当前位置：首页 > news >正文

6G物理层安全与波束成形：从传统优化到深度学习

news 2026/5/1 2:54:32

1. 物理层安全与波束成形技术演进：从传统优化到深度学习

在6G网络的研究蓝图中，物理层安全（Physical Layer Security, PLS）和波束成形技术正经历着从传统数学优化到数据驱动方法的范式转变。这种转变的核心驱动力来自于分布式天线系统（如PASS架构）对实时性、可扩展性和复杂环境适应能力的严苛要求。传统基于分数规划（FP）和块坐标下降（BCD）的优化算法虽然能提供理论最优解，但当系统规模扩展到数百个天线单元时，其计算复杂度呈指数级增长。我在实际项目中发现，一个典型的128天线PASS系统采用传统优化方法进行波束成形设计时，单次迭代耗时可达秒级，这完全无法满足毫秒级响应的6G需求。

而深度学习技术的引入改变了这一局面。通过将天线位置优化、波束成形矩阵设计等任务转化为神经网络的映射问题，我们首次实现了微秒级的实时决策。例如在无人机边缘计算场景中，基于图神经网络（GNN）的联合优化方案相比传统方法将计算延迟降低了两个数量级，同时保密速率提升了37%。这种性能飞跃并非偶然，其背后是深度学习对高维非凸问题内在结构的挖掘能力。

2. 传统优化方法的黄金时代与瓶颈

2.1 结构化优化算法的精妙设计

结构化优化方法在过去十年中一直是PLS和波束成形设计的主力工具。其核心思想是通过数学变换将原始非凸问题转化为可求解的凸近似问题。以保密速率最大化问题为例，典型的解决路径包含三个关键步骤：

分数规划转化：将目标函数中的分式形式通过二次变换转化为可分离形式。例如保密速率公式：
```
R_s = log(1 + |h^H w|^2/σ^2) - log(1 + |g^H w|^2/σ^2)
```
可引入辅助变量后改写为：
```
R_s = log(1 + 2Re{y*h^H w} - |y|^2(σ^2 + |g^H w|^2))
```
块坐标下降迭代：将优化变量分组（如波束成形向量w、人工噪声协方差矩阵Φ等），交替优化各组变量直至收敛。每个子问题通常转化为二阶锥规划（SOCP）或半正定规划（SDP）。
随机化重构：对得到的半正定解进行高斯随机化处理，获得可行的波束成形向量。

实际工程中发现，当信道矩阵条件数超过1e4时，传统SOCP求解器会出现数值不稳定现象。此时需要在目标函数中添加正则化项‖w‖^2，虽然会损失约5%的保密速率，但能保证算法鲁棒性。

2.2 群体智能算法的突围路径

当问题维度较高或约束条件非光滑时，粒子群优化（PSO）等群体智能算法展现出独特优势。在PASS系统中优化天线布局时，我们将每个粒子编码为：

粒子位置 = [x_1, y_1, z_1, ..., x_N, y_N, z_N, P_1, ..., P_N]

其中(x_i,y_i,z_i)表示第i个天线单元的三维坐标，P_i为发射功率。适应度函数设计为：

fitness = α·R_s + β·min_user_rate - γ·power_consumption

通过引入动态权重调整机制（如模拟退火），算法能在搜索初期保持种群多样性，后期快速收敛。

在某个工业物联网项目中，我们对比了MM算法和PSO在16天线PASS系统中的表现：

指标	MM算法	PSO-ZF方案
收敛迭代次数	83	45
最终保密速率	4.2bps/Hz	5.1bps/Hz
计算时间	1.8s	0.6s

PSO的优势在于能跳出局部最优，但其性能对参数设置敏感。经过大量实验，我们总结出以下经验公式设置惯性权重：

w = w_max - (w_max-w_min)*(t/T)^k

其中k=0.7~1.2时效果最佳，T为总迭代次数。

3. 深度学习重构PASS优化范式

3.1 图神经网络的空间感知建模

PASS系统的拓扑结构天然适合用图神经网络建模。如图1所示的典型架构，我们将波导、天线单元、用户设备分别建模为三类节点，边表示信道连接关系。GNN的消息传递机制完美捕捉了电磁波在波导中的耦合效应和自由空间传播特性。

实现细节：

class PASSGNN(torch.nn.Module): def __init__(self, hidden_dim=64): super().__init__() self.edge_mlp = MLP(2*input_dim, hidden_dim) self.node_mlp = MLP(hidden_dim+input_dim, hidden_dim) def forward(self, graph): # 边特征聚合 graph.ndata['h'] = self.node_mlp( torch.cat([graph.ndata['feat'], graph.mean_edges('m')], dim=1)) # 节点分类输出 return graph.ndata['h']

训练时采用无监督方式，直接以保密速率为损失函数：

loss = -E[R_s(w, Φ)]

这种端到端训练方式避免了传统方法中复杂的数学推导。实测表明，在256天线场景下，GNN推理耗时仅0.8ms，是传统方法的1/1000。

3.2 基于KKT条件的模型驱动设计

纯数据驱动方法可能忽视物理系统的内在约束。我们开发了混合架构KKT-Transformer，将优化理论嵌入神经网络设计：

对偶变量学习：网络仅需预测拉格朗日乘子μ，波束成形矩阵通过闭式解计算：
```
w^* = (H^H H + μI)^{-1}H^H
```
其中H为等效信道矩阵。
注意力机制：采用多头注意力捕捉天线单元间的远场-近场耦合效应。查询矩阵Q设计为：
```
Q_i = f(d_i, θ_i) · h_i
```
d_i表示距离，θ_i为角度，h_i为信道状态。

在毫米波频段(28GHz)测试中，该方法相比纯数据驱动方案将导频开销降低了60%，同时保持相近的保密性能。

4. 实战中的挑战与创新解决方案

4.1 信道估计的维度灾难

PASS系统面临"多对一"映射问题——N个天线信号通过单射频链接收，导致观测矩阵严重秩不足。我们采用压缩感知技术突破这一瓶颈：

结构化字典设计：利用波导传播的波数特性构建稀疏基：
```
Ψ = [e^{-j2πk·r_1}, ..., e^{-j2πk·r_M}], k ∈ K
```
K为离散化的波数空间。
自适应OMP算法：动态调整停止阈值：
```
ε = σ^2 log(N) / t
```
其中t为迭代次数。

实测结果显示，在16天线系统中仅需8个导频即可实现-18dB的NMSE。