可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8（2022）334www.elsevier.com/locate/icte基于多任务学习的可重构智能表面辅助无线通信安全传输Sangmi Moona，Young-Hwan Youb，Cheol Hong Kimc，Intae Hwangd，a韩国拿撒勒大学IT人工智能系，韩国天安b韩国首尔世宗大学计算机工程系c韩国首尔崇实大学计算机科学与工程学院d韩国光州全南国立大学电子工程系ICT融合系统工程接收日期：2022年2月27日;接收日期：2022年5月3日;接受日期：2022年5月5日2022年5月14日网上发售摘要可重构智能表面（Reconfigurable intelligent surfaces，RISs）是一种非常有前途的技术，它通过在高度先进的无线通信中智能地重新配置无线传播环境来增强无线网络的容量和覆盖。本研究的目的是解决多个RIS辅助毫米波通信的保密率最大化的问题，通过联合优化的积极RIS和RIS相移所考虑的系统。对于这个非凸问题，我们提出了多任务学习的深度神经网络来预测RIS相移和有源RIS。基于真实三维射线追踪模拟的数值结果表明，该方法可以预测RIS相位和活动RIS，准确率> 96%。这些结果证实了安全无线通信的一种新方法。版 权 所 有 2022 作 者 。 出 版 社 ： Elsevier B.V. 代 表 韩 国 通 信 和 信 息 科 学 研 究 所 这 是 CC BY 许 可 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by/4.0/）。关键词：深度神经网络;多任务学习;可重构智能表面;保密率1. 介绍毫米波（mmWave）通信由于其相当高的数据速率和宽的带宽而被认为是第五代无线通信系统的关键技术[1]。然而，根本的挑战是提高毫米波无线电信道的灵敏度由于减少衍射、更高的路径和穿透损失而导致堵塞[2]。可重构智能曲面技术就是为了解决这一问题而研究的。该技术可以通过克服路径损耗来增加通信传播距离，并且可以通过使用大量的可重构和无源反射元件来调整RIS的相移来确保视线[3]。此外，与现有的直放站方式相比，它还具有成本低、功耗低的优点。 对于集成接入和回程网络，Diamanti等人[4]提出了能源效率的优化，*通讯作者。电子邮件地址：moonsm@kornu.ac.kr（S.Moon），yhyou@sejong.ac.kr（Y.-H. You），cheolhong@ssu.ac.kr（C.H.Kim），hit@jnu.ac.kr（I.Hwang）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2022.05.003相对于RIS元件的相移。实现机密信息的安全传输和避免窃听在无线通信系统的设计中具有挑战性[5]，因为无线信号由于无线通信环境的开放性而容易被窃听。1.1. 先前研究最近，基于物理层安全（PLS）研究了RIS辅助的安全无线通信[6Shen等人。[6]在传输功率和单位模约束下最大化接收信号的功率，以进一步提高保密率。Dong等人[7]提出了一种迭代优化方法，以最大化RIS的相移系数和传输协方差的保密率。Zhou等人[8]提出了一种考虑硬件损伤的RIS辅助安全传输方案。Tang等人[9]利用干扰方案进一步提高了RIS辅助网络的保密率Trigui等人[10]介绍了在安全传输中使用量化相位，其中相移基于2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。S. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334335∈∈ ∈∈θ∈Cr=∑∑、、、E SSH=1。xr是一个二进制变量，xr∈0， 1，其中xr=1ue∼∼=Fig. 1. 系统模型。量化的阶段。Dong等人[11]解决了基于该设计的非凸SR优化问题，并提出了一种交替优化算法，以联合优化发射机处的波束形成器和RIS处的反射系数矩阵。机器学习（ML）被认为是解决分类和回归（预测）问题的强大工具。