一种智能反射面的安全MassiveMIMO系统资源分配方法

一种智能反射面的安全massive mimo系统资源分配方法
技术领域
1.本发明涉及的是基于量子天牛群搜索机制的智能反射面安全massive mimo系统资源分配方法，属于massive mimo安全通信技术领域。


背景技术：

2.massive mimo技术作为5g通信中提高系统容量、传输速率和频谱利用率的关键技术，具有可靠性强、能量效率高等优点。智能反射面是由多个低成本被动无源反射元件所构成的平面阵列，被放置在基站与用户接收端之间，其中每个元件都可以改变入射信号的相位。智能反射面技术被认为是6g通信的潜在技术之一，能够实现重新配置传播环境，提高无线通信的频谱效率和能量效率。怎样将智能反射面技术应用到massive mimo通信系统从而降低系统能耗、改善通信网络边缘用户体验、提高massive mimo系统容量及安全性能成为了一个热点。
3.针对应用智能反射面的无线通信场景，zhaorui wang等在《2020ieee 21st international workshop on signal processing advances in wireless communications》上发表的“intelligent reflecting surface assisted massive mimo communications”研究了在massive mimo通信系统中采用智能反射面来进一步提高上行链路波束成形增益的可行性，但是没有分析用户天线数不唯一的情况。朱政宇等在《通信学报》(2021,vol.42,no.04,pp.185-193)上发表的“基于irs辅助的swipt物联网系统安全波束成形设计”提出了一种安全波束成形设计方法，以最大化能量采集器采集功率为目标，联合优化基站发射波束成形矩阵和干扰机协方差矩阵以及irs相移，将问题建模为具有二次型约束的非凸二次型规划问题，然后将非凸的二次型问题转化为等价的凸问题，并提出一种交替迭代优化算法获取原问题的可行解，但并未分析系统容量，并且只考虑了通信系统只存在一个单天线接收端的场景。
4.通过与现有文献对比，尚未发现基于惩罚机制的智能反射面安全massive mimo系统资源分配，更未有学者针对智能反射面安全massive mimo系统资源分配难题设计量子天牛群搜索机制进行满足系统要求资源分配方案的快速求解。


技术实现要素：

5.针对目前的基于智能反射面的安全massive mimo通信系统存在的问题，提出了一种系统资源分配方法，设计了量子天牛群搜索机制，应用智能反射面在限制窃听容量的同时最大化系统容量，提高massive mimo系统的安全性能以及资源利用率。
6.本发明的目的是这样实现的：步骤如下：
7.步骤一，建立基于智能反射面的安全massive mimo系统模型；
8.步骤二，初始化量子天牛群；
9.步骤三，确定量子天牛群中每只量子天牛的左须和右须的量子位置及适应度；
10.步骤四，更新量子天牛群中每只量子天牛的量子速度、速度和量子位置；
11.步骤五，更新每只量子天牛的局部最优量子位置、整个量子天牛群的全局最优量子位置，更新步长、惯性权重及左右须之间的距离；
12.步骤六，判断是否达到最大迭代次数，将最佳资源分配方法输出；若迭代次数未达到设定的最大迭代次数，则令t＝t+1，返回继续执行步骤三；否则终止迭代，输出量子天牛群的全局最优量子位置；根据量子天牛群的量子位置与位置之间的映射规则得到全局最优位置，进而将基于智能反射面的安全massive mimo系统资源分配方法输出。
13.进一步地，步骤一具体包括：设定基于智能反射面的安全massive mimo系统由基站、中心控制器、智能反射面、用户接收端、窃听器所组成，其中基站的天线数目为a根，用户接收端的天线数目为b根，窃听器天线数目为c根，智能反射面包含d个反射元。基站发送信号后，通过中心控制器调整智能反射面中每个反射元的相移，在窃听器处信息传输速率被限制在一定范围的条件下，使得接收端信息传输速率达到最大。将基站传输功率的矩阵表示为其中diag{
·
}表示对角矩阵，pa即为基站第a根天线的传输功率，a＝1,2,...,a，并且0≤pa≤p
max
，p
max
