基于并行CNN 的RIS 輔助D2D 保密通信系統(tǒng)資源分配算法

朱政宇，侯庚旺，黃崇文，孫鋼燦，郝萬明，梁靜

（1.鄭州大學信息工程學院，河南 鄭州 450001；2.鄭州大學電子材料與系統(tǒng)國際聯(lián)合研究中心，河南 鄭州 450001；3.浙江大學信息與電子工程學院，浙江 杭州 310027；4.鄭州大學電氣工程學院，河南 鄭州 450001)

0 引言

隨著物聯(lián)網(wǎng)（IoT，Internet of things）業(yè)務(wù)的高速發(fā)展，數(shù)據(jù)流量需求顯著增長，無線頻譜資源緊缺的現(xiàn)象日益嚴重。3GPP 正在不斷推進新興的無線通信技術(shù)，設(shè)備到設(shè)備（D2D，device-to-device）通信被認為是5G通信中具有前景的技術(shù)之一。D2D技術(shù)不僅能提高頻譜利用率和系統(tǒng)容量，還能降低信息傳輸時延和基站（BS，base station）負載壓力。此外，D2D 技術(shù)已正式被列為應(yīng)急通信領(lǐng)域的標準技術(shù)，針對應(yīng)急通信中頻譜短缺的問題，引入D2D技術(shù)能有效提高頻譜利用率[1-3]。

D2D 技術(shù)可以實現(xiàn)D2D 通信用戶與蜂窩用戶（CU，cellular user）之間頻譜資源共享。但同時也將增加系統(tǒng)干擾，嚴重影響通信質(zhì)量，甚至導致無法正常通信。為減小D2D 通信對通信系統(tǒng)的干擾，文獻[4]提出一種D2D 通信系統(tǒng)中的頻譜分配和功率分配的聯(lián)合優(yōu)化選擇方法，將非凸問題轉(zhuǎn)化為一個多項式問題以求得最佳分配方案，最大化所有D2D 用戶和CU 通信的和速率。文獻[5]研究了增強D2D 通信系統(tǒng)中的資源分配問題，提出一種交替迭代優(yōu)化算法，在保證CU 最小傳輸速率要求下提高系統(tǒng)總傳輸速率。針對D2D 通信復(fù)用蜂窩資源帶來的干擾問題，文獻[6]考慮了一種干擾控制和資源分配算法，通過構(gòu)建干擾圖，為D2D 用戶尋找可以復(fù)用的信道資源，提出一種信道資源分配策略，能夠有效提高系統(tǒng)吞吐量和D2D 用戶的接入率。

智能超表面（RIS，reconfigurable intelligent surface）作為一種新的革命性技術(shù)，能實現(xiàn)頻譜和能量的高效利用[7-9]。RIS 由大量的無源低成本反射單元構(gòu)成，每個反射單元能夠調(diào)整入射電磁波的相位和振幅，并對其進行反射[10]。因此，可以利用RIS 設(shè)計無源波束，即通過改變每個反射單元的反射系數(shù)（包括相位和振幅）來增強所需信號并抑制干擾。RIS 的典型架構(gòu)包括一個智能控制器和三層結(jié)構(gòu)（即反射元件、銅背板和控制電路板）[11]。與RIS 相連的控制器可以智能調(diào)節(jié)反射系數(shù)，并與其他網(wǎng)絡(luò)組件通信，以實現(xiàn)對無線傳播環(huán)境的重新配置，從而在物理層的層面上提升D2D 通信系統(tǒng)的抗干擾能力。最近已有學者對RIS 輔助D2D 通信進行了研究，文獻[12]通過聯(lián)合優(yōu)化基站發(fā)射波束和RIS的反射波束，最大化RIS 輔助D2D 通信系統(tǒng)和速率。

隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，機器學習在計算機視覺、自然語言處理等領(lǐng)域均取得了重大突破[13]。與此同時，無線通信中的問題也開始嘗試使用機器學習方法尋找解決方案，如非正交多址接入、認知無線電、信道估計和頻譜分配[14-17]等。深度學習作為機器學習的一個分支，已被用于D2D通信中[18-22]。針對5G 網(wǎng)絡(luò)中IoT 網(wǎng)絡(luò)的D2D 通信，文獻[18]提出一種基于深度學習的IoT-D2D 通信自主功率分配算法，通過分布式深度學習優(yōu)化其功率，在抑制干擾的同時獲得更高的系統(tǒng)吞吐量。針對雙工D2D 網(wǎng)絡(luò)的傳輸功率分配問題，文獻[19]考慮一種深度神經(jīng)網(wǎng)絡(luò)（DNN，deep neural network）模型，將問題表述為一個非線性規(guī)劃模型，通過標準優(yōu)化工具得到訓練數(shù)據(jù)，讓DNN 從訓練數(shù)據(jù)中學習系統(tǒng)，從而得到具有高服務(wù)質(zhì)量分配策略的DNN 模型。文獻[20]考慮了多天線蜂窩系統(tǒng)D2D通信，提出一種基于深度學習的資源分配算法，在滿足CU和D2D 用戶數(shù)據(jù)傳輸速率要求的同時，最大化系統(tǒng)能效，并證明多D2D 用戶通信優(yōu)于傳統(tǒng)的單D2D 用戶通信。由于D2D 在數(shù)據(jù)速率、覆蓋率和數(shù)量上的激增，無線網(wǎng)絡(luò)資源分配問題已成為十分具有挑戰(zhàn)性的問題。文獻[21]針對D2D 通信系統(tǒng)，提出一種深度強化學習方法，在能源消耗和網(wǎng)絡(luò)性能之間取得平衡。文獻[22]考慮多個RIS 賦能的太赫茲通信系統(tǒng)，提出了多跳混合波束成形的實現(xiàn)架構(gòu)以及基于強化學習的波束成形的設(shè)計。

D2D 通信場景中安全性非常重要，當傳輸信息包含個人隱私或敏感數(shù)據(jù)時，必須要實現(xiàn)D2D 安全通信。文獻[23]設(shè)計了一個輕量級安全D2D 系統(tǒng)，提出一種用于D2D 安全通信的輕量級高效密鑰分配方案，以較低的能耗和計算資源實現(xiàn)2 個設(shè)備之間安全的信息交換。文獻[24]考慮合作D2D 通信系統(tǒng)，設(shè)計了一種安全的波束成形方案，在保證CU保密速率要求下最大化D2D 用戶傳輸速率。目前，針對RIS 輔助D2D 通信系統(tǒng)在保密性方面考慮較少，且大多采用凸優(yōu)化、塊坐標下降[9]等方法，并沒有嘗試更加新穎的技術(shù)，如深度學習、強化學習等技術(shù)[25]。隨著RIS 發(fā)射元素增加，所需處理數(shù)據(jù)的維度也將顯著增加，此時凸優(yōu)化、塊坐標下降等方法的計算復(fù)雜度將大大提升，甚至難以求解。而深度學習在處理高維數(shù)據(jù)方面已展現(xiàn)出十分優(yōu)異的性能，這也為RIS 輔助D2D 通信系統(tǒng)的資源分配提供了一種新的解決思路。因此，本文針對RIS輔助D2D 保密通信系統(tǒng)，設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN，convolutional neural network）的資源分配方案，對基站波束成形向量和RIS 相移進行優(yōu)化，在保證D2D 用戶正常通信下，最大化CU 保密傳輸速率。本文主要貢獻如下。

1)在RIS 輔助D2D 通信下行鏈路中，D2D用戶通過復(fù)用CU 的頻譜資源進行通信，其中一個CU 的頻譜資源可以被多個D2D 用戶復(fù)用。針對D2D 用戶復(fù)用CU 頻譜資源通信時對CU 通信造成干擾的問題，通過優(yōu)化RIS 相移和波束成形向量來抑制干擾，提高系統(tǒng)保密速率。

2)針對RIS 輔助D2D 通信系統(tǒng)，考慮BS發(fā)射功率、RIS 反射系數(shù)和D2D 通信速率約束，構(gòu)建了CU 保密速率最大化問題模型。該問題是一個非線性規(guī)劃問題，難以直接求解，因此本文提出了一種并行CNN 資源分配算法。

3)仿真結(jié)果驗證了所提算法的有效性和RIS輔助D2D 系統(tǒng)的顯著優(yōu)勢。與傳統(tǒng)方案相比，本文所提方案能夠有效提高系統(tǒng)保密傳輸速率。

1 系統(tǒng)模型及問題描述

本文研究場景為傳統(tǒng)蜂窩小區(qū)采用D2D 通信技術(shù)，并在小區(qū)內(nèi)部署RIS，控制器負責與基站進行信息交互，并智能控制發(fā)射元素的相移。通過優(yōu)化基站波束成形矢量和RIS 相移，從而提升系統(tǒng)保密速率。