最近，深度学习（DL）已经成为ML的一个子类别，并在语音处理和计算视觉等领域取得了一些性能突破。这些突破推动了DL在通信问题中的应用，特别是在无线通信领域。在许多先前的研究中已经研究了在RIS增强的无线网络中使用ML/DL [12Taha等人[12]利用DL方法直接从采样信道知识学习RIS反射矩阵，而无需任何RIS知识。汗和Shin [13]研究了信号估计和检测从诸如用户、窃听者（EVE）和RIS位置的输入参数映射到诸如RIS相移和活动RIS的输出参数，然后进行预测。我们进行了性能分析的建议DNN的多个RISs在毫米波通信。具体地，我们模拟的准确性，以评估预测的RIS相移和主动RIS。此外，保密率证明了所提出的解决方案的效率与低复杂度，从而使其成为一个潜在的解决方案，多RIS系统。2. 系统模型和问题表述2.1. 系统模型我们考虑了与合法基站（BS）、EVE和合法用户的多个RIS辅助下行链路通信，如图1所示。在该系统中，多个RIS、r每个建筑物都有一个R，每个RIS都有N个反射元件。BS、用户和EVE配备有单个天线。这个假设只是为了说明的简单性而采用的，并且在这项研究中提出的解决方案和结果可以容易地扩展到多个天线。此外，由于高路径损耗或障碍物阻塞，BS和用户之间没有直接链路[2]。RIS被配置为促进BS与用户之间的通信。设hB，rCN×1，hU，lC1×N，hE，lC1×N代表BS的毫米波信道到第r个RIS，第r个RIS第r个RIS到EVE。 令θldiag（）N×N表示第r个RIS相移矩阵，其中θr=[θr1，. . .，θrN]T ∈CN×1，θrn=ejφn，n=在RIS-enhanced无线网络中。提出了一种基于DL的方法，从RIS接收的反射信号中估计信道和相位角。Gao等人[14]提出了一种基于DL的算法，通过离线训练DL来优化RIS相移。1.2. 研究贡献现有的研究大多集中在单一的区域信息系统上，无法满足用户由于覆盖面有限相反，部署，。. . 其中φn是反射相移。所接收的用户处的信号表示为Ry u=x rhU，rΘrhB，rs + n u.（一）r=1EVE处的接收信号表示为Ry e=x rhE，rΘlhB，rs + n e.（二）r=1whh[ eres]∈C1×1是满足关系式的传输数据无线通信中的多个RIS可以显著地增强服务质量[15]。在这项研究中，我们提出了一个DL解决方案，用于多个RIS辅助毫米波通信，以最大限度地提高保密率。这项研究的主要贡献可归纳如下：本文提出了一种多RIS辅助的安全传输方案，用于配置RIS相移，实现主动RIS。通过提出的解决方案，我们可以通过多个RIS建立通信，从而提高覆盖范围，传播质量和安全率。• 我们采用多任务学习模型，以减少COM-表示第r个RIS处于活动状态。当xr0时，第r个RIS不活动。 nuCN（0，σ2）和neCN（0，σ2）分别是用户和EVE处的加性高斯白噪声信号。为了考虑毫米波信道的特性，我们采用了具有L簇的宽带几何信道[16]。在该模型中，每个集群贡献具有时间延迟τ1以及分别由θ1和φ1给出的方位角和仰角到达角（AoA）的射线。p（τ）表示在τ秒处评估的Ts间隔信令的脉冲整形函数。因此，延迟（d）信道向量在BS和第l个RIS可以表示为：NΣLρl=1·1·培训过程的负担。此外，我们设计了一个深度神经网络（DNN）来学习hR，l=αlp（ d Ts−τl）a（θl，φl），（3）S. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334336Ru=log2 1+σ2x rhU，rΘrhB，rθ r。（四）图二、 基于建议解决方案的系统操作。图3.第三章。多 任务学习模式框架。其中，ρ表示BS与第l个RIS之间的路径损耗，α1是第l个路径的复增益，α（θ1，φ1）是RIS在AoAθ1和φ1处的阵列响应向量。类似地，可以定义第1个RIS和用户/EVE之间的信道hU，l/hE， l2.2. 问题公式化目标是通过联合优化主动RIS和RIS相移来最大化保密率。基于（1），用户的可实现速率由下式给出：1ur=1xl∈0，1，xl∈L（7c）其中θ被约束到预定义码本P，并且x[x1，. . . ，x R] T.3. 