表示每根基站天线所允许发射的最大功率。将智能反射面中各个反射元的相移控制角所组成的矩阵表示为表示第d个反射元的相移控制角，d＝1,2,...,d，进而得到智能反射面的相移矩阵其中β为反射系数。将基站到接收端的信道状态信息表示为基站到窃听器端的信道状态信息表示为基站到智能反射面的信道状态信息表示为智能反射面到接收端的信道状态信息表示为智能反射面到窃听器端的信道状态信息表示为
14.将基站发送的单位能量信号用表示，智能反射面、窃听器处、接收端的复高斯白噪声分别表示为则可以得到窃听器处收到的信号g
eve
＝(f
bs-eve
+f
ir-eve
·
ψ
·fbs-ir
)
·
p
·
e+f
ir-eve
·
ψ
·nir
+n
eve
，并且接收端接收到的信号g
rec
＝(f
bs-rec
+f
ir-rec
·
ψ
·fbs-ir
)
·
p
·
e+f
ir-rec
·
ψ
·nir
+n
rec
，并且窃听器泄露信息的速率为：
[0015][0016]
其中，det(
·
)表示求矩阵行列式的值，(
·
)h表示矩阵的共轭转置，ic为c
×
c维单位矩阵，其中k1表示智能反射面处的噪声功率，k2表示窃听器处的噪声功率。接收端的信息传输速率为：
[0017][0018]
其中，ib为b
×
b维单位矩阵，其中k3表示接收端处的噪声功率。massive mimo通信系统的窃听容量表示为即窃听器处信息传输速率，系统容量表示为即接收端信息传输速率。
[0019]
对于基于智能反射面的安全massive mimo通信系统，设置优化目标为在窃听容量
被限制在一定范围的条件下使系统容量最大化，表示为约束条件为：0≤pa≤p
max
，a＝1,2,...,a，0≤θd＜2π，d＝1,2,...,d，其中z为所允许的最大窃听容量。
[0020]
进一步地，步骤二具体为：设定量子天牛群的群体规模为j，每只量子天牛的搜索空间维数为l,并且l＝a+d；量子天牛群进化到第t代时，第j只量子天牛的量子速度和量子位置分别为和其中j＝1,2,...,j，l＝1,2,...,l；将第t代第j只量子天牛的速度表示为第t代第j只量子天牛的第l维量子速度与速度之间的映射规则为和即为量子天牛群的速度在第l维搜索区间所能取到的最大值和最小值，取到的最大值和最小值，取其中和即为量子天牛群的的位置在第l维搜索区间所能取到的最大值和最小值；将第t代第j只量子天牛的位置表示为第t代第j只量子天牛的第l维量子位置与位置之间的映射规则为
[0021]
设计有惩罚机制的适应度函数计算出第t代第j只量子天牛的位置的适应度，也就是第t代第j只量子天牛的量子位置的适应度，当所求的位置不满足约束，将该位置的适应度强制为0进行惩罚；第j只量子天牛到第t代为止所经历的适应度最大的量子位置记作局部最优量子位置到第t代为止量子天牛群所搜索到的全局最优量子位置为在第t代，量子天牛群搜索机制的惯性权重为ω
t
，第l维的步长为量子天牛的左右须之间距离为并且其中c1为一常数。
[0022]
进一步地，步骤三具体为：将第t代第j只量子天牛的左须的量子位置和位置分别表示为和第t代第j只量子天牛的左须的第l维量子位置与位置之间的映射规则为将第t代第j只量子天牛的右须的量子位置、位置分别表示为第t代第j只量子天牛的右须的第l维量子位置与位置之间的映射规则为使用来计算第t代第j只量子天牛左须的量子位置，其中abs(
·
)表示取绝对值，量子天牛左须的量子旋转角为z1为一常数；使用来计算第t代第j只量子天牛右须的量子位置，其中量子天牛右须的量子旋转角为z2为一常
数；通过适应度函数和计算出第t代第j只量子天牛左须和右须的位置的适应度，也就是第t代第j只量子天牛左须和右须的量子位置的适应度。
[0023]
进一步地，步骤四具体为：第t+1代第j只量子天牛的第l维量子速度更新为其中量子天牛速度的量子旋转角为c2、c3均为常数，r1、r2为0到1之间均匀分布的随机数；第t+1代第j只量子天牛的第l维量子旋转角更新公式为其中λ、z3均为常数，均为常数，其中sign(
·
)为符号函数，具体定义为
[0024]
第t+1代第j只量子天牛的第l维量子位置的更新公式为
[0025]
