基于深度强化学习的智能反射面用于安全无线通信
信号处理
2020-12-25 v5
摘要
本文研究一种用于物理层安全的智能反射面（IRS）辅助无线安全通信系统，其中部署 IRS 以调节其表面反射单元，在存在多个窃听者的情况下保障多个合法用户的安全通信。为提高系统保密速率，在不同服务质量（QoS）要求与时变信道条件下，构建了联合优化基站（BS）波束成形与 IRS 反射波束成形的设计问题。由于系统高度动态且复杂，且非凸优化问题难以求解，首次提出一种基于深度强化学习（DRL）的安全波束成形方法，以在动态环境中获得抗窃听者的最优波束成形策略。此外，利用后决策状态（PDS）与优先经验回放（PER）方案提升学习效率和保密性能。具体而言，PDS 能够追踪环境动态特征并相应调整波束成形策略。仿真结果表明，所提出的基于深度 PDS-PER 学习的安全波束成形方法能显著提升 IRS 辅助安全通信系统的保密速率与 QoS 满足概率。
引用
@article{arxiv.2002.12271,
title = {Deep Reinforcement Learning Based Intelligent Reflecting Surface for Secure Wireless Communications},
author = {Helin Yang and Zehui Xiong and Jun Zhao and Dusit Niyato and Liang Xiao and Qingqing Wu},
journal= {arXiv preprint arXiv:2002.12271},
year = {2020}
}
备注
This paper appears in IEEE Transactions on Wireless Communications