CN118042454A - 一种通感一体化无人机网络中的物理层安全传输方法及系统 - Google Patents
一种通感一体化无人机网络中的物理层安全传输方法及系统 Download PDFInfo
- Publication number
- CN118042454A CN118042454A CN202410215216.3A CN202410215216A CN118042454A CN 118042454 A CN118042454 A CN 118042454A CN 202410215216 A CN202410215216 A CN 202410215216A CN 118042454 A CN118042454 A CN 118042454A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- signal
- eavesdropper
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 230000006854 communication Effects 0.000 claims abstract description 119
- 238000004891 communication Methods 0.000 claims abstract description 103
- 238000005457 optimization Methods 0.000 claims abstract description 94
- 230000008447 perception Effects 0.000 claims abstract description 89
- 230000008569 process Effects 0.000 claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000009423 ventilation Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种通感一体化无人机网络中的物理层安全传输方法及系统,方法为:构建通感一体化无人机场景;对无人机发射通感信号以及感知过程建模;感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离‑多普勒RD数据,再通过恒虚警检测算法CFAR进行目标检测,最后通过多重信号分类MUSIC算法进行角度估计,得到障碍物以及窃听者的坐标;安全轨迹规划;对无人机与地面用户的保密通信过程进行建模;对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;建立保密通信波束形成优化目标;建立基于丁克尔巴赫算法的半正定优化算法求解建立的优化目标;本发明能同时满足无人机工作场景的通信、感知、安全需求,具有高可靠性、低复杂度、低时延等特点。
Description
技术领域
本发明属于无线通信物理层安全技术领域,具体涉及一种通感一体化无人机网络中的物理层安全传输方法及系统。
背景技术
近年来,同时具备通信支持和感知探测功能的智能无人机需求呈现出急剧增长的趋势,对于当前基于通信感知分离设计的传统无人机系统构成了挑战,而通信感知一体化技术是应对该挑战的一种可行途径。然而由于无线信道的开放性和公开性,尤其是无人机与地面节点间的视距信道特性,使得无人机通信更容易被地面窃听者截获,这些因素会大大降低信息传输的安全性。其次,由于无人机的高速移动性、动态性以及实时性,使得传统的优化方法难以适应复杂的无人机场景。第三,由于要实现通感一体化无人机网络,对于通信与感知的权衡、以及无人机通感一体化框架的实现都会极大的增加应用场景的复杂度。
在现有的无人机通信网络中,无人机通信与感知的联合仍处于初级阶段,需要消耗大量功率和硬件实现,且无人机多注重纯通信场景,如何实现共享频谱、硬件的无人机通信感知一体化;在通信网络中如何在保证通信用户质量同时增强感知性能;如何设计保密波束形成以在保证无人机对窃听者感知能力的同时降低窃听者的接收信噪比;如何解决所提出的非凸优化问题等都是无人机通感一体化技术发展要解决的关键问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术只考虑无人机网络的通信问题,而实际上感知功能其本身以及对通信的辅助对于无人机都非常重要,仅考虑通信性能的无人机网络很难适应发展快速的通信技术。
(2)现有技术的通信与感知联合有限,是在消耗额外硬件、频谱资源条件下实现的,这对于功率、体积受限的无人机很难实现。
(3)现有的优化方法难以适应复杂的通感一体化无人机场景,无法解决所提出的安全轨迹与通感一体保密波束形成优化问题。
公开号为CN114584235B的专利申请文件,公开了基于感知的针对移动空中窃听者的上行通信安全方法,通过建立通信和感知一体化模型,针对移动空中窃听者部署灵活、机动性高的特点,联合设计迭代优化雷达信号和接收波束形成器,在干扰AE和与用户通信之间权衡优化;在保证基站BS与用户通信条件下,利用扩展卡尔曼滤波方法预测移动AE的轨迹和基站与AE间的信道状态信息CSI,实现精准跟踪AE,实时获得基站与AE间的准确CSI,进一步增强雷达信号对AE的干扰能力,提高可靠通信的保密性;基于交替优化算法,通过连续凸近似SCA技术将雷达信号的优化转化为一系列半正定规划SDP问题,联合设计雷达信号和接收波束,进一步提高通信保密能力。但由于该方法考虑固定基站而没有考虑移动通信场景,且采用卡尔曼滤波而非精准定位技术,从而该方法对无人机等移动无线通信场景下应用型较差,没有无人机避障轨迹的设计以及对窃听者的高精度定位。
公开号为CN117425220A的专利申请文件,公开了一种无人机通信感知一体化系统的优化方法,构建无人机辅助下的通信感知一体化系统模型;其中,所述系统模型中包括若干个约束条件;在所述若干个约束条件下,联合优化感知调度、通信调度、无人机飞行轨迹、无人机发射功率以及波束赋型,构建最小化感知信息的平均信息年龄的非凸优化问题;重复求解所述非凸优化问题以使所述平均信息年龄持续更新,直到确定所述平均信息年龄更新无变化后,结束优化。本发明能够最小化感知信息的信息年龄,提高感知信息的时效性。但该方法只考虑了一般无人机通感场景下的无人机轨迹与波束形成问题,但没有考虑包含窃听者的无人机通感一体化网络中的保密通信问题,而且该方法主要解决了无人机通感一体化网络的高时效感知方法,但没有考虑存在障碍物和窃听者的场景中无人机的避障轨迹问题。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供了一种通感一体化无人机网络中的物理层安全传输方法及系统,在通感一体化无人机网络中,基于感知设计安全轨迹与保密波束形成的方案,通过通感信号感知空中可能存在的障碍物以及地面窃听者的位置来规划无人机的轨迹,同时依据所感知的窃听者的位置设计无人机对地面用户的保密波束形成,实现无人机自主避障轨迹以及对地面用户的最大保密通信速率;本发明实现了通感无人机感知功能对于保密通信以及安全轨迹的协助,能同时满足无人机工作场景的通信、感知、安全需求,所提出的优化算法具有高可靠性、低复杂度、低时延等特点。