进一步地，步骤五具体为：通过量子天牛群的量子位置与位置之间的映射关系得到更新后的每一只量子天牛的位置，通过计算出第t+1代第j只量子天牛更新后的位置的适应度；比较第t+1代第j只量子天牛更新后的量子位置的适应度值与更新前的局部最优量子位置的适应度值；若的适应度小于的适应度，则否则j＝1,2,...,j；在更新局部最优量子位置后，找出第t+1代j个量子天牛的局部最优量子位置中适应度最高的量子位置，将其作为第t+1代的全局最优量子位置在第t+1代更新全局最优量子位置后，根据公式更新步长，其中ι、η均为常数，然后通过得到更新后的量子天牛的左右须之间的距离；按照如下公式更新惯性权重：其中ω
max
为初始时惯性权重，ω
min
为达到最大迭代次数时惯性权重，为最大迭代次数。
[0026]
与现有技术相比，本发明的有益效果是：(1)本发明通过量子天牛优化机制给出了安全massive mimo通信系统分配基站天线传输功率、调整智能反射面各个反射元的相移控制角的方法，节省了硬件资源，提高了massive mimo通信系统的资源利用率。
[0027]
(2)本发明通过将天牛群算法量子化，改进天牛群算法中天牛的左须位置、右须位置的更新公式等方法，得到了解决连续优化问题的量子天牛群搜索机制，提高了原始天牛群算法的收敛性能及全局搜索能力。
[0028]
(3)针对存在窃听器的massive mimo通信系统，本发明通过在限制窃听器处的信
息传输速率在一定范围内的约束条件下，最大程度地提高了接收端的信息传输速率，不仅提升了massive mimo通信系统的保密性能，而且提升了massive mimo通信系统的系统容量，为解决包含窃听器的massive mimo通信系统存在的传输可靠性、保密性等问题提供了一种新思路。
附图说明
[0029]
图1为应用量子天牛群搜索机制来获得基于智能反射面的安全massive mimo系统资源分配方法的示意图。
[0030]
图2为应用量子天牛群搜索机制与天牛群算法所得的基于智能反射面的安全massive mimo通信系统的系统容量随迭代次数变化的曲线。
[0031]
图3为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全massive mimo通信系统的系统容量随每根基站天线所允许的最大发射功率p
max
变化的曲线。
[0032]
图4为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全massive mimo通信系统的系统容量随所允许的最大窃听容量变化的曲线。
具体实施方式
[0033]
下面结合附图与具体实施方式对本发明作进一步详细描述。
[0034]
如图1所示，本发明设计的基于量子天牛群搜索机制的智能反射面安全massive mimo系统资源分配方法包括以下步骤：
[0035]
步骤一，建立基于智能反射面的安全massive mimo系统模型
[0036]
设定基于智能反射面的安全massive mimo系统由基站、中心控制器、智能反射面、用户接收端、窃听器所组成，其中基站的天线数目为a根，用户接收端的天线数目为b根，窃听器天线数目为c根，智能反射面包含d个反射元。基站发送信号后，通过中心控制器调整智能反射面中每个反射元的相移，在窃听器处信息传输速率被限制在一定范围的条件下，使得接收端信息传输速率达到最大。将基站传输功率的矩阵表示为其中diag{
·
}表示对角矩阵，pa即为基站第a根天线的传输功率，a＝1,2,...,a，并且0≤pa≤p
max
，p
max
表示每根基站天线所允许发射的最大功率。将智能反射面中各个反射元的相移控制角所组成的矩阵表示为表示第d个反射元的相移控制角，d＝1,2,...,d，进而得到智能反射面的相移矩阵其中β为反射系数。将基站到接收端的信道状态信息表示为基站到窃听器端的信道状态信息表示为基站到智能反射面的信道状态信息表示为智能反射面到接收端的信道状态信息表示为智能反射面到窃听器端的信道状态信息表示为
[0037]
将基站发送的单位能量信号用表示，智能反射面、窃听器处、接收端的复高斯白噪声分别表示为则可以得到窃听器处收到的
信号g
eve
＝(f
bs-eve
+f
ir-eve
·
ψ
·fbs-ir
)
·
p
·
e+f
ir-eve
·
ψ
·nir
+n
eve
，并且接收端接收到的信号g
rec
＝(f
bs-rec
+f
ir-rec
·
ψ
·fbs-ir
)
·
p
·
e+f
ir-rec
·
ψ
·nir
+n
rec
，并且窃听器泄露信息的速率为：
[0038][0039]