基于多任务学习的安全传输由于目标函数和约束的非凸性，（6）中的保密率最大化问题是高度非凸的。在本节中，我们提出了一个多任务学习解决方案来预测相移和活动RIS，如图所示。 二、3.1. 系统操作相移和有源RIS的预测都是分类问题，两者共享相同的输入数据。因此，为了减少训练过程的计算负担，我们提出了一个多任务学习模型 在DNN中执行两项任务。该模型分为两个步骤：离线训练和在线预测。在离线训练过程中，我们首先通过穷举搜索收集数据集，以解决保密率最大化问题。数据集包括用户、EVE和RIS位置作为输入参数，相移和有源RIS作为输出参数。在RIS控制器的数据集收集了足够多的数据后，我们使用DNN来训练多任务学习模型，收集的数据集。在在线预测期间，通过将输入参数（例如用户、EVE和RIS位置）馈送到经训练的多任务学习模型中，可以在输出处预测用于最佳安全传输的参数，包括最佳相移和有源RIS。通过将在线计算的复杂性转移到离线训练中，通过在线预测来确定解决（6）3.2. DNN中的多任务学习模型我们将RIS相移和主动RIS的预测视为两个单独的深度学习任务，这是由于两个独立输出之间的相互作用RIS相移器和主动RIS）的保密率最大化问题。可以提高学习效率和预测精度基于（2），EVE的可实现速率为1e使用多任务学习结构，与这些模型是单独训练的[18]。图 3显示了训练的多任务学习的框架-Re=log2 1+σ2r=1 x rhE，rΘrhB，rθ r。（五）ing模型。我们采用DNN作为深度多任务学习模型 两个学习任务与每个外部交互。 每个因此，保密率表示为[17]Rs=[Ru−Re]+，（6）其中[x]+= max（0，x）。利用训练数据集执行学习任务，训练数据集由J个训练样本组成。因此，我们有Si={Xi，Yi}，（8）在（4）-maxRs，（7a）θ，xS.T. θl， n∈P，θl∈L，θn∈N，（7b）=S. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334337JJJ J其中Xi表示第i个任务中的第j个训练实例，Yi表示其标签。对于输入，两个任务共享相同的输入，即，用户、EVE和RIS位置。对于输出，每个预测中的输出维度根据类别的数量而变化。有|P|RIS阶段的选择S. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334338−∑ie∑=×−×（）下一页∈[]T预测和对应于每个RIS的活动RIS（活动或断电）的2个L1选择。这两个任务都可以被视为一个分类问题，其中每个类别的概率是使用Softmax函数预测的，即，第d类的预测概率为ezd表1深度MIMO数据集参数。参数值频带2.8 GHz系统带宽100 MHz有源RIS BS 6、8BS R1350行，第90pd=Dzi=1、（九）用户从R1000行到R1300行滴头R1650行，第90其中z i，i 1，. . .表示D维投影向量的第i个元素，D是类的总数[18]。损失函数被定义为交叉熵。因此，我们有DL= −tdlogtd，（10）d=1其中td和td分别表示神经元的目标向量和实际所提出的多任务学习模型的损失函数被定义为两个交叉熵的加权和，其被表示为LMTL=PLP+ALA，（11）式中，ΔP和ΔA分别表示相移和有源RIS的权重。LP和LA分别表示相移和有源RIS3.3. 复杂性分析在本小节中，我们分析了所提出的基于学习的相移和主动RIS预测方法的计算复杂性。在离线训练中，计算-DNN的函数复杂度可以表示为：l=1Ll−1Ll−1RIS反射元件的数量88天线间距（波长）0. 5路径数1图四、 基于室外光线跟踪的模拟场景。其中码本PNHCNH×NH是方位角（水平）维度的DFT码本。第n H列，n H= 1，2，. . . ，NH被定义为NHNHO∑L−1n n其中n和n表示的数量1，e− j 2 πn H，. . . ，e− j（NH −1）2 πn H.L神经元1和l层。 另外我们只需要训练我们的学习模型一次，通过移动到离线训练，通过在线预测来确定解决优化问题的最小值。因此，可以通过执行前馈计算而无需迭代来有效地获得优化问题的解。因此，可以大大降低复杂性。4. 仿真结果4.1. 