1.1 系統(tǒng)描述

考慮一個RIS 輔助D2D 通信系統(tǒng)下行鏈路，如圖1 所示，基站配備M根天線，周圍分布一個CU和K對D2D 用戶，每對D2D 用戶包含一個發(fā)射用戶（DT，D2D transmitter）和一個接收用戶（DR，D2D receiver）。D2D 用戶通過復(fù)用CU 頻譜資源實現(xiàn)通信，使小區(qū)內(nèi)出現(xiàn)同頻干擾。與此同時，D2D 用戶將作為潛在竊聽者（Eve，eavesdropper）竊聽CU 的傳輸信息，其隨機分布在小區(qū)內(nèi)?？紤]實際成本及可行性，對RIS 的反射相位取離散值，其中，RIS 包含N個反射單元，假設(shè)每個反射單元的相移離散為2 bit，相移范圍為[0，2π]。特別地，假設(shè)信道信息狀態(tài)已知，其中，BS 到RIS、CU、DR、Eve 的信道增益分別為RIS 到CU、DR、Eve 的信道增益分別為；DT 到RIS、DR、CU、Eve的信道增益分別為

圖1 RIS 輔助D2D 通信系統(tǒng)

1.2 毫米波D2D 信道模型

本文采用Saleh-Valenzula 理論信道模型[26]，信道矢量表示為

其中，λ為信號波長，d1和d2分別為元素在水平和垂直方向的間距，和分別為水平和垂直方向的天線元素，I(n)={0，1，…，n-1}。

1.3 問題構(gòu)建

在下行傳輸鏈路中，CU 的接收信號為BS 到CU的直接傳輸信號、RIS 的反射信號和由復(fù)用其頻譜的D2D 用戶的同頻干擾信號。因此，CU 的接收信號為

第i個DR 的接收信號為

Eve 的接收信號為

由香農(nóng)定理可得，CU 的傳輸速率為

同理，第i個D2D 用戶的傳輸速率為

其中，γc為CU 處的信干噪比，為第i個DT 用戶的信干噪比。

由于D2D 不僅干擾CU，也對Eve 產(chǎn)生干擾，因此Eve 的竊聽速率為

則CU 的保密速率為

其中，[·]+=max {·，0}。

本文以CU 的保密速率作為衡量系統(tǒng)中物理層安全的性能指標，在滿足D2D 用戶傳輸速率約束條件下最大化CU 的保密速率。綜上所述，該優(yōu)化問題可以表示為

其中，C1表示基站發(fā)射功率約束，Pmax為基站最大發(fā)射功率；C2 表示RIS 恒模約束；C3表示每條D2D 鏈路的傳輸速率約束，Rmin為D2D 用戶能正常通信的最小傳輸速率。由于變量之間存在高度耦合，問題式(12)是一個典型的非凸優(yōu)化問題[27]，難以求得最優(yōu)解。

2 基于并行卷積神經(jīng)網(wǎng)絡(luò)的資源分配算法

由于問題式(12)是一個非凸優(yōu)化問題，為了解決此問題，本節(jié)提出了一種并行CNN 模型，如圖2 所示。首先，采用卷積層對信道狀態(tài)信息進行特征提??；然后，通過全連接層選擇最佳資源分配方案。該并行CNN 模型既能降低單個模型的復(fù)雜度，又能提高模型的穩(wěn)定性、準確性和可擴展性，能夠在顯著降低復(fù)雜度和運行時間情況下提升系統(tǒng)保密速率。

圖2 并行CNN 模型

具體地，首先，構(gòu)建由2 個CNN 組成的并行計算系統(tǒng)，設(shè)定每個CNN 模型的具體參數(shù)；然后，根據(jù)文獻[28]算法得到大量數(shù)據(jù)樣本，采用聚類方法對數(shù)據(jù)樣本聚類，將遠離簇的離群點視為異常值，對其剔除。而后對剩余數(shù)據(jù)樣本做歸一化處理，得到所需數(shù)據(jù)集，并將數(shù)據(jù)集以8:2 比例分為訓練集和驗證集。最后，利用訓練集訓練模型，并用驗證集來驗證并行CNN 模型的效果。

2.1 并行CNN 建模

本文設(shè)計了一種并行CNN 計算模型，每個CNN 的結(jié)構(gòu)如圖3 所示。其中，一個CNN 模型求解波束成形向量f，將其構(gòu)建成回歸問題；另一個CNN 模型求解RIS中N個反射單元的相移θ，其為典型的分類問題。

