基于深度學(xué)習(xí)的信息高保密率傳輸方法

顏 祺 牛彥杰 陳國(guó)友

1(陸軍工程大學(xué)指揮控制工程學(xué)院 南京 210001) 2(中國(guó)人民解放軍94860部隊(duì) 南京 210046)

隨著5G通信技術(shù)的不斷發(fā)展，多維度的萬(wàn)物互聯(lián)和多用戶的相互協(xié)調(diào)逐漸成為未來(lái)智能化世界的基礎(chǔ)[1-3].在這種情況下，開放性的無(wú)線信道往往面臨著被竊聽的信息安全問(wèn)題.而且，日趨復(fù)雜的電磁環(huán)境也使得通信終端很難通過(guò)傳統(tǒng)的保密措施(如設(shè)計(jì)調(diào)制格式[4]等)來(lái)保證信息保密率[5-6].因此，研究新型的保密手段來(lái)保證通信過(guò)程中的信息安全性是一個(gè)值得關(guān)注的問(wèn)題[7].

多維度的聯(lián)合通信需要多方位的節(jié)點(diǎn)組成大型的多跳無(wú)線網(wǎng)絡(luò)來(lái)保證信息的高效傳輸.為了滿足在這種高復(fù)雜度大空間中的無(wú)線通信安全需求，有學(xué)者提出了利用譯碼轉(zhuǎn)發(fā)的有源中繼方法進(jìn)行信息的無(wú)線傳輸[8-10].在此基礎(chǔ)上，為了獲得最優(yōu)保密率，研究者們進(jìn)一步針對(duì)中繼選擇系統(tǒng)的最大比值組合、分布式選擇組合和分布式切換-停留組合方案進(jìn)行了評(píng)估[11-12].然而，上述傳統(tǒng)的路徑選擇方案缺乏全局的優(yōu)化手段，而且耗時(shí)較長(zhǎng)，難以同時(shí)滿足高密度無(wú)線傳輸?shù)男畔踩院