仿真设置模拟设置基于基于室外光线跟踪场景“O1”的公开可用的通用DeepMIMO [19]数据集。参数描述见表1。BS和EVE的位置是固定的，而用户可以在指定的x-y网格中采取任何随机位置我们选择BS 6和BS 8作为RIS。我们在Keras中构建了带有tensorFlow后端的DNN。其余的仿真在MATLAB中实现我们采用DFT码本用于RIS相移码本[20]。具体地，考虑到NH NVUPA结构，我们将RIS相移码本定义为PDFT=PNHKUMPNV，（ 12）S. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334339∼∼∼∼码本PNV也被定义用于仰角（垂直）维度4.2. 绩效评价所提出的架构执行两个任务：（i）预测每个RIS的相移，以及（ii）预测活动RIS，即，每个RIS的活动或断电状态对于相移预测，我们评估了具有不同大小的训练集的top-1，top-3和top-5精度，如图所示。五、Top-1准确度表明，该架构将可能以77%的准确率识别正确的波束。通过考虑由架构预测的前3个和前5个波束的附加波束训练，可以进一步提高该精度。例如，在对架构的前3个预测进行波束训练时，前1个预测准确度增加了16%（从77%增加到89%）。因此，可以提高通信链路的预测性能。此外，该架构实现了对该任务的近乎完美的预测，准确率为96%。这证实了所提出的DNN能够以高成功概率基于用户、EVE和RIS位置S. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334340图五. 相移预测精度。考虑到预测是二进制的，我们只评估了关于主动RIS预测的不同大小的训练集的前1个准确度，如图所示。第六章结果表明，DNN模型基于用户、EVE和RIS位置成功预测了活动RIS，准确率超过98%。图图7示出了不同的RIS辅助方案的保密率的累积分布函数。所提出的方案可以实现更高的保密率比单一的RIS辅助方案。这是因为当部署在太空中时，多个RIS可以提供多于一个的接收信号路径。所提出的RIS辅助方案具有比全活动RIS辅助方案更高的保密率，因为多个RIS辅助方案的活动可以自适应地减少来自EVE的干扰，同时增加用户的信号增益;这导致减少EVE效应和增加保密率。最后，该算法的性能与基于穷举搜索的算法相似，但它可以以较低的复杂度获得近似最5. 结论在这项研究中，我们提出了一个多任务学习模型，以最大限度地提高多个RIS辅助通信的保密率，使用DNN联合优化活动RIS和相应的相移。我们使用精确的三维射线跟踪来分析所提出的深度学习解决方案在RIS辅助的安全无线通信中的性能。仿真结果表明，该方法能够准确预测RIS相移和有源RIS，准确率超过96%。因此，它可以用于未来的RIS辅助安全无线通信CRediT作者贡献声明Sangmi Moon：研究的概念和设计，数据采集，数据分析和/或解释，写作-见图6。 主动RIS预测精度。图第七章保 密 率 的 累积分布函数（CDF）。要出版的手稿的版本。Young-Hwan You：研究的概念和设计，批准将出版的手稿Cheol Hong Kim：November2009- 初稿，批准待出版的手稿版本。Intae Hwang：研究的概念和设计，数据的分析和/或解释，写作-竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢“This work was supported by the National Research Foun-dation of Korea (NRF) grant funded by the Korea government(MSIT: “This research wasS. 穆恩，Y.-H. 你CHKim等人ICT Express 8（2022）334341由韩国教育部（MoE）和韩国国家研究基金会（NRF）引用[1] Rupendra Nath Mitra，Dharma P. Agrawal，5G移动技术：调查，ICT Express 1（3）（2015）。[2] M.马库斯湾毫米波传播：频谱管理的影响，IEEE Microw。