具體地，每個模型均由以下兩部分組成：1)特征提取部分，由三層卷積層構(gòu)成，負責從信道信息狀態(tài)中提取關(guān)鍵特征；2)資源選擇部分，由兩層全連接層構(gòu)成，利用提取的特征選擇最佳資源配置方案。由于并行CNN 模型中每個CNN 能夠獨立訓練和使用，運行時間將顯著降低。

2.2 數(shù)據(jù)預(yù)處理

毫米波信道矩陣每個元素都擁有幅度和相位，即每個元素均能采用Aeiθ描述，根據(jù)歐拉公式eiθ=cosθ+isinθ進行轉(zhuǎn)化，將每個元素表示為復(fù)數(shù)形式。利用CNN 模型訓練時，使用復(fù)數(shù)作為輸入將難以提取特征[29]。因此，本文將元素的實部和虛部拆分再拼接成一個二維矩陣。根據(jù)系統(tǒng)配置，CNN 模型的輸入數(shù)據(jù)維度為{M+N+MN+K2+K2N，2}。

2.3 訓練階段

首先，對網(wǎng)絡(luò)參數(shù)初始化，將信道信息輸入神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)前向傳播計算得到輸出。然后，對輸出結(jié)果進行運算得到損失函數(shù)，再利用反向傳播更新網(wǎng)絡(luò)參數(shù)。最后，使模型輸出的損失函數(shù)降到最低并趨于穩(wěn)定，完成CNN 模型的訓練。

具體地，CNN 每層參數(shù)如圖3 所示。第一卷積層卷積核數(shù)量為5，卷積核大小為2×3，激活函數(shù)為ReLU；第二卷積層卷積核數(shù)量為7，卷積核大小為2×2，激活函數(shù)為ReLU；第三卷積層卷積核數(shù)量為5，卷積核大小為3×3，激活函數(shù)為ReLU；第一全連接層的神經(jīng)元個數(shù)為256，激活函數(shù)為ReLU；第二全連接層的神經(jīng)元個數(shù)為64，激活函數(shù)為ReLU。特別地，用于求解波束成形向量的CNN是回歸問題，因此輸出層采用最小均方誤差（MSE，mean-square error）作為損失函數(shù)；用于求解RIS相移是分類問題，損失函數(shù)采用Softmax 函數(shù)。

圖3 單個CNN 的結(jié)構(gòu)

2.4 測試階段

為了驗證并行CNN 模型的泛化性能，在測試階段，使用測試數(shù)據(jù)集對訓練完成的模型進行評估。具體地，首先將信道矩陣作為輸入，訓練完成輸出并行CNN 模型，然后將輸出結(jié)果與傳統(tǒng)算法比較，計算并行CNN 模型的預(yù)測精度。具體過程如算法1 所示。

算法1并行CNN 算法

輸入信道矩陣，hDRI，hDTDR，gDTC和

輸出并行CNN 模型

步驟1構(gòu)建并行CNN 模型，將數(shù)據(jù)集分為訓練集和測試集兩部分。

步驟2隨機初始模型中神經(jīng)元權(quán)重，設(shè)置學習速率η（0＜η＜1）、每批輸入數(shù)據(jù)量Batch size 及訓練次數(shù)Epoch。

步驟3訓練并行CNN，輸入訓練數(shù)據(jù)，經(jīng)過前向傳播得到輸出值，采用誤差函數(shù)計算誤差，并使用Adam 優(yōu)化器優(yōu)化網(wǎng)絡(luò)中的參數(shù)。

步驟4重復(fù)步驟3，直至誤差值小于誤差容限或達到最大訓練次數(shù)。

步驟5利用驗證集評估并行CNN模型的性能。

3 仿真實驗與分析

本節(jié)通過仿真實驗驗證所提算法的有效性。仿真平臺由Python3 開發(fā)，采用深度學習平臺Pytorch 來完成并行CNN模型的搭建和訓練。系統(tǒng)部署如圖4所示，其他仿真參數(shù)如表1 所示。同時采用以下3 種基準方案進行對比：1)系統(tǒng)不部署RIS（無RIS 方案）；2)系統(tǒng)部署RIS，采用隨機相移；3)系統(tǒng)部署RIS，采用塊坐標下降法[9]求RIS 相移，簡稱為文獻[9]方案。

圖4 系統(tǒng)部署

表1 仿真參數(shù)

所提并行CNN 模型的訓練誤差隨訓練次數(shù)的變化如圖5 所示。從圖5 可知，訓練誤差隨訓練次數(shù)的增加而減小，當訓練次數(shù)為2 000 次時，訓練誤差趨于穩(wěn)定，達到收斂。

圖5 訓練誤差隨訓練次數(shù)的變化

CU 最大保密傳輸速率與RIS 反射元素數(shù)量N的關(guān)系如圖6 所示。從圖6 可知，當PB=25 dB和K=15時，所提方案優(yōu)于其他3 種基準方案，且隨著RIS反射元素數(shù)量增加，CU 最大保密速率呈單調(diào)遞增趨勢。當反射元素數(shù)量N=30 時，所提方案的CU 最大保密速率比文獻[9]方案、隨機相移和無RIS 方案分別高出0.675 bit/s、1.790 bit/s和6.747 bit/s，證明了所提方案的有效性。

圖6 CU 最大保密傳輸速率與RIS 反射元素數(shù)量N 的關(guān)系

CU 最大保密速率與基站發(fā)射功率PB的關(guān)系如圖7 所示。當K=15和N=40 時，隨著PB增加，CU最大保密速率呈遞增趨勢，且所提方案優(yōu)于其他3 種基準方案。對比分析可知，RIS 輔助的系統(tǒng)保密速率明顯優(yōu)于無RIS 方案，尤其是隨著基站發(fā)射功率的增大，RIS 方案與無RIS 方案的差異愈加明顯，原因在于RIS 為系統(tǒng)提供了新的自由度和分集增益。

圖7 CU 最大保密速率與基站發(fā)射功率PB 的關(guān)系

CU 最大保密速率與D2D 用戶數(shù)量K的關(guān)系如圖8所示。從圖8可以看出，當基站發(fā)射功率PB=25 dB和RIS 反射元素N=40 時，隨著D2D 用戶數(shù)量增加，CU 最大保密速率逐漸下降，原因在于隨著小區(qū)內(nèi)D2D 數(shù)量增加，D2D 用戶對CU 用戶的干擾也會愈加嚴重，但所提方案的CU 最大保密速率仍然優(yōu)于其他3 種基準方案。

圖8 CU 最大保密速率與D2D 用戶數(shù)量K 的關(guān)系

由于隨機相移和無RIS 這2 種基準方案未考慮RIS 相移的優(yōu)化且系統(tǒng)性能較差，因此，本文主要比較了不同RIS 反射元素數(shù)量和D2D 數(shù)量情形下所提并行CNN 算法與塊坐標下降法[9]的運算時間。為了便于分析比較，2 種算法的仿真均在處理器為R7-5800H @3.2 GHz、16 GB 運行內(nèi)存、6 GB 顯存的機器上運行，基站發(fā)射功率為PB=25 dB，每次僅調(diào)整RIS 反射元素數(shù)量或D2D 用戶數(shù)量其中一個變量，分別得到運算時間與RIS 反射元素數(shù)量及D2D 用戶數(shù)量關(guān)系如圖9 所示。從圖9(a)可知，并行CNN 算法所需運算時間遠小于塊坐標下降法，且隨著RIS 反射元素數(shù)量的增加，這種差距愈加顯著。從圖9(b)可知，隨著小區(qū)內(nèi)D2D 用戶數(shù)量增加，塊坐標下降法的運算時間也越來越長，而并行CNN算法運行時間基本不變，且遠小于塊坐標下降法。原因在于隨著RIS 反射元素數(shù)量或D2D 用戶數(shù)量增加，系統(tǒng)將變得更加復(fù)雜，所需處理的數(shù)據(jù)維度也隨之增大，傳統(tǒng)凸優(yōu)化方法的計算復(fù)雜度將明顯增加，因此，需要更長的運算時間。

圖9 所提并行CNN 算法與塊坐標下降法的運行時間的對比

4 結(jié)束語

根據(jù)RIS 增強反射信號以及降低干擾的特點，本文針對RIS 輔助D2D 保密通信系統(tǒng)，提出了一種資源分配方案，對基站波束成形向量和RIS 相移進行優(yōu)化，在基站發(fā)射功率、D2D 傳輸速率和RIS 相移約束下使CU 保密速率最大化。由于該優(yōu)化問題是非凸問題，難以直接求解，本文提出一種基于并行CNN 模型的資源分配算法。仿真結(jié)果表明，本文所提算法具有良好的收斂性，能夠有效提升CU保密速率，且時間復(fù)雜度顯著小于傳統(tǒng)凸優(yōu)化算法。實驗結(jié)果表明，RIS 輔助的D2D 通信系統(tǒng)保密速率要明顯優(yōu)于無RIS 的系統(tǒng)。