其中，det(
·
)表示求矩阵行列式的值，(
·
)h表示矩阵的共轭转置，ic为c
×
c维单位矩阵，其中k1表示智能反射面处的噪声功率，k2表示窃听器处的噪声功率。接收端的信息传输速率为：
[0040][0041]
其中，ib为b
×
b维单位矩阵，其中k3表示接收端处的噪声功率。massive mimo通信系统的窃听容量表示为即窃听器处信息传输速率，系统容量表示为即接收端信息传输速率。
[0042]
对于基于智能反射面的安全massive mimo通信系统，设置优化目标为在窃听容量被限制在一定范围的条件下使系统容量最大化，表示为约束条件为：0≤pa≤p
max
，a＝1,2,...,a，0≤θd＜2π，d＝1,2,...,d，其中z为所允许的最大窃听容量。
[0043]
步骤二，初始化量子天牛群
[0044]
设定量子天牛群的群体规模为j，每只量子天牛的搜索空间维数为l,并且l＝a+d。量子天牛群进化到第t代时，第j只量子天牛的量子速度和量子位置分别为和其中j＝1,2,...,j，l＝1,2,...,l。初代所有量子天牛的量子速度、量子位置均在量子区间内随机产生。将第t代第j只量子天牛的速度表示为第t代第j只量子天牛的第l维量子速度与速度之间的映射规则为和即为量子天牛群的速度在第l维搜索区间所能取到的最大值和最小值，取其中和即为量子天牛群的的位置在第l维搜索区间所能取到的最大值和最小值。将第t代第j只量子天牛的位置表示为第t代第j只量子天牛的第l维量子位置与位置之间的映射规则为每一代量子天牛群中的每一只量子天牛的位置对应于一种基于智能反射面的安全massive mimo系统资源分配方法。通过设计有惩罚机制的适应度函数计算出第t代第j只量子天牛的位置的适应度，也就是第t代第j只量子天牛的量子位置的适应度，当所求的位置不满足约束，将该位置的适应度强制为0进行惩罚。第j只量子天牛到第t代为止所经历的适应度最大的量子位置记作局部最优量子位置到第t代为止量子天牛群所搜索到的全
局最优量子位置为在第t代，量子天牛群搜索机制的惯性权重为ω
t
，第l维的步长为量子天牛的左右须之间距离为并且其中c1为一常数。
[0045]
步骤三，确定量子天牛群中每只量子天牛的左须和右须的量子位置及适应度
[0046]
将第t代第j只量子天牛的左须的量子位置和位置分别表示为和第t代第j只量子天牛的左须的第l维量子位置与位置之间的映射规则为将第t代第j只量子天牛的右须的量子位置、位置分别表示为第t代第j只量子天牛的右须的第l维量子位置与位置之间的映射规则为使用来计算第t代第j只量子天牛左须的量子位置，其中abs(
·
)表示取绝对值，量子天牛左须的量子旋转角为z1为一常数。使用来计算第t代第j只量子天牛右须的量子位置，其中量子天牛右须的量子旋转角为z2为一常数。通过适应度函数和计算出第t代第j只量子天牛左须和右须的位置的适应度，也就是第t代第j只量子天牛左须和右须的量子位置的适应度。
[0047]
步骤四，更新量子天牛群中每只量子天牛的量子速度、速度和量子位置
[0048]
第t+1代第j只量子天牛的第l维量子速度更新为其中量子天牛速度的量子旋转角为c2、c3均为常数，r1、r2为0到1之间均匀分布的随机数。通过量子天牛群的量子速度与速度之间的映射关系得到更新后的速度。第t+1代第j只量子天牛的第l维量子旋转角更新公式为其中λ、z3均为常数，均为常数，其中sign(
·
)为符号函数，具体定义为第t+1代第j只量子天牛的第l维量子位置的更新公式为
[0049]
步骤五，更新每只量子天牛的局部最优量子位置、整个量子天牛群的全局最优量
子位置，更新步长、惯性权重及左右须之间的距离
[0050]
通过量子天牛群的量子位置与位置之间的映射关系得到更新后的每一只量子天牛的位置，通过计算出第t+1代第j只量子天牛更新后的位置的适应度。比较第t+1代第j只量子天牛更新后的量子位置的适应度值与更新前的局部最优量子位置的适应度值。若的适应度小于的适应度，则否则j＝1,2,...,j。在更新局部最优量子位置后，找出第t+1代j个量子天牛的局部最优量子位置中适应度最高的量子位置，将其作为第t+1代的全局最优量子位置在第t+1代更新全局最优量子位置后，根据公式更新步长，其中ι、η均为常数，然后通过得到更新后的量子天牛的左右须之间的距离。按照如下公式更新惯性权重：其中ω
