具体为：
定义量子秃鹰群中适应度较好的前δ·K只量子秃鹰为优秀个体，δ表示优秀个体所占比率，
Figure BDA0003252836910000042
为优秀个体的平均量子位置，搜索阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure BDA0003252836910000043
和
Figure BDA0003252836910000044
其中e1和e2为影响因子，表示在搜索阶段优秀个体和全局最优量子位置对量子旋转角的影响程度，
Figure BDA0003252836910000045
和
Figure BDA0003252836910000046
为服从标准正态分布的随机数，abs(.)表示取绝对值；通过映射规则得到更新后量子秃鹰的位置，然后计算量子秃鹰的适应度；通过比较第k只量子秃鹰在搜索阶段更新前的量子位置
Figure BDA0003252836910000047
与搜索阶段更新后的量子位置
Figure BDA0003252836910000048
适应度大小，若
Figure BDA0003252836910000049
的适应度大于
Figure BDA00032528369100000410
的适应度，则
Figure BDA00032528369100000411
否则
Figure BDA00032528369100000412
保持不变，k＝1,2,...,K；选择搜索阶段更新后具有最大适应度的量子位置为量子秃鹰群搜索阶段后的全局最优量子位置
Figure BDA00032528369100000413
搜索阶段完成后，前δ·K只优秀个体的平均量子位置记为
Figure BDA00032528369100000414
4.步骤四中通过盘旋演化，对量子秃鹰群的量子位置进行更新具体为：
在种群盘旋阶段，量子秃鹰群在选择的搜索区间内螺旋飞行来搜索猎物，盘旋阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure BDA00032528369100000415
和
Figure BDA00032528369100000416
其中e3和e4为影响因子；
Figure BDA00032528369100000417
表示第k只量子秃鹰的相邻个体编号；
Figure BDA00032528369100000418
Figure BDA00032528369100000419
为[0,2π]间的均匀随机数，
Figure BDA00032528369100000420
Δ为控制因子，
Figure BDA00032528369100000421
为[0,1]间的均匀随机数；根据映射规则更新量子秃鹰的位置并计算适应度；通过比较第k只量子秃鹰在盘旋演化更新前的量子位置
Figure BDA00032528369100000422
与更新后量子位置
Figure BDA00032528369100000423
的适应度大小，若
Figure BDA00032528369100000424
的适应度大于
Figure BDA00032528369100000425
的适应度，则
Figure BDA00032528369100000426
否则
Figure BDA00032528369100000427
保持不变，k＝1,2,...,K；选择盘旋演化阶段更新后具有最大适应度的量子位置为量子秃鹰群盘旋阶段后的全局最优量子位置
Figure BDA0003252836910000051
盘旋演化阶段更新后前δ·K只优秀个体的平均量子位置记为
Figure BDA0003252836910000052
5.步骤五中根据俯冲规则更新量子秃鹰群的量子位置，经映射规则得到更新后量子秃鹰的位置并计算适应度，更新量子秃鹰群的全局最优量子位置具体为：
在种群俯冲阶段，量子秃鹰根据搜索和盘旋阶段的信息快速俯冲飞向目标猎物，俯冲阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure BDA0003252836910000053
和
Figure BDA0003252836910000054
其中e5和e6为影响因子，表示在俯冲阶段优秀个体和全局最优量子位置对量子旋转角的影响程度；
Figure BDA0003252836910000055
Figure BDA0003252836910000056
为[0,2π]间的均匀随机数，
Figure BDA0003252836910000057
根据映射规则，得到更新后量子秃鹰的位置
Figure BDA0003252836910000058
并计算适应度，若俯冲更新后量子秃鹰的量子位置
Figure BDA0003252836910000059
的适应度大于俯冲更新前的量子位置
Figure BDA00032528369100000510
的适应度，则
Figure BDA00032528369100000511
不变；否则令
Figure BDA00032528369100000512
根据俯冲阶段更新后具有最大适应度的量子位置为量子秃鹰群俯冲阶段后的全局最优量子位置