麦格6（2）（2005）54[3] Choongil Yeh，Gweon Do Jo，Young-Jo Ko，Hyun Kyu Chung，Perspectiveson 6G wireless communications，ICT Express（2022）.[4] M. Diamanti，P. Charatsaris，E.E. Tsiropoulou，S. Papavassiliou，可重构智能表面在集成接入和回程网络中的前景，IEEE Trans.绿色通讯网络网址：//dx.doi.org/10.1109/TGCN.2021.3126784网站。[5] X. 周 湖 ， 加 - 地 宋 ， Y 。 Zhang ， Physical Layer Security inWirelessCommunications，CRC Press，2013.[6] H.沈，W。Xu，S.贡，加-地他，C.赵，智能反射面辅助多天线通信的速率最大化，IEEE Commun. Lett. 23（9）（2019）1488[7] L. Dong，H.王，基于智能反射面的无线电安全传输，IEEE无线通信。Lett. （2020年）。[8] G. Zhou C.，中国青冈C.潘，H. Ren，K. Wang， Z.彭，基于硬件损伤的MISO系统中的安全无线通信，IEEE无线通信。Lett. 10（6）（2021）1309[9] X.唐，X. Lan、黑腹拟步行虫D.扎伊河，巴西-地Zhang，Z. Han，使用RIS接收器协调保护无线传输：被动波束成形和主动干扰，IEEE Trans.Veh。70（6）（2021）6260-6265。[10] I. 特 里 吉 湾 Ajib ， W. 朱 鹏 ， 利 用 量 化 相位 的 RIS 辅 助 通 信 的Secondary 中 断 概 率 和 平 均 速 率 ，IEEECommun. Lett. 25 （ 6 ）（2021）1820[11] L.董，H- M.王军，白，有源可重构智能表面辅助安全传输，IEEETrans.Veh。71（2）（2022）2181http://dx.doi.org/10.1109/TVT.2021.3135498[12] A. Taha，M. Alrabeiah，A. Alkhateeb，利用压缩感知和深度学习实现大型智能表面，IEEE Access9（2021）44304-44321。[13] S. Khan，S.Y. Shin，可重构智能表面的深度学习辅助检测，2019，[在线]。可用：arxiv：1910.09136.[14] J.Gao，C. Zhong，X. Chen，H.林，Z.张，无监督学习-无源波束形成，IEEE Commun. Lett. 24（5）（2020）1052-1056。[15] C. Huang等人，多跳RIS授权太赫兹通信：基于DRL的混合波束形成设计，IEEE J. Sel. AreasCommun. 39（6）（2021）1663-1677。[16] A. Alkhateeb，S. 作者：Alex，P. 李，智-地Qu，D. Tujkovic ，Deeplearning coordinated beamforming for highly-mobile millimeterwavesystems，IEEE Access 6（2018）37328 -3 7 3 3 7 ，34 8 。[17] X. Lu，W. Yang，X.关角，澳-地Wu，Y.蔡，智能反射表面辅助毫米波MISO系统的鲁棒和安全波束形成，IEEE无线通信。Lett. 9（12）（2020）2068- 2 0 7 2 ， Dec.[18] Sebastian Ruder，深度神经网络中的多任务学习概述，2017，arXiv预印本arXiv：1706.05098。[19] A. Alkhateeb，DeepMIMO：用于毫米波和大规模MIMO应用的通用深度学习数据集，载于：Proc. IEEE ITA，2019年2月。[20] P.V. Amadori，C. Masouros，通过波束选择的低RF复杂度毫米波波束空间MIMO系统，IEEE Trans. Commun. 63（6）（2015）2212-2223。