max
为初始时惯性权重，ω
min
为达到最大迭代次数时惯性权重，为最大迭代次数。
[0051]
步骤六，判断是否达到最大迭代次数，将最佳资源分配方法输出
[0052]
若迭代次数未达到设定的最大迭代次数，则令t＝t+1，返回继续执行步骤三；否则终止迭代，输出量子天牛群的全局最优量子位置。根据量子天牛群的量子位置与位置之间的映射规则得到全局最优位置，进而将基于智能反射面的安全massive mimo系统资源分配方法输出。
[0053]
接下来通过仿真实验进一步说明本发明的有益效果：
[0054]
针对基于智能反射面的安全massive mimo通信系统，设基站坐标位于(0,0)m，智能反射面坐标位于(105,105)m，接收端坐标位于(245,0)m，窃听器坐标位于(240,30)m，其中基站天线数a＝30，智能反射面反射元数d＝40，用户接收端天线数b＝10，窃听器天线数c＝1。每根基站天线所允许发射的最大功率p
max
＝0.1w，智能反射面每个反射元的反射系数β＝1。基站到智能反射面之间的信息传输为视距传输，莱斯因子信道衰落系数为2.2。智能反射面到接收端、窃听器之间的信息传输为视距传输，莱斯因子信道衰落系数为2.2，其中智能反射面处、接收端、窃听器的噪声功率谱密度均为-150dbm/hz，系统带宽为10mhz。基站到接收端、窃听器之间的信息传输为非视距传输，信道衰落系数为3.5。窃听器所被允许的最大信息传输速率z＝12bit/s/hz。基于量子天牛群搜索机制的智能反射面安全massive mimo系统资源分配方法的参数设置如下所示：量子天牛群的群体规模j＝50，最大迭代次数运行次数w
max
＝300，第l维初始步长c1＝5，λ＝0.4，ω
max
＝0.8，ω
min
＝0.2，z1＝π/2，z2＝π/2，c2＝2，c3＝2，z3＝2/π，ι＝0.95，η＝0.004。将天牛群算法同样应用到找寻最优安全massive mimo系统资源分配方法上，并设置两者群体规模、运行次数相同，最大迭代次数均为500次，所有结果均为300次实验的均值。天牛群算法中天牛群的第l维的初始步长及步长更新公式与量子天牛群搜索机制相同，其他参数设置参考wang,tt等在《filomat》(2020,vol.34,pp.5121-5137)上发表的“beetle swarm optimization algorithm：theory and application”。在仿真过程中，在基于智能反射面
的massive mimo系统，所设计的量子天牛群搜索机制的智能反射面安全massive mimo系统资源分配方法记作qbss-ra，基于天牛群算法的智能反射面安全massive mimo系统资源分配方法记作bsa。
[0055]
图2为应用量子天牛群搜索机制与天牛群算法的资源分配方法所得的基于智能反射面的安全massive mimo通信系统的系统容量随迭代次数变化的曲线。从仿真图2中可以看到，量子天牛群搜索机制的全局寻优能力明显优于天牛群算法的全局寻优能力。在窃听器泄露信息的速率被限制在同一范围内的条件下，基于量子天牛群搜索机制的智能反射面安全massive mimo系统资源分配方法的系统容量高于基于天牛群算法的智能反射面安全massive mimo系统资源分配方法的系统容量。
[0056]
图3为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全massive mimo通信系统的系统容量随每根基站天线所允许的最大发射功率p
max
变化的曲线。从仿真图3中可以看到，在窃听器泄露信息的速率被限制在同一范围内的条件下，随着p
max
从0.1w增大到0.3w，系统容量也在不断增加，并且应用量子天牛群搜索机制得到的基于智能反射面的安全massive mimo通信系统的系统容量高于应用天牛群算法得到的基于智能反射面的安全massive mimo通信系统的系统容量。
[0057]
图4为应用量子天牛群搜索机制与天牛群算法得到的基于智能反射面的安全massive mimo通信系统的系统容量随所允许的最大窃听容量变化的曲线。从仿真图4中可以看到，随着所允许的最大窃听容量从10bit/s/hz增大到15bit/s/hz，系统容量也在不断增大，当窃听器与接收端距离较近时，减小窃听容量与增大系统容量是矛盾的。