为了实现上述目的,本发明采取的技术方案是:
一种通感一体化无人机网络中的物理层安全传输方法,包括以下步骤:
步骤一,构建通感一体化无人机场景;
步骤二,对无人机通感信号以及感知过程建模;
步骤三,基于步骤二构建的通感信号以及感知过程,感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离-多普勒RD数据,再通过恒虚警检测算法CFAR进行目标检测,最后通过多重信号分类MUSIC算法进行角度估计,得到障碍物以及窃听者的坐标;
步骤四,依据步骤三中感知所得障碍物以及窃听者坐标,进行安全轨迹规划;
步骤五,根据步骤二构建的通感信号以及感知过程,与步骤四规划的安全轨迹,对无人机与地面用户的保密通信过程进行建模;
步骤六,对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;
步骤七,依据步骤三中感知所得窃听者坐标以及步骤五构建的通信模型和步骤六构建的优化约束模型,建立保密通信波束形成优化目标;
步骤八,建立基于丁克尔巴赫算法的半正定优化算法求解步骤七中所建立的优化目标。
进一步,所述步骤一的具体过程如下:
所述通感一体化无人机场景包括一个搭载均匀平面阵列的无人机(其阵列数为M=Mx*My)、N个未知的覆盖无人机飞行高度的圆柱形障碍物(其半径为rb)、K个已知的地面通信用户useri(i=1,2,...,K),以及一个未知的地面窃听用户eve,无人机从已知的起点r0=[0,0,H]飞行至目的地rd=[xd,yd,H],根据感知信息进行安全避障轨迹规划并进行保密通信波束形成设计,将无人机飞行过程划分为N个时隙,设定无人机等高度飞行,且速度始终保持每个时隙飞行距离为d;
无人机在第n时隙的位置表示为:
r(n)=[x(n),y(n),H],
其中,n表示时隙序号,x(n),y(n)分别表示无人机的水平面上的横纵坐标,H为飞行高度;
空中障碍物中心点位置表示为:
其中,j=1,2,...,Nb表示障碍物序号;
地面用户位置表示为:
其中,i=1,2,...,K表示用户序号;
窃听者位置表示为:
reve=[xeve,yeve,0]。
进一步,所述步骤二的具体过程如下:
步骤2.1采用线性调频连续波(LFMCW)为系统模型中无人机发射的通感信号波形,通感信号表示为:
通感信号频率随时间t∈[0,T]线性增加:
fT(t)=fc+ut,
其中,fT(t)表示FMCW信号频率,fc表示载波频率,表示调频斜率,B表示信号带宽,T表示信号时宽;
步骤2.2对于距离无人机Rl,相对速度为v的目标,发射无人机接收信号相对发射信号的延迟为:
其中,设置感知范围为100m内,无人机移动速度为10m/s,故将近似为:
基于可知理想情况下接收回波信号表示为:
其频率为:
fR(t)=fc+u(t-τ)
步骤2.3将步骤2.2得到的接收信号sr(t)与步骤2.1得到的发射信号st(t)进行混频,得到混频信号,表示为:
采用积化和差公式表示为:
步骤2.4将步骤2.3得到的混频信号sm(t)经过低通滤波器后得到一个单一频率的正弦波信号,即为差频信号:
差频信号的特点是信号频率为接收信号与发射信号之差,表示为:
将处理后的差频信号sd(t)进行采样并采用快速傅里叶变换处理提到频率信息,即可求出目标距离信息:
进一步,所述步骤三的具体过程如下:
步骤3.1将步骤2.4中差频信号sd(t)进行FFT处理后得到距离-频率数据,即RDM矩阵,表示为:行为距离维,列为频率维,矩阵值为功率谱;对于RD数据,采用单元平均恒虚警检测算法(CA-CFAR)感知目标数量以及距离和速度信息:定义训练单元半径r_train与保护单元半径r_grain,训练单元、保护单元、被检测单元一同组成以被检测单元为中心的,边长为r_train的正方形检测区域,该检测区域中训练单元数量为:
num_train=(2r_train+2r_grain+1)2-(2r_grain+1)2,
保护单元数量为:
num_grain=(2r_grain+1)2-1,
CA-CFAR算法通过求解检测区域内训练单元平均幅值作为噪声判断阈值:
当被检测单元RDM(range,doppler)>thresholdCFAR,则认为被检测单元为目标信号,并将其值置为1,否则认为是噪声信号,并将值置为0;通过将检测区域不断平移覆盖RDM矩阵,可以将检测出目标信号的距离信息,即目标与无人机的相对距离以及速度信息,即目标与无人机的相对速度;
步骤3.2使用MUSIC算法计算信号到达角:MUSIC算法基于子空间分解,利用信号子空间和噪声子空间的正交性,构建空间谱函数,通过谱峰搜索,估计信号的参数;对于接收信号:
其中,表示均匀平面阵列的方向矩阵,/>表示来波方位角,θ表示来波俯仰角,st(t)为发射信号,n(t)为噪声;
接收信号Y(t)的估计协方差矩阵为:
其中,numK表示积累的感知快拍数,Ry即为多次快拍累计接收信号的协方差矩阵的估计值;对Ry进行特征分解:
其中,Ds和Dn分别是由numt个最大特征值和剩下的MN-numt个小特征值组成的两个对角矩阵,numt表示探测的目标数,对应步骤3.1中CA-CFAR找到的目标数;Es是由numt个最大特征值对应的特征矢量组成,称为信号子空间;En是由剩下的M-numt个小特征值对应的特征矢量组成,称为噪声子空间;通过将特征值排序,找出靠后的M-numt个特征值对应的特征矩阵即可得到En;
依据接收方向矩阵与噪声子空间矩阵En正交,构建二维MUSIC空间谱函数:
通过计算谱函数波峰来求得来波方向的角度通过步骤3.1中CA-CFAR算法求出感知目标数量以及距离,再通过MUSIC算法求得目标相对无人机角度,即可算出目标的具体坐标。
进一步,所述步骤四的具体过程如下:
步骤4.1无人机始终朝向已知目的地飞行;在飞行过程中无人机感知周围目标,当感知范围内没有障碍物以及窃听者存在或障碍物及窃听者不在无人机终点航线角度时,无人机飞行角度均为无人机-终点航线角度;
步骤4.2无人机感知范围为Rmax(Rmax>>d),当无人机感知到范围内存在障碍物或窃听者且目标在无人机-终点航线上时,无人机飞行角度调整为偏转最小角度朝向障碍物或窃听者边缘绕过目标。
进一步,所述步骤五的具体过程如下:
步骤5.1在与地面用户的通信过程中,由于存在地面窃听者,在发射信号中添加与发送符号s相互独立的人工噪声nt,人工噪声nt服从复正态分布,功率为RN,表示如下:
x(n)=W(n)st(n)+nt(n),
其中,表示波束形成矩阵,wi(n)表示第i个用户的波束形成向量;
步骤5.2在通信过程中,无人机与地面用户间的通信信道为LOS信道:
其中,是单位距离处的信道增益,λc为波长;ai(n)为方向矢量,对于均匀平面阵列,方向矢量ai(n)为:
其中,表示克罗内克乘积,b为天线间距;
步骤5.3记为信道矩阵,则对于用户接收信号为:
y(n)=H(n)x(n)+z(n),
窃听者接收到的信号为:
ye(n)=αaH(θ)x(n)+ze(n),
其中,z(n)与ze(n)分别表示用户与窃听者接收噪声,功率分别为与/>α为损耗系数;
步骤5.4第i个用户接收到的信干噪比表示为:
其中,
窃听者接收到的信噪比为:
步骤5.5发射信号的协方差矩阵表示为:
步骤5.6发射信号波束谱函数为:
P=aH(θ)Rxa(θ)。
进一步,所述步骤六的具体过程如下:
步骤6.1引入用户接收SINR约束:
SINRi(n)≥Γi,i=1,...,K,
其中,Γi为满足第i个用户与无人机通信的接收SINR最小值;
步骤6.2设定无人机发射天线总功率为P0,则发射功率约束为:
tr(Rx)=P0;
步骤6.3引入通感一体化约束,构建雷达发射信号的协方差矩阵的优化目标,表述为:
s.t.tr(R)=P0,
R=RH,
μ≥0,
其中,为第m个感知目标的角度,Mr为感知目标的数量,/>为第m个目标的方向矢量,/>为针对第m个目标的理想波束增益;R为雷达发射信号协方差矩阵;该优化目标通过将雷达发射波束图与理想波束图逼近来求到发射信号协方差矩阵;发射信号的协方差矩阵为/>通感一体化约束如下:
||Rx-R||2≤Δ,
其中,R为理想雷达信号的协方差矩阵,Δ表示实际发射信号协方差矩阵与理想协方差矩阵的偏差阈值。
进一步,所述步骤七的具体过程如下:
由于窃听者的存在,保密波束形成优化目标的目标函数设计为最小化窃听者的接收SNR,基于SNR与保密速率相关联,最小化窃听SNR会最大化无人机的保密速率,再结合步骤六所述约束,得到通感一体化无人机网络中的物理层安全优化目标:
s.t.SINRi(n)≥Γi,i=1,...,K
tr(Rx)=P0
||Rx-R||2≤Δ
rank(Wi)=1
其中,rank(Wi)=1等约束是由于/>
进一步,所述步骤八的具体过程如下:
步骤8.1采用丁克尔巴赫算法对步骤七建立的优化目标进行变换:
记
SNRE=c;
则步骤七建立的优化目标变形为:
s.t.SINRi(n)≥Γi,i=1,...,K
tr(Rx)=P0
||Rx-R||2≤Δ
rank(Wi)=1
步骤8.2对于求解步骤8.1中所述优化目标,设定迭代间隔ε,使得|cn+1-cn|>ε,则迭代继续;若不满足该条件迭代终止,优化完成;首先由当前无人机位置计算出理想波束图对应的发射协方差矩阵R,随后初始化c0与c1,使得|c1-c0|>ε;
带入c1到步骤8.1所述优化目标中,该目标变成一个半正定优化问题(SDP),通过忽略秩1约束可以求解该问题,得到U1与V1,进而求得判断是否满足|c2-c1|>ε,直到迭代完成即可;
步骤8.3整体无人机飞行过程轨迹与波束形成优化流程如下:在第n时隙,无人机处于r(n),此时无人机感知空中障碍物以及地面目标,即步骤二与步骤二所述过程;随后依据感知信息来规划轨迹避障轨迹,求得r(n+1),即步骤四步所述过程;再根据r(n+1)以及地面用户和窃听者位置来求解保密波束形成,即步骤五、步骤六、步骤七以及步骤八所述过程。
本发明还提供了一种通感一体化无人机网络中的物理层安全传输系统,包括:
通感一体化无人机场景构建模块,用于构建通感一体化无人机场景;
无人机发射通感信号以及感知过程构建模块,用于对无人机发射通感信号以及感知过程建模;
障碍物以及窃听者的坐标获取模块,用于实现基于通感信号以及感知过程,感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离-多普勒RD数据,再通过恒虚警检测算法CFAR进行目标检测,最后通过多重信号分类MUSIC算法进行角度估计,得到障碍物以及窃听者的坐标;
安全轨迹规划模块,用于依据感知所得障碍物以及窃听者坐标,进行安全轨迹规划;
无人机与地面用户的保密通信过程构建模块,用于根据通感信号以及感知过程,与规划的安全轨迹,对无人机与地面用户的保密通信过程进行建模;
优化约束模型构建模块,用于对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;
优化目标建立模块,用于依据感知所得窃听者坐标以及构建的通信模型和优化约束模型,建立保密通信波束形成优化目标;
优化目标求解模块,用于建立基于丁克尔巴赫算法的半正定优化算法来求解所建立的优化目标。
与现有技术相比,本发明的有益效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明能够实现在通感一体化网络中基于感知信息辅助的避障轨迹生成以及保密波束形成,所提出的通感一体化框架具备感知与通信共享硬件、频谱资源的深度集成,而非现有的基于“控制中心”交互通信与感知两个独立系统信息的低集成度形式。同时本发明将通感一体化与避障轨迹以及安全通信相结合,基于感知信息感知障碍物和窃听者位置辅助无人机实现安全避障飞行和保密通信。首先通过多普勒处理以及CA-CFAR算法、MUSIC算法感知周围环境,获取可能存在的障碍物以及窃听者位置,随后依据感知目标位置规划无人机下一时隙飞行位置,最后依据波束图匹配约束以及功率、SINR约束以最小化窃听者SNR为优化目标提出优化问题,并采用基于丁克尔巴赫算法的SDP算法解决了所提出的优化问题,使得无人机能感知周围环境并利用感知信息辅助飞行和通信,实现避障轨迹和保密通信。本发明提出的方法能使无人机依靠自身通感一体化系统完成避障轨迹生成和保密波束形成,而非传统已知障碍物与窃听者信息后的轨迹生成和波束优化。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供了通感一体化无人机网络中的物理层安全问题的设计方案,通过设计提出了通感一体化无人机感知算法流程,包括发射波形、发射信号、多普勒处理、CA-CFAR算法、MUSIC算法等,并提出了保密波束形成优化问题及采用丁克尔巴赫算法解决了该问题,使得无人机可以自主感知周围环境,并利用感知信息辅助无人机轨迹和波束形成实现波密通信。在模型中本发明考虑了无人机感知特性、无人机运动特性、MIMO雷达波束图特性、通感一体化波束特性、保密通信场景特性等问题。模型仿真结果表示,本发明提出的方法能够使无人机提供通感一体化服务,同时依据感知信息生成避障轨迹,同时实现保密通信。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
本发明的技术方案填补了国内外业界的技术空白:
本发明提出了一种通信感知一体化框架,能够在无人机网络中实现通信感知一体化。本发明给出了通感一体化网络中基于感知信息辅助通信的流程算法。同时本发明能够解决现有技术中无人机应用受地形限制严重的问题,通过通信感知一体化,感知环境信息可以帮助无人机在飞行过程中避开环境因素干扰,并在考虑具有窃听者存在的通信场景中对多个用户通信同时保证保密通信性能,最大化无人机感知性能,使之能够提供高可靠性、低时延性的波束形成与轨迹规划策略,填补了国内外无人机行业的空白和推动了通信感知一体化研究的发展。
综上,本发明能够实现感知与通信共享硬件、频谱资源的深度集成,在保证无人机通信性能的同时,最大化感知性能,并基于感知信息辅助无人机规划避障路径和优化保密波束。该方法为无人机提供了一个低时延、高可靠性的算法来规划路径和波束,使无人机在功率受限下同时提供可靠的保密通信与感知服务。
附图说明
图1是本发明实施例的实现方法流程图。
图2是本发明实施例提供的通信感知一体化无人机网络中物理层安全传输方法的具体实现方法流程图。