Figure BDA00032528369100000513
俯冲阶段更新后前δ·K只优秀个体的平均量子位置记为
Figure BDA00032528369100000514
与现有技术相比，本发明的有益效果是：
(1)针对现有智能反射面安全Massive MIMO通信系统存在的不足，本发明设计的网络资源配置方法能够实现Massive MIMO通信系统多种资源的智能联合配置，可以在提高接收机传输速率的同时降低窃听器对有用信息的截获能力，减少信息泄露，显著提升Massive MIMO系统的传输可靠性和保密性。
(2)本发明能够有效解决基于智能反射面的安全Massive MIMO通信系统基站天线的传输功率分配和反射元的相移控制等难题，通过量子秃鹰搜索机制来自适应实现网络资源的智能配置，可以极大地节省硬件资源，进而提高系统的资源利用率，从而提升MassiveMIMO系统的整体服务质量。
(3)本发明设计的量子秃鹰搜索机制有机融合了量子演化的思想，通过多种不同的量子演进策略，提高了种群多样性，具有收敛性能好、全局搜索能力强的优势，克服了传统的秃鹰搜索机制易陷入局部收敛的问题，为求解其他复杂的工程问题提供了新思路，具有良好的推广性。
附图说明
图1为基于量子秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法示意图。
图2为基于量子秃鹰搜索机制与秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的保密容量随迭代次数变化的曲线。
图3为基于量子秃鹰搜索机制与秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的保密容量随基站天线允许发射的最大功率变化的曲线。
图4为基于量子秃鹰搜索机制与秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的保密容量随智能反射元数目变化的曲线。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步说明。
结合图1，本发明设计的基于量子秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法包括以下步骤：
步骤一，建立基于智能反射面的安全Massive MIMO通信系统模型
考虑一个基于智能反射面的安全Massive MIMO通信系统，包含一个配置M根天线的基站、N根天线的接收端、单天线窃听器、中心控制器和包含L个反射元的智能反射面，中心控制器可以实时调整智能反射面中每个反射元的相移，这些相移决策结果构成了智能反射面的相移矩阵Φ，具体表示为
Figure BDA0003252836910000061
其中diag{.}表示对角矩阵，
Figure BDA0003252836910000062
θi表示第i个反射元的相移控制角，i＝1,2,...,L，η为反射系数，智能反射面中所有反射元的相移控制角矩阵可以表示为θ＝[θ1,θ2,...,θL]。
Figure BDA0003252836910000063
分别表示基站到接收端的信道状态信息、基站到智能反射面的信道状态信息、智能反射面到接收端的信道状态信息，
Figure BDA0003252836910000064
和
Figure BDA0003252836910000065
表示基站到窃听器的信道状态信息和智能反射面到窃听器的信道状态信息。
定义
Figure BDA0003252836910000066
为基站传输功率的对角矩阵，其中pm表示基站第m根天线的传输功率，m＝1,2,...,M。用
Figure BDA0003252836910000067
表示基站发送的单位能量信号，经过智能反射面协作传输后，接收端收到的信号为
Figure BDA0003252836910000068
yrec＝(GBS_rec+GIR_rec·Φ·GBS_IR)·P·x+GIR_rec·Φ·nIRS+n′rec，其中
Figure BDA0003252836910000069
和
Figure BDA00032528369100000610
分别表示智能反射面和接收端处的复高斯白噪声。窃听器接收到的信号为
Figure BDA0003252836910000071
其中
Figure BDA0003252836910000072
表示窃听器处的高斯白噪声。在智能反射面协作通信的场景下，接收端的信息传输速率为：
Figure BDA0003252836910000073
其中，det(.)表示求矩阵行列式的值，ΙN表示N×N维单位矩阵，(.)H表示共轭转置，
Figure BDA0003252836910000074
w1和w2分别表示智能反射面和接收端处的噪声功率。窃听器泄露信息的速率为：
Figure BDA0003252836910000075
其中
Figure BDA0003252836910000076
w3表示窃听器处的噪声功率。安全Massive MIMO系统的保密容量为
Figure BDA0003252836910000077
其中
Figure BDA0003252836910000078
max{.}表示取最大值函数。
针对基于智能反射面的安全Massive MIMO通信系统，提出以保密容量为优化目标的网络资源配置问题为
Figure BDA0003252836910000079
约束条件为：0≤θi＜2π，i＝1,2,...,L，0＜pm≤pmax，m＝1,2,...,M，其中pmax表示每根基站天线允许发射的最大功率。
步骤二，初始化量子秃鹰群
设定量子秃鹰群由K只量子秃鹰组成，每只量子秃鹰的搜索空间维数为D，表示待求解问题的维数。第t代第k只量子秃鹰的量子位置可表示为
Figure BDA00032528369100000710
其中
Figure BDA00032528369100000711
Figure BDA00032528369100000712
根据映射规则得到第k只量子秃鹰的位置
Figure BDA00032528369100000713
具体规则为：
Figure BDA00032528369100000714
其中
Figure BDA00032528369100000715
和
Figure BDA00032528369100000716
表示量子秃鹰第d维搜索区间的上界和下界。每一只量子秃鹰的位置对应一种基于智能反射面安全Massive MIMO网络的资源配置方案。通过适应度函数
Figure BDA00032528369100000717
计算第t代第k只量子秃鹰位置的适应度，同时其值也代表相应第t代第k只量子秃鹰量子位置的适应度。将直到第t次迭代为止适应度最大的量子秃鹰的量子位置记为全局最优量子位置
Figure BDA00032528369100000718
步骤三，根据搜索演化规则更新量子秃鹰群的量子位置
量子秃鹰根据搜索阶段的演进规则更新量子位置。定义量子秃鹰群中适应度较好的前δ·K只量子秃鹰为优秀个体，δ表示优秀个体所占比率，
Figure BDA00032528369100000719
为优秀个体的平均量子位置。搜索阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure BDA0003252836910000081
和
Figure BDA0003252836910000082
其中e1和e2为影响因子，表示在搜索阶段优秀个体和全局最优量子位置对量子旋转角的影响程度，
Figure BDA0003252836910000083
和
Figure BDA0003252836910000084
为服从标准正态分布的随机数，abs(.)表示取绝对值。通过映射规则得到更新后量子秃鹰的位置，然后计算量子秃鹰的适应度。通过比较第k只量子秃鹰在搜索阶段更新前的量子位置
Figure BDA0003252836910000085
与搜索阶段更新后的量子位置
Figure BDA0003252836910000086
适应度大小，若
Figure BDA0003252836910000087
的适应度大于
Figure BDA0003252836910000088
的适应度，则
Figure BDA0003252836910000089
否则
Figure BDA00032528369100000810
保持不变，k＝1,2,...,K。选择搜索阶段更新后具有最大适应度的量子位置为量子秃鹰群搜索阶段后的全局最优量子位置
Figure BDA00032528369100000811
搜索阶段完成后，前δ·K只优秀个体的平均量子位置记为
Figure BDA00032528369100000812
步骤四，通过盘旋演化，对量子秃鹰群的量子位置进行更新
在种群盘旋阶段，量子秃鹰群在选择的搜索区间内螺旋飞行来搜索猎物，盘旋阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure BDA00032528369100000813
和
Figure BDA00032528369100000814
其中e3和e4为影响因子；
Figure BDA00032528369100000815
表示第k只量子秃鹰的相邻个体编号；
Figure BDA00032528369100000816
Figure BDA00032528369100000817
为[0,2π]间的均匀随机数，
Figure BDA00032528369100000818
Δ为控制因子，
Figure BDA00032528369100000819
为[0,1]间的均匀随机数。根据映射规则更新量子秃鹰的位置并计算适应度。通过比较第k只量子秃鹰在盘旋演化更新前的量子位置
Figure BDA00032528369100000820
与更新后量子位置
Figure BDA00032528369100000821
的适应度大小，若
Figure BDA00032528369100000822
的适应度大于
Figure BDA00032528369100000823
的适应度，则
Figure BDA00032528369100000824
否则
Figure BDA00032528369100000825
保持不变，k＝1,2,...,K。选择盘旋演化阶段更新后具有最大适应度的量子位置为量子秃鹰群盘旋阶段后的全局最优量子位置
Figure BDA00032528369100000826
盘旋演化阶段更新后前δ·K只优秀个体的平均量子位置记为
Figure BDA00032528369100000827
步骤五，根据俯冲规则更新量子秃鹰群的量子位置
在种群俯冲阶段，量子秃鹰根据搜索和盘旋阶段的信息快速俯冲飞向目标猎物，俯冲阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure BDA0003252836910000091
和
Figure BDA0003252836910000092
其中e5和e6为影响因子，表示在俯冲阶段优秀个体和全局最优量子位置对量子旋转角的影响程度；
Figure BDA0003252836910000093
Figure BDA0003252836910000094
为[0,2π]间的均匀随机数，
Figure BDA0003252836910000095
根据映射规则，得到更新后量子秃鹰的位置
Figure BDA0003252836910000096
并计算适应度，若俯冲更新后第k只量子秃鹰的量子位置
Figure BDA0003252836910000097
的适应度大于俯冲更新前量子位置
Figure BDA0003252836910000098
的适应度，则
Figure BDA0003252836910000099
不变；否则令
Figure BDA00032528369100000910
根据俯冲阶段更新后具有最大适应度的量子位置为量子秃鹰群俯冲阶段后的全局最优量子位置
Figure BDA00032528369100000911
俯冲阶段更新后前δ·K只优秀个体的平均量子位置记为
Figure BDA00032528369100000912
步骤六，如果迭代次数小于预先设定的最大迭代次数，令t＝t+1，返回步骤三；否则，迭代终止，输出量子秃鹰群的全局最优量子位置，根据映射规则得到位置，进而得到基于智能反射面的安全Massive MIMO网络资源配置方案。
下面结合具体参数和仿真实验对本发明进一步说明：
针对智能反射面安全Massive MIMO通信系统，设定M＝30，N＝20，L＝50，基站坐标位于(0,0)m，接收端坐标位于(240,0)m，智能反射面的坐标为(120,90)m，窃听器位于(220,-50)m，pmax＝10dBm，η＝1，噪声功率谱密度为-174dBm/Hz，系统带宽为10MHz，所有噪声功率相同。基站与接收端和窃听器之间的信息传输为非视距传输，信道衰落系数为3.7，智能反射面与基站、接收端和窃听器之间的信息传输均为视距传输，莱斯因子为1，信道衰落系数为2.5。基于量子秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的参数设置如下：量子秃鹰种群规模K＝10，δ＝50％，e1＝0.5，e2＝0.1，e3＝0.3，e4＝0.6，e5＝0.6，e6＝0.3，Δ＝0.5，在量子位置定义域内随机产生量子秃鹰的初始量子位置。为了便于比较所提出的量子秃鹰搜索机制的性能，将秃鹰搜索机制应用到求解Massive MIMO网络资源配置问题中作为对比，并将二者的种群规模设为相同值，最大迭代次数均为500次，所有结果均为100次仿真实验的均值。秃鹰搜索机制的其他参数设置参考H.A.Alsattar等在《Artificial Intelligence Review》(2020,vol.53,pp.2237-2264)上发表的“Novelmeta-heuristic bald eagle search optimisation algorithm”。
图2为基于量子秃鹰搜索机制与秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的保密容量随迭代次数变化的曲线。从仿真结果可以看出，秃鹰搜索机制在迭代初期陷入了局部收敛，而量子秃鹰搜索机制避免了陷入局部收敛这一问题，收敛速度快、收敛精度高，全局寻优能力明显优于秃鹰搜索机制。在基站天线数目为30，智能反射元数目为50的场景下，基于量子秃鹰搜索机制的网络资源配置方法能得到最大的保密容量。
图3为基于量子秃鹰搜索机制与秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的保密容量随基站天线允许发射的最大功率变化的曲线，仿真中基站天线允许发射的最大功率从10dBm增加到40dBm。由仿真结果可知，保密容量随着基站天线允许发射的最大功率的提高而增加，基于量子秃鹰搜索机制的网络资源配置方法的保密容量明显优于基于秃鹰搜索机制的网络资源配置方法。
图4为基于量子秃鹰搜索机制与秃鹰搜索机制的智能反射面安全Massive MIMO网络资源配置方法的保密容量随智能反射元数目变化的曲线，仿真中反射元数目从10增加到100。由仿真结果可知，在其他条件不变的情况下，增加智能反射元数目有助于提升系统保密容量。针对不同智能反射元数目，基于量子秃鹰搜索机制的网络资源配置方法的保密容量始终优于基于秃鹰搜索机制的网络资源配置方法，证明了所设计方法的有效性。

Claims (6)

1.一种安全Massive MIMO网络资源配置方法，其特征在于，包括以下步骤：
步骤一，建立基于智能反射面的安全Massive MIMO通信系统模型；
步骤二，初始化量子秃鹰群，经映射规则得到量子秃鹰的位置并计算适应度，通过比较适应度大小选出全局最优量子位置；
步骤三，根据搜索演化规则更新量子秃鹰群的量子位置；
步骤四，通过盘旋演化，对量子秃鹰群的量子位置进行更新；
步骤五，根据俯冲规则更新量子秃鹰群的量子位置，经映射规则得到更新后量子秃鹰的位置并计算适应度，更新量子秃鹰群的全局最优量子位置；
步骤六，如果迭代次数小于预先设定的最大迭代次数，令t＝t+1，返回步骤三；否则，迭代终止，输出量子秃鹰群的全局最优量子位置，根据映射规则得到位置，进而得到基于智能反射面的安全Massive MIMO网络资源配置方案。
2.根据权利要求1所述的一种安全Massive MIMO网络资源配置方法，其特征在于：步骤一所述建立基于智能反射面的安全Massive MIMO通信系统模型具体为：
所述通信系统包含一个配置M根天线的基站、N根天线的接收端、单天线窃听器、中心控制器和包含L个反射元的智能反射面，中心控制器实时调整每个反射元的相移，所述相移决策结果构成了智能反射面的相移矩阵Φ：
Figure FDA0003252836900000011
其中diag{.}表示对角矩阵，
Figure FDA0003252836900000012
θi表示第i个反射元的相移控制角，i＝1,2,...,L，η为反射系数，智能反射面中所有反射元的相移控制角矩阵可以表示为θ＝[θ1,θ2,...,θL]；
Figure FDA0003252836900000013
Figure FDA0003252836900000014
分别表示基站到接收端的信道状态信息、基站到智能反射面的信道状态信息、智能反射面到接收端的信道状态信息，
Figure FDA0003252836900000015
和
Figure FDA0003252836900000016
表示基站到窃听器的信道状态信息和智能反射面到窃听器的信道状态信息；
定义
Figure FDA0003252836900000017
为基站传输功率的对角矩阵，其中pm表示基站第m根天线的传输功率，m＝1,2,...,M。用
Figure FDA0003252836900000018
表示基站发送的单位能量信号，经过智能反射面协作传输后，接收端收到的信号为
Figure FDA0003252836900000019
yrec＝(GBS_rec+GIR_rec·Φ·GBS_IR)·P·x+GIR_rec·Φ·nIRS+n′rec，其中
Figure FDA00032528369000000110
和
Figure FDA00032528369000000111
分别表示智能反射面和接收端处的复高斯白噪声；窃听器接收到的信号为
Figure FDA0003252836900000021
其中
Figure FDA0003252836900000022
表示窃听器处的高斯白噪声；在智能反射面协作通信的场景下，接收端的信息传输速率为：
Figure FDA0003252836900000023
其中，det(.)表示求矩阵行列式的值，ΙN表示N×N维单位矩阵，(.)H表示共轭转置，
Figure FDA0003252836900000024
w1和w2分别表示智能反射面和接收端处的噪声功率；
窃听器泄露信息的速率为：
Figure FDA0003252836900000025
其中
Figure FDA0003252836900000026
w3表示窃听器处的噪声功率，安全MassiveMIMO系统的保密容量为
Figure FDA0003252836900000027
其中
Figure FDA0003252836900000028
表示取最大值函数；
针对基于智能反射面的安全Massive MIMO通信系统，提出以保密容量最大化为优化目标的网络资源配置问题为
Figure FDA0003252836900000029
约束条件为：0≤θi＜2π，i＝1,2,...,L，0＜pm≤pmax，m＝1,2,...,M，其中pmax表示每根基站天线允许发射的最大功率。
3.根据权利要求1所述的一种安全Massive MIMO网络资源配置方法，其特征在于：步骤二所述初始化量子秃鹰群，经映射规则得到量子秃鹰的位置并计算适应度，通过比较适应度大小选出全局最优量子位置具体为：
设定量子秃鹰群由K只量子秃鹰组成，每只量子秃鹰的搜索空间维数为D，表示待求解问题的维数；第t代第k只量子秃鹰的量子位置表示为
Figure FDA00032528369000000210
其中
Figure FDA00032528369000000211
k＝1,2,...,K，d＝1,2,...,D；根据映射规则得到第k只量子秃鹰的位置
Figure FDA00032528369000000212
具体规则为：
Figure FDA00032528369000000213
其中
Figure FDA00032528369000000214
和
Figure FDA00032528369000000215
表示量子秃鹰第d维搜索区间的上界和下界；每一只量子秃鹰的位置对应一种基于智能反射面安全Massive MIMO网络的资源配置方案；通过适应度函数
Figure FDA00032528369000000216
计算第t代第k只量子秃鹰位置的适应度，同时其值也代表相应第t代第k只量子秃鹰量子位置的适应度；将直到第t次迭代为止适应度最大的量子秃鹰的量子位置记为全局最优量子位置
Figure FDA00032528369000000217
4.根据权利要求1所述的一种安全Massive MIMO网络资源配置方法，其特征在于：步骤三所述根据搜索演化规则更新量子秃鹰群的量子位置具体为：
定义量子秃鹰群中适应度较好的前δ·K只量子秃鹰为优秀个体，δ表示优秀个体所占比率，
Figure FDA0003252836900000031
为优秀个体的平均量子位置，搜索阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure FDA0003252836900000032
和
Figure FDA0003252836900000033
其中e1和e2为影响因子，表示在搜索阶段优秀个体和全局最优量子位置对量子旋转角的影响程度，
Figure FDA0003252836900000034
和
Figure FDA0003252836900000035
为服从标准正态分布的随机数，abs(.)表示取绝对值；通过映射规则得到更新后量子秃鹰的位置，然后计算量子秃鹰的适应度；通过比较第k只量子秃鹰在搜索阶段更新前的量子位置
Figure FDA0003252836900000036
与搜索阶段更新后的量子位置
Figure FDA0003252836900000037
适应度大小，若
Figure FDA0003252836900000038
的适应度大于
Figure FDA0003252836900000039
的适应度，则
Figure FDA00032528369000000310
否则
Figure FDA00032528369000000311
保持不变，k＝1,2,...,K；选择搜索阶段更新后具有最大适应度的量子位置为量子秃鹰群搜索阶段后的全局最优量子位置
Figure FDA00032528369000000312
搜索阶段完成后，前δ·K只优秀个体的平均量子位置记为
Figure FDA00032528369000000313
5.根据权利要求1所述的一种安全Massive MIMO网络资源配置方法，其特征在于：步骤四所述通过盘旋演化，对量子秃鹰群的量子位置进行更新具体为：
在种群盘旋阶段，量子秃鹰群在选择的搜索区间内螺旋飞行来搜索猎物，盘旋阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure FDA00032528369000000314
和
Figure FDA00032528369000000315
其中e3和e4为影响因子；
Figure FDA00032528369000000316
表示第k只量子秃鹰的相邻个体编号；
Figure FDA00032528369000000317
Figure FDA00032528369000000318
为[0,2π]间的均匀随机数，
Figure FDA00032528369000000319
Δ为控制因子，
Figure FDA00032528369000000320
为[0,1]间的均匀随机数；根据映射规则更新量子秃鹰的位置并计算适应度；通过比较第k只量子秃鹰在盘旋演化更新前的量子位置
Figure FDA00032528369000000321
与更新后量子位置
Figure FDA00032528369000000322
的适应度大小，若
Figure FDA00032528369000000323
的适应度大于
Figure FDA00032528369000000324
的适应度，则
Figure FDA00032528369000000325
否则
Figure FDA00032528369000000326
保持不变，k＝1,2,...,K；选择盘旋演化阶段更新后具有最大适应度的量子位置为量子秃鹰群盘旋阶段后的全局最优量子位置
Figure FDA00032528369000000327
盘旋演化阶段更新后前δ·K只优秀个体的平均量子位置记为
Figure FDA0003252836900000041
6.根据权利要求1所述的一种安全Massive MIMO网络资源配置方法，其特征在于：步骤五所述根据俯冲规则更新量子秃鹰群的量子位置，经映射规则得到更新后量子秃鹰的位置并计算适应度，更新量子秃鹰群的全局最优量子位置具体为：
在种群俯冲阶段，量子秃鹰根据搜索和盘旋阶段的信息快速俯冲飞向目标猎物，俯冲阶段的第k只量子秃鹰第d维量子旋转角和量子位置的更新方程为：
Figure FDA0003252836900000042
和
Figure FDA0003252836900000043
其中e5和e6为影响因子，表示在俯冲阶段优秀个体和全局最优量子位置对量子旋转角的影响程度；
Figure FDA0003252836900000044
Figure FDA0003252836900000045
为[0,2π]间的均匀随机数，
Figure FDA0003252836900000046
根据映射规则，得到更新后量子秃鹰的位置
Figure FDA0003252836900000047
并计算适应度，若俯冲更新后量子秃鹰的量子位置
Figure FDA0003252836900000048
的适应度大于俯冲更新前的量子位置
Figure FDA0003252836900000049
的适应度，则
Figure FDA00032528369000000410
不变；否则令
Figure FDA00032528369000000411
根据俯冲阶段更新后具有最大适应度的量子位置为量子秃鹰群俯冲阶段后的全局最优量子位置
Figure FDA00032528369000000412
俯冲阶段更新后前δ·K只优秀个体的平均量子位置记为
Figure FDA00032528369000000413
CN202111050667.9A 2021-09-08 2021-09-08 一种安全Massive MIMO网络资源配置方法 Active CN113766492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111050667.9A CN113766492B (zh) 2021-09-08 2021-09-08 一种安全Massive MIMO网络资源配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111050667.9A CN113766492B (zh) 2021-09-08 2021-09-08 一种安全Massive MIMO网络资源配置方法

Publications (2)

Publication Number Publication Date
CN113766492A true CN113766492A (zh) 2021-12-07
CN113766492B CN113766492B (zh) 2023-09-19

Family

ID=78794030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111050667.9A Active CN113766492B (zh) 2021-09-08 2021-09-08 一种安全Massive MIMO网络资源配置方法

Country Status (1)

Country Link
CN (1) CN113766492B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501428A (zh) * 2022-01-26 2022-05-13 哈尔滨工程大学 一种智能反射面的安全Massive MIMO系统资源分配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2908577A1 (en) * 2012-10-09 2015-08-19 ZTE Corporation Uplink power control method and device based on genetic algorithm in communication network
CN108880734A (zh) * 2018-04-28 2018-11-23 哈尔滨工程大学 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法
CN112787811A (zh) * 2021-01-11 2021-05-11 哈尔滨工程大学 一种针对雾计算物联网物理层安全的混合资源配置方法
CN112954807A (zh) * 2021-01-28 2021-06-11 哈尔滨工程大学 一种基于网络切片的异构Massive MIMO系统多元资源配置方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2908577A1 (en) * 2012-10-09 2015-08-19 ZTE Corporation Uplink power control method and device based on genetic algorithm in communication network
CN108880734A (zh) * 2018-04-28 2018-11-23 哈尔滨工程大学 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法
CN112787811A (zh) * 2021-01-11 2021-05-11 哈尔滨工程大学 一种针对雾计算物联网物理层安全的混合资源配置方法
CN112954807A (zh) * 2021-01-28 2021-06-11 哈尔滨工程大学 一种基于网络切片的异构Massive MIMO系统多元资源配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高洪元等: "大规模MIMO系统的智能天线选择与功率分配方法研究", 系统工程与电子技术, vol. 42, no. 12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501428A (zh) * 2022-01-26 2022-05-13 哈尔滨工程大学 一种智能反射面的安全Massive MIMO系统资源分配方法

Also Published As

Publication number Publication date
CN113766492B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN112865893B (zh) 智能反射面辅助的sm-noma系统资源分配方法
Wang et al. Joint interference alignment and power control for dense networks via deep reinforcement learning
CN108880734B (zh) 量子回溯搜索优化的CCFD-Massive MIMO系统功率分配方法
CN109861728B (zh) 大规模mimo系统的联合多中继选择与时隙资源配置方法
CN111405584B (zh) Mimo系统中基于非正交多址的能效功率分配方法
Zhang et al. Energy efficient resource allocation in cache based terahertz vehicular networks: A mean-field game approach
CN114585005A (zh) 一种智能反射面辅助的无线赋能安全通信方法
CN104852758A (zh) 三维大规模天线网络下的垂直波束赋形方法及装置
CN110536321B (zh) 5g iot通信中权衡能量效率和频谱效率的优化方法
Gupta et al. Multi-uav deployment for noma-enabled wireless networks based on imogwo algorithm
CN113766492A (zh) 一种安全Massive MIMO网络资源配置方法
Chen et al. DRL-based RIS phase shift design for OFDM communication systems
CN104009824A (zh) 一种基站协作上行链路系统中基于差分进化的导频辅助数据融合方法
Min et al. Stratified federated learning-based beamforming design for heterogeneous IRSs-aided networks
CN116056210A (zh) 一种面向容量覆盖的irs辅助超密集网络资源分配方法
Zhang et al. Primal dual PPO learning resource allocation in indoor IRS-aided networks
CN115052299A (zh) 一种多智能反射面辅助的noma系统上行传输方法
Singh et al. RSMA enhanced RIS-FD-UAV-aided short packet communications under imperfect SIC
Wang et al. Resource allocation for energy-efficient NOMA network based on super-modular game
Alvi et al. Federated learning cost disparity for IoT devices
CN114158123B (zh) 一种智能反射面Massive MIMO系统资源分配方法
Zhong et al. STAR-RISs Assisted NOMA Networks: A Tile-based Passive Beamforming Approach
Peng et al. Joint power allocation algorithm for UAV-borne simultaneous transmitting and reflecting reconfigurable intelligent surface-assisted non-orthogonal multiple access system
Zhang et al. Improved whale optimization algorithm based resource scheduling in NOMA THz networks
CN114389656B (zh) 面向超大规模mimo的天线选择与符号级预编码联合设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant