无人机辅助智能超表面非正交多址网络的深度学习安全性能分析

《IEEE Transactions on Cognitive Communications and Networking》：Deep Learning-Enabled Secrecy Performance Analysis of UAV-Aided Reconfigurable Intelligent Surfaces With Non-Orthogonal Multiple Access

本文针对无人机辅助智能超表面（RIS）非正交多址（NOMA）网络中的安全威胁问题，提出了一种结合友好干扰机的物理层安全方案。研究人员通过推导保密中断概率（SOP）的精确解析表达式，并开发深度神经网络（DNN）模型，实现了在动态环境下对系统安全性能的高效预测。研究结果表明，所提方案能有效提升边缘用户的保密性能，为6G无线通信安全提供了新思路。

　　

在第五代（5G）和第六代（6G）无线通信技术快速发展的背景下，移动互联网、虚拟现实等应用对网络连接数量和频谱效率提出了前所未有的需求。预计到2030年，全球将有5000亿设备互联，每个移动用户每月消耗约257GB数据。然而，无线信道的广播特性使得传输信息容易遭受窃听攻击，传统加密方法在计算复杂度和能耗方面难以满足未来网络要求。

可重构智能表面（RIS）作为6G关键使能技术，能够智能调控无线电波的反射、折射特性，从而增强信号质量。无人机（UAV）凭借其高机动性，可快速部署为空中基站。非正交多址（NOMA）技术通过功率域或码域复用，显著提升频谱效率。虽然现有研究探讨了RIS、UAV和NOMA的融合优势，但在动态环境中分析其安全性能仍面临巨大挑战——传统解析方法复杂度高，难以实时评估系统性能。

为解决上述问题，研究人员在《IEEE Transactions on Cognitive Communications and Networking》发表论文，提出一种无人机搭载RIS的NOMA网络安全架构。该系统包含基站（S）、近用户（U₁）、远用户（U₂）和窃听者（U_e）。基站通过NOMA方式同时服务近用户（直连链路）和远用户（通过无人机RIS中继）。为对抗窃听，系统引入友好干扰机（J）发射已知干扰信号，有效降低窃听者信干噪比（SINR）。研究首次采用精确Rician信道模型分析小规模RIS单元场景，突破了传统大规模RIS信道近似方法的局限。

关键技术方法包括：建立三维空间信道模型，推导视距链路概率函数；采用叠加编码和连续干扰消除（SIC）技术实现NOMA传输；优化RIS相移矩阵最大化合法用户接收功率；构建深度神经网络（DNN）模型，以发射信噪比（ρ_s）、目标速率（R_th）、功率分配因子（a₁）和RIS单元数（N）为输入，实现SOP的快速预测。

系统性能分析

通过推导精确SOP表达式发现：当功率分配系数a₂>a₁时，远用户（U₂）的SOP随RIS单元数增加而显著降低，但存在性能饱和现象。例如当N=30时，系统在信噪比40dB处SOP降至10^-3量级，继续增加RIS单元对性能提升有限。

渐近性能分析

高信噪比区域分析表明，近用户（U₁）保密分集阶数为1，远用户（U₂）分集阶数为(κ₂+1)/2，其中κ₂与RIS信道参数相关。这说明RIS通过优化信号传播路径，有效提升了系统的抗窃听能力。

功率分配优化

通过算法1求解最优功率分配问题，发现当a₁=0.2时，NOMA方案在SOP性能上优于正交多址（OMA）方案。优化后的功率分配使系统整体SOP降低约30%，验证了功率域NOMA在安全传输中的优势。

深度学习预测

DNN模型采用三层隐藏层（每层256神经元），训练130万组数据。测试结果表明，预测值与理论值误差小于10^-3，且预测时间仅82.6毫秒，较蒙特卡洛仿真（6.032秒）提升两个数量级。

研究结论表明，无人机RIS-NOMA系统通过智能反射面波束成形和友好干扰协同，可显著提升物理层安全。所提DNN方法为复杂无线环境下的实时安全评估提供了新范式，其快速响应特性特别适合动态变化的6G网络场景。该工作不仅解决了RIS辅助系统在非理想信道条件下的安全分析难题，更开创了数据驱动与模型驱动融合的无线安全研究新路径。