图3是本发明实施例提供的多用户通信感知一体化无人机网络场景示意图。
图4为本发明实施例中无人机在整个飞行过程中的运动轨迹以及地面用户、空中障碍物、窃听者位置的示意图。
图5为本发明实施例中基于丁克尔巴赫的半正定算法的收敛速度的示意图。
图6为本发明实施例中不同天线发射功率下保密速率与用户接收SINR约束门限Γi的关系示意图。
图7为本发明实施例中无人机感知目标range-velocity示意图。
图8为本发明实施例中无人机感知目标到达角示意图。
图9为本发明实施例中无人机感知目标坐标示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种在通感一体化无人机网络中基于感知的安全轨迹规划与保密波束形成的方法,该方法通过通感信号感知空中可能存在的障碍物以及地面窃听者的位置来规划无人机的轨迹,同时依据所感知的窃听者的位置设计无人机对地面用户的保密波束形成,实现无人机自主避障轨迹以及对地面用户的最大保密通信速率。首先对通感一体化无人机网络场景建模,其中包括位置已知的飞行起始点、地面通信用户,以及位置未知的若干空中障碍物、地面窃听者。其次对空中障碍以及地面窃听者进行感知,得到其空间坐标,随后基于这些坐标进行无人机避障路径规划。最后根据窃听者以及地面用户位置,通过人工噪声法进行保密波束形成设计,以最小化窃听者接收信噪比为优化目标,以天线发射功率、感知性能、用户接收信干噪比等为约束设计了保密波束优化问题,并采用丁克尔巴赫算法和半正定方法解决了所提出的非凸优化问题,使得无人机能同时保证用户通信质量以及感知性能并最大化对窃听者的保密速率。本发明实现了通感无人机感知功能对于保密通信以及安全轨迹的协助,能同时满足无人机工作场景的通信、感知、安全需求,所提出的优化算法具有高可靠性、低复杂度、低时延等特点。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明提供的通感一体化无人机网络中,基于感知设计安全轨迹与保密波束形成的方案包括以下步骤:
步骤一,构建一个通感一体化无人机场景,其中包括一个搭载均匀平面阵列的无人机(其阵列数为M=Mx*My)、N个未知的覆盖无人机飞行高度的圆柱形障碍物(其半径为rb)、K个已知的地面通信用户useri(i=1,2,...,K),以及一个未知的地面窃听用户eve;无人机从已知的起点飞行至目的地,根据感知信息进行安全避障轨迹规划并进行保密通信波束形成设计;为本发明搭建了无人机网络场景,以便后续的建模和分析。
进一步,所述步骤一的具体过程如下:
考虑系统模型中存在一个配备了元件数为M=Mx*My(Mx和My表示天线阵列行与列的天线数量,所有M个天线都被共享用于下行通信和探测感知)均匀平面阵列天线的无人机、K个位置已知的单天线地面用户useri(i=1,2,...,K)、空中存在Nb个未知的覆盖无人机飞行高度的圆柱形障碍物(其半径为rb)、一个未知的地面窃听用户eve。无人机从已知起点r0=[0,0,H]出发,经过地面用户区域到达目的地rd=[xd,yd,H]。在飞行过程中,无人机在与地面用户通信的同时,同时感知飞行轨迹上的障碍物与地面窃听者位置。将无人机飞行过程划分为N个时隙,设定无人机等高度飞行,且速度始终保持每个时隙飞行距离为d。
无人机在第n时隙的位置表示为:
r(n)=[x(n),y(n),H],
其中,n表示时隙序号,x(n),y(n)分别表示无人机的水平面上的横纵坐标,H为飞行高度;
空中障碍物中心点位置表示为:
其中,j=1,2,...,Nb表示障碍物序号;
地面用户位置表示为:
其中,i=1,2,...,K表示用户序号;
窃听者位置表示为:
reve=[xeve,yeve,0]。
步骤二,对无人机通感信号以及感知过程建模;为本发明后续感知空中障碍以及地面窃听者奠定基础。
进一步,所述步骤二的具体过程如下:
步骤2.1考虑系统模型中无人机发射的通感信号波形为线性调频连续波(LFMCW),其通感信号表示为:
通感信号频率随时间t∈[0,T]线性增加:
fT(t)=fc+ut,
其中,fT(t)表示FMCW信号频率,fc表示载波频率,表示调频斜率,B表示信号带宽,T表示信号时宽;
步骤2.2对于距离无人机Rl,相对速度为v的目标,发射无人机接收信号相对发射信号的延迟为:
其中,由于本系统设置感知范围为100m内,无人机移动速度为10m/s,故将近似为:
基于可知理想情况下接收回波信号可以表示为:
其频率为:
fR(t)=fc+u(t-τ)
步骤2.3将步骤2.2得到的接收信号sr(t)与步骤2.1得到的发射信号st(t)进行混频得到混频信号,表示为:
/>
采用积化和差公式可以表示为:
步骤2.4将步骤2.3得到的混频信号sm(t)经过低通滤波器后可以得到一个单一频率的正弦波信号,即为差频信号:
差频信号的特点是信号频率为接收信号与发射信号之差,表示为:
将处理后的差频信号sd(t)进行采样并采用快速傅里叶变换FFT处理提到频率信息,即可求出目标距离信息:
步骤三,基于步骤二构建的通感信号以及感知过程,感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离-多普勒(range-doppler,简称为RD)数据,再通过恒虚警检测算法(Constant False Alarm Rate Detector,简称为CFAR)进行目标检测,最后通过多重信号分类(Multiple Signal Classification,简称为MUSIC)算法进行角度估计,从而得到空中障碍物以及地面窃听者的坐标;为本发明后续生成安全轨迹以及保密波束形成奠定基础。
进一步,所述步骤三的具体过程如下:
步骤3.1将步骤2.4中差频信号sd(t)进行FFT处理后得到距离-频率数据,即RDM矩阵,表示为:行为距离维,列为频率维,矩阵值为功率谱;对于RD数据,采用单元平均恒虚警检测算法(CA-CFAR)感知目标数量以及距离和速度信息:定义训练单元半径r_train与保护单元半径r_grain,训练单元、保护单元、被检测单元一同组成了以被检测单元为中心的,边长为r_train的正方形检测区域,该检测区域中训练单元数量为:
num_train=(2r_train+2r_grain+1)2-(2r_grain+1)2,
保护单元数量为:
num_grain=(2r_grain+1)2-1,
CA-CFAR算法通过求解检测区域内训练单元平均幅值作为噪声判断阈值:
当被检测单元RDM(range,doppler)>thresholdCFAR,则认为被检测单元为目标信号,并将其值置为1,否则认为是噪声信号,并将值置为0。通过将检测区域不断平移覆盖RDM矩阵,可以将检测出目标信号的距离信息(目标与无人机的相对距离)以及速度信息(目标与无人机的相对速度)。
步骤3.2使用MUSIC算法计算信号到达角:MUSIC算法基于子空间分解,利用信号子空间和噪声子空间的正交性,构建空间谱函数,通过谱峰搜索,估计信号的参数;具体来说,对于接收信号:
其中,表示均匀平面阵列的方向矩阵,/>表示来波方位角,θ表示来波俯仰角,st(t)为发射信号,n(t)为噪声;
接收信号Y(t)的估计协方差矩阵为:
其中,numK表示积累的感知快拍数,Ry即为多次快拍累计接收信号的协方差矩阵的估计值。对Ry进行特征分解:
其中,Ds和Dn分别是由numt个最大特征值和剩下的MN-numt个小特征值组成的两个对角矩阵(numt表示探测的目标数,对应步骤3.1中CA-CFAR找到的目标数);Es是由numt个最大特征值对应的特征矢量组成,称为信号子空间;En是由剩下的M-numt个小特征值对应的特征矢量组成,称为噪声子空间。因此要得到En可以通过将特征值排序,找到靠后的M-numt个特征值对应的特征矩阵即可。
依据接收方向矩阵与噪声子空间矩阵En正交,构建二维MUSIC空间谱函数:
通过计算谱函数波峰来求得来波方向的角度通过步骤3.1中CA-CFAR算法求出感知目标数量以及距离,再通过MUSIC算法求得目标相对无人机角度,即可算出目标的具体坐标。
步骤四,依据步骤三中感知所得到空中障碍物以及地面窃听者坐标,进行安全轨迹规划;确保无人机在完成原定飞行任务的同时避开障碍物以及窃听者。
进一步,所述步骤四的具体过程如下:
步骤4.1无人机始终朝向已知目的地飞行;在飞行过程中无人机感知周围目标,当感知范围内没有障碍物以及窃听者存在或障碍物及窃听者不在无人机终点航线角度时,无人机飞行角度均为无人机-终点航线角度;
步骤4.2无人机感知范围为Rmax(Rmax>>d),当无人机感知到范围内存在障碍物或窃听者且目标在无人机-终点航线上时,无人机飞行角度调整为偏转最小角度朝向障碍物或窃听者边缘绕过目标,由于无人机感知不间断进行,因此无人机的角度会不断调整,最终使得无人机能够贴近障碍物轮廓来避开障碍,实现精确以及快速的避障轨迹。
步骤五,根据步骤二构建的通感信号以及感知过程,与步骤四规划的安全轨迹,对无人机与地面用户的保密通信过程进行建模;
进一步,所述步骤五的具体过程如下:
步骤5.1在与地面用户的通信过程中,考虑到地面窃听者的存在,在发射信号中添加与发送符号s相互独立的人工噪声nt(人工噪声nt服从复正态分布,功率为RN),表示如下:
x(n)=W(n)st(n)+nt(n),
其中,表示波束形成矩阵,wi(n)表示第i个用户的波束形成向量;
步骤5.2在通信过程中,无人机与地面用户间的通信信道为LOS信道:
其中,是单位距离处的信道增益,λc为波长;ai(n)为方向矢量,对于均匀平面阵列,方向矢量ai(n)为:
其中,表示克罗内克乘积,b为天线间距(本文设置为0.5)。
步骤5.3记为信道矩阵,则对于用户接收信号为:
y(n)=H(n)x(n)+z(n),
窃听者接收到的信号为:
ye(n)=αaH(θ)x(n)+ze(n),
其中,z(n)与ze(n)分别表示用户与窃听者接收噪声,功率分别为与/>α为损耗系数;
步骤5.4第i个用户接收到的信干噪比表示为:
其中,
窃听者接收到的信噪比为:
步骤5.5发射信号的协方差矩阵表示为:
步骤5.6发射信号波束谱函数为:
P=aH(θ)Rxa(θ)。
步骤六,对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;为本发明后续提出保密通信波束形成优化问题奠定基础。
进一步,所述步骤六的具体过程如下:
步骤6.1为了保证无人机与地面用户通信的可靠性,引入用户接收SINR约束:
SINRi(n)≥Γi,i=1,...,K,
其中,Γi为满足第i个用户与无人机通信的接收SINR最小值;
步骤6.2设定无人机发射天线总功率为P0,则发射功率约束为:
tr(Rx)=P0;
步骤6.3为了使发射信号保持通感一体化性能,即同时保证信号通信与感知性能,引入通感一体化约束;对于传统MIMO雷达,设计其波束图的优化问题等价于构建雷达发射信号的协方差矩阵的优化目标,可以表述为:
s.t.tr(R)=P0,
R=RH,
μ≥0,
其中,为第m个感知目标的角度,Mr为感知目标的数量,/>为第m个目标的方向矢量,/>为针对第m个目标的理想波束增益。R为雷达发射信号协方差矩阵。该优化目标通过将雷达发射波束图与理想波束图逼近来求到发射信号协方差矩阵。在本发明中,发射信号的协方差矩阵为/>故为了保证感知性能,通感一体化发射信号的波束图应与理想雷达波束图近似,于是有通感一体化约束如下:
||Rx-R||2≤Δ,
其中,R为理想雷达信号的协方差矩阵,Δ表示实际发射信号协方差矩阵与理想协方差矩阵的偏差阈值。
步骤七,依据步骤三中感知所得地面窃听者坐标以及步骤五构建的通信模型和步骤六构建的优化约束模型,建立保密通信波束形成优化目标;为所要解决的实际问题提供理论基础。
进一步,所述步骤七的具体过程如下:
考虑到窃听者的存在,保密波束形成优化目标的目标函数设计为最小化窃听者的接收SNR,基于SNR与保密速率相关联,最小化窃听SNR会最大化无人机的保密速率,再结合第六步所述约束,得到通感一体化无人机网络中的物理层安全优化目标:
s.t.SINRi(n)≥Γi,i=1,...,K
tr(Rx)=P0
||Rx-R||2≤Δ
rank(Wi)=1
其中,rank(Wi))=1等约束是由于/>
步骤八,建立基于丁克尔巴赫算法的半正定优化算法来求解步骤七中所建立的优化目标;降低了优化问题求解难度,同时为结果的可靠性提供保证。
进一步,所述步骤八的具体过程如下:
步骤8.1为了求解步骤七建立的非凸优化目标,采用丁克尔巴赫算法对步骤七建立的优化目标进行变换:
记
SNRE=c。
则步骤七建立的优化目标可以变形为:
s.t.SINRi(n)≥Γ,i=1,...,K
tr(Rx)=P0
||Rx-R||2≤Δ
rank(Wi)=1
步骤8.2对于求解步骤8.1中所述优化目标,设定迭代间隔ε,使得|cn+1-cn|>ε,则迭代继续;若不满足该条件迭代终止,优化完成。首先由当前无人机位置计算出理想波束图对应的发射协方差矩阵R,随后初始化c0与c1,使得|c1-c0|>ε;
带入c1到步骤8.1所述优化目标中,该问题变成一个半正定优化问题(SDP),通过忽略秩1约束可以求解该问题,得到U1与V1,进而求得判断是否满足|c2-c1|>ε,直到迭代完成即可;
步骤8.3整体无人机飞行过程轨迹与波束形成优化流程如下:在第n时隙,无人机处于r(n),此时无人机感知空中障碍物以及地面目标,即步骤二与步骤二所述过程;随后依据感知信息来规划轨迹避障轨迹,求得r(n+1),即步骤四步所述过程;再根据r(n+1)以及地面用户和窃听者位置来求解保密波束形成,即步骤五、步骤六、步骤七以及步骤八所述过程。
本发明还提供了一种通感一体化无人机网络中的物理层安全传输系统,包括:
通感一体化无人机场景构建模块,用于实现步骤一中构建通感一体化无人机场景;
无人机发射通感信号以及感知过程构建模块,用于实现步骤二中对无人机发射通感信号以及感知过程建模;
障碍物以及窃听者的坐标获取模块,用于实现步骤三中基于步骤二构建的通感信号以及感知过程,感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离-多普勒RD数据,再通过恒虚警检测算法CFAR进行目标检测,最后通过多重信号分类MUSIC算法进行角度估计,得到障碍物以及窃听者的坐标;
安全轨迹规划模块,用于实现步骤四中依据步骤三中感知所得障碍物以及窃听者坐标,进行安全轨迹规划;
无人机与地面用户的保密通信过程构建模块,用于实现步骤五中根据步骤二构建的通感信号以及感知过程,与步骤四规划的安全轨迹,对无人机与地面用户的保密通信过程进行建模;
优化约束模型构建模块,用于实现步骤六中对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;
优化目标建立模块,用于实现步骤七中依据步骤三中感知所得窃听者坐标以及步骤五构建的通信模型和步骤六构建的优化约束模型,建立保密通信波束形成优化目标;
优化目标求解模块,用于实现步骤八中建立基于丁克尔巴赫算法的半正定优化算法来求解步骤七中所建立的优化目标。
本发明还提供了一种通感一体化无人机网络中的物理层安全传输设备,包括:
存储器:存储上述一种通感一体化无人机网络中的物理层安全传输方法的计算机程序,为计算机可读取的设备;
处理器:用于执行所述计算机程序时实现所述的一种通感一体化无人机网络中的物理层安全传输方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现所述的一种通感一体化无人机网络中的物理层安全传输方法。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明在通信感知一体化无人机网络场景进行了应用和仿真验证。应用实例考虑包含一个窃听者以及多个障碍物的多用户无人机通信感知网络,无人机在指定区域飞行同时与地面用户通信,在此过程中感知障碍物以及窃听者位置实现避障轨迹和保密通信。与此同时,在应用实施案例上进行了本发明提出的模型训练和验证分析。如图4-图9所示,为本实施案例的性能分析图,进行了多维度的性能分析,验证了所提出的保密波束形成设计方法的有效性与先进性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
如图4所示,为本发明实施例中无人机在整个飞行过程中的运动轨迹以及地面用户、窃听者、空中障碍物的位置。图中紫色线条表示无人机飞行轨迹,空中“×”表示空中障碍物,地面“Ο”表示地面通信用户,地面“*”表示地面窃听者。从图中可以看出,无人机飞行轨迹在大方向朝向目标的同时,绕开了所有挡在路线中的障碍物和窃听者,说明本发明规划的轨迹避障效果良好;无人机轨迹几乎贴近空中障碍物绕过障碍,这是由于无人机在持续的依据感知信息改变自身运动方向,表明本发明轨迹规划的实时性和高灵敏度。
如图5所示,为本发明实施例中基于丁克尔巴赫的半正定算法的收敛速度。在图中本发明比较了通信用户和窃听者的优化目标函数的值。可以看出,该算法收敛速度较快,只需2-3此迭代即可收敛,相比较与其他算法,该算法具有更低的复杂度。
如图6所示,为本发明实施例中不同天线发射功率下保密速率与用户接收SINR约束门限Γi的关系。从图中可以看出随着Γi的增加,最低保密速率也在逐渐增加。同时,在相同的Γi约束时,增加天线发射功率也会增加保密速率,但两者差距不大,这说明了本发明提出的方案可以保证低功率无人机场景的通信性能。
如图7、图8、图9所示,分别表示无人机感知中目标的RD图、到达角示意图、坐标示意图。从图中可以看出,本发明采用的感知信号处理算法得到的结果中波峰明显,结果清晰,这说明了本发明提出的方案的可靠性、高分辨率。图9中坐标误差也较小,说明了本发明提出方案的高准确性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:包括以下步骤:
步骤一,构建通感一体化无人机场景;
步骤二,对无人机通感信号以及感知过程建模;
步骤三,基于步骤二构建的通感信号以及感知过程,感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离-多普勒RD数据,再通过恒虚警检测算法CFAR进行目标检测,最后通过多重信号分类MUSIC算法进行角度估计,得到障碍物以及窃听者的坐标;
步骤四,依据步骤三中感知所得障碍物以及窃听者坐标,进行安全轨迹规划;
步骤五,根据步骤二构建的通感信号以及感知过程,与步骤四规划的安全轨迹,对无人机与地面用户的保密通信过程进行建模;
步骤六,对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;
步骤七,依据步骤三中感知所得窃听者坐标以及步骤五构建的通信模型和步骤六构建的优化约束模型,建立保密通信波束形成优化目标;
步骤八,建立基于丁克尔巴赫算法的半正定优化算法求解步骤七中所建立的优化目标。
2.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤一的具体过程如下:
所述通感一体化无人机场景包括一个搭载均匀平面阵列的无人机(其阵列数为M=Mx*My)、N个未知的覆盖无人机飞行高度的圆柱形障碍物(其半径为rb)、K个已知的地面通信用户useri(i=1,2,...,K),以及一个未知的地面窃听用户eve,无人机从已知的起点r0=[0,0,H]飞行至目的地rd=[xd,yd,H],根据感知信息进行安全避障轨迹规划并进行保密通信波束形成设计,将无人机飞行过程划分为N个时隙,设定无人机等高度飞行,且速度始终保持每个时隙飞行距离为d;
无人机在第n时隙的位置表示为:
r(n)=[x(n),y(n),H],
其中,n表示时隙序号,x(n),y(n)分别表示无人机的水平面上的横纵坐标,H为飞行高度;
空中障碍物中心点位置表示为:
其中,j=1,2,...,Nb表示障碍物序号;
地面用户位置表示为:
其中,i=1,2,...,K表示用户序号;
窃听者位置表示为:
reve=[xeve,yeve,0]。
3.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤二的具体过程如下:
步骤2.1采用线性调频连续波(LFMCW)为系统模型中无人机发射的通感信号波形,通感信号表示为:
通感信号频率随时间t∈[0,T]线性增加:
fT(t)=fc+ut,
其中,fT(t)表示FMCW信号频率,fc表示载波频率,表示调频斜率,B表示信号带宽,T表示信号时宽;
步骤2.2对于距离无人机Rl,相对速度为v的目标,发射无人机接收信号相对发射信号的延迟为:
其中,设置感知范围为1εεm内,无人机移动速度为1εm/s,故将近似为:
基于可知理想情况下接收回波信号表示为:
其频率为:
fR(t)=fc+u(t-τ)
步骤2.3将步骤2.2得到的接收信号sr(t)与步骤2.1得到的发射信号st(t)进行混频,得到混频信号,表示为:
采用积化和差公式表示为:
步骤2.4将步骤2.3得到的混频信号sm(t)经过低通滤波器后得到一个单一频率的正弦波信号,即为差频信号:
差频信号的特点是信号频率为接收信号与发射信号之差,表示为:
将处理后的差频信号sd(t)进行采样并采用快速傅里叶变换处理提到频率信息,即可求出目标距离信息:
4.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤三的具体过程如下:
步骤3.1将步骤2.4中差频信号sd(t)进行FFT处理后得到距离-频率数据,即RDM矩阵,表示为:行为距离维,列为频率维,矩阵值为功率谱;对于RD数据,采用单元平均恒虚警检测算法(CA-CFAR)感知目标数量以及距离和速度信息:定义训练单元半径r_train与保护单元半径r_grain,训练单元、保护单元、被检测单元一同组成以被检测单元为中心的,边长为r_train的正方形检测区域,该检测区域中训练单元数量为:
num_train=(2r_train+2r_grain+1)2-(2r_grain+1)2,
保护单元数量为:
num_grain=(2r_grain+1)2-1,
CA-CFAR算法通过求解检测区域内训练单元平均幅值作为噪声判断阈值:
当被检测单元RDM(range,doppler)>thresholdCFAR,则认为被检测单元为目标信号,并将其值置为1,否则认为是噪声信号,并将值置为0;通过将检测区域不断平移覆盖RDM矩阵,可以将检测出目标信号的距离信息,即目标与无人机的相对距离以及速度信息,即目标与无人机的相对速度;
步骤3.2使用MUSIC算法计算信号到达角:MUSIC算法基于子空间分解,利用信号子空间和噪声子空间的正交性,构建空间谱函数,通过谱峰搜索,估计信号的参数;对于接收信号:
其中,表示均匀平面阵列的方向矩阵,/>表示来波方位角,θ表示来波俯仰角,st(t)为发射信号,n(t)为噪声;
接收信号Y(t)的估计协方差矩阵为:
其中,numK表示积累的感知快拍数,Ry即为多次快拍累计接收信号的协方差矩阵的估计值;对Ry进行特征分解:
其中,Ds和Dn分别是由numt个最大特征值和剩下的MN-numt个小特征值组成的两个对角矩阵,numt表示探测的目标数,对应步骤3.1中CA-CFAR找到的目标数;Es是由numt个最大特征值对应的特征矢量组成,称为信号子空间;En是由剩下的M-numt个小特征值对应的特征矢量组成,称为噪声子空间;通过将特征值排序,找出靠后的M-numt个特征值对应的特征矩阵即可得到En;
依据接收方向矩阵与噪声子空间矩阵En正交,构建二维MUSIC空间谱函数:
通过计算谱函数波峰来求得来波方向的角度通过步骤3.1中CA-CFAR算法求出感知目标数量以及距离,再通过MUSIC算法求得目标相对无人机角度,即可算出目标的具体坐标。
5.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤四的具体过程如下:
步骤4.1无人机始终朝向已知目的地飞行;在飞行过程中无人机感知周围目标,当感知范围内没有障碍物以及窃听者存在或障碍物及窃听者不在无人机终点航线角度时,无人机飞行角度均为无人机-终点航线角度;
步骤4.2无人机感知范围为Rmax(Rmax>>d),当无人机感知到范围内存在障碍物或窃听者且目标在无人机-终点航线上时,无人机飞行角度调整为偏转最小角度朝向障碍物或窃听者边缘绕过目标。
6.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤五的具体过程如下:
步骤5.1在与地面用户的通信过程中,由于存在地面窃听者,在发射信号中添加与发送符号s相互独立的人工噪声nt,人工噪声nt服从复正态分布,功率为RN,表示如下:
x(n)=W(n)st(n)+nt(n),
其中,表示波束形成矩阵,wi(n)表示第i个用户的波束形成向量;
步骤5.2在通信过程中,无人机与地面用户间的通信信道为LOS信道:
其中,是单位距离处的信道增益,λc为波长;ai(n)为方向矢量,对于均匀平面阵列,方向矢量ai(n)为:
其中,表示克罗内克乘积,b为天线间距;
步骤5.3记为信道矩阵,则对于用户接收信号为:
y(n)=H(n)x(n)+z(n),
窃听者接收到的信号为:
ye(n)=αaH(θ)x(n)+ze(n),
其中,z(n)与ze(n)分别表示用户与窃听者接收噪声,功率分别为与/>α为损耗系数;
步骤5.4第i个用户接收到的信干噪比表示为:
其中,
窃听者接收到的信噪比为:
步骤5.5发射信号的协方差矩阵表示为:
步骤5.6发射信号波束谱函数为:
P=aH(θ)Rxa(θ)。
7.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤六的具体过程如下:
步骤6.1引入用户接收SINR约束:
SINRi(n)≥Γi,i=1,...,K,
其中,vi为满足第i个用户与无人机通信的接收SINR最小值;
步骤6.2设定无人机发射天线总功率为P0,则发射功率约束为:
tr(Rx)=P0;
步骤6.3引入通感一体化约束,构建雷达发射信号的协方差矩阵的优化目标,表述为:
s.t.tr(R)=P0,
R=RH,
μ≥0,
其中,为第m个感知目标的角度,Mr为感知目标的数量,/>为第m个目标的方向矢量,/>为针对第m个目标的理想波束增益;R为雷达发射信号协方差矩阵;该优化目标通过将雷达发射波束图与理想波束图逼近来求到发射信号协方差矩阵;发射信号的协方差矩阵为/>通感一体化约束如下:
||Rx-T||2≤Δ,
其中,R为理想雷达信号的协方差矩阵,Δ表示实际发射信号协方差矩阵与理想协方差矩阵的偏差阈值。
8.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤七的具体过程如下:
由于窃听者的存在,保密波束形成优化目标的目标函数设计为最小化窃听者的接收SNR,基于SNR与保密速率相关联,最小化窃听SNR会最大化无人机的保密速率,再结合步骤六所述约束,得到通感一体化无人机网络中的物理层安全优化目标:
s.t.SINRi(n)≥Γi,i=1,...,K
tr(Rx)=P0
||Rx-T||2≤Δ
rank(Wi)=1
其中,rank(Wi)=1等约束是由于/>
9.根据权利要求1所述的一种通感一体化无人机网络中的物理层安全传输方法,其特征在于:所述步骤八的具体过程如下:
步骤8.1采用丁克尔巴赫算法对步骤七建立的优化目标进行变换:
记
SNRE=c;
则步骤七建立的优化目标变形为:
s.t.SINRi(n)≥Γi,i=1,...,K
tr(Rx)=P0
||Rx-T||2≤Δ
rank(Wi)=1
步骤8.2对于求解步骤8.1中所述优化目标,设定迭代间隔ε,使得|cn+1-cn|>ε,则迭代继续;若不满足该条件迭代终止,优化完成;首先由当前无人机位置计算出理想波束图对应的发射协方差矩阵R,随后初始化c0与c1,使得|c1-c0|>ε;
带入c1到步骤8.1所述优化目标中,该目标变成一个半正定优化问题(SDP),通过忽略秩1约束可以求解该问题,得到U1与V1,进而求得判断是否满足|c2-c1|>ε,直到迭代完成即可;
步骤8.3整体无人机飞行过程轨迹与波束形成优化流程如下:在第n时隙,无人机处于r(n),此时无人机感知空中障碍物以及地面目标,即步骤二与步骤二所述过程;随后依据感知信息来规划轨迹避障轨迹,求得r(n+1),即步骤四步所述过程;再根据r(n+1)以及地面用户和窃听者位置来求解保密波束形成,即步骤五、步骤六、步骤七以及步骤八所述过程。
10.基于权利要求1至9任一项所述的一种通感一体化无人机网络中的物理层安全传输系统,包括:
通感一体化无人机场景构建模块,用于构建通感一体化无人机场景;
无人机发射通感信号以及感知过程构建模块,用于对无人机发射通感信号以及感知过程建模;
障碍物以及窃听者的坐标获取模块,用于实现基于通感信号以及感知过程,感知空中障碍物以及地面窃听者,采用多普勒处理获得感知距离-多普勒RD数据,再通过恒虚警检测算法CFAR进行目标检测,最后通过多重信号分类MUSIC算法进行角度估计,得到障碍物以及窃听者的坐标;
安全轨迹规划模块,用于依据感知所得障碍物以及窃听者坐标,进行安全轨迹规划;
无人机与地面用户的保密通信过程构建模块,用于根据通感信号以及感知过程,与规划的安全轨迹,对无人机与地面用户的保密通信过程进行建模;
优化约束模型构建模块,用于对无人机通信性能约束、感知波束图约束以及发射功率约束进行建模;
优化目标建立模块,用于依据感知所得窃听者坐标以及构建的通信模型和优化约束模型,建立保密通信波束形成优化目标;
优化目标求解模块,用于建立基于丁克尔巴赫算法的半正定优化算法来求解所建立的优化目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215216.3A CN118042454A (zh) | 2024-02-27 | 2024-02-27 | 一种通感一体化无人机网络中的物理层安全传输方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215216.3A CN118042454A (zh) | 2024-02-27 | 2024-02-27 | 一种通感一体化无人机网络中的物理层安全传输方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118042454A true CN118042454A (zh) | 2024-05-14 |
Family
ID=90992940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410215216.3A Pending CN118042454A (zh) | 2024-02-27 | 2024-02-27 | 一种通感一体化无人机网络中的物理层安全传输方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118042454A (zh) |
-
2024
- 2024-02-27 CN CN202410215216.3A patent/CN118042454A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sheng et al. | Maximum likelihood multiple-source localization using acoustic energy measurements with wireless sensor networks | |
Radmard et al. | Antenna placement and power allocation optimization in MIMO detection | |
CN103630910B (zh) | 一种gnss接收机设备的抗干扰方法 | |
Deligiannis et al. | Game theoretic analysis for MIMO radars with multiple targets | |
CN114584235B (zh) | 基于感知的针对移动空中窃听者的上行通信安全方法 | |
Hu et al. | Trajectory planning of cellular-connected UAV for communication-assisted radar sensing | |
Qi et al. | Deep learning-based BackCom multiple beamforming for 6G UAV IoT networks | |
Karaminas et al. | Super-resolution broad null beamforming for cochannel interference cancellation in mobile radio networks | |
CN117459176A (zh) | 数字相控阵天线多方向的噪声调制方法 | |
Miranda et al. | Enhanced direction of arrival estimation via received signal strength of directional antennas | |
US20230144796A1 (en) | Estimating direction of arrival of electromagnetic energy using machine learning | |
Luo et al. | Reconfigurable intelligent surface assisted millimeter wave indoor localization systems | |
CN109425875B (zh) | 卫星信号分离处理装置和方法 | |
Feng et al. | Positional perturbations analysis for micro-UAV array with relative position-based formation | |
Nijsure et al. | WSN-UAV monitoring system with collaborative beamforming and ADS-B based multilateration | |
CN111372195B (zh) | 移动通信网络中移动终端的位置追踪方法、设备及存储介质 | |
CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
CN118042454A (zh) | 一种通感一体化无人机网络中的物理层安全传输方法及系统 | |
CN109001690A (zh) | 基于馈电网络的时域空间域结合的雷达目标检测方法 | |
Jayasekara et al. | Autonomous UAV search for an RF source in urban environments | |
CN111372190B (zh) | 移动终端位置追踪的机器学习模型、方法、设备及存储介质 | |
Jo et al. | AoA-based Position and Orientation Estimation Using Lens MIMO in Cooperative Vehicle-to-Vehicle Systems | |
Chopra et al. | Power Optimized Multiple-UAV Error-Free Network in Cognitive Environment | |
CN111585631A (zh) | 一种提高分布式极化敏感阵列发射增益的波束形成方法 | |
CN117177253B (zh) | 一种智能超表面追踪与覆盖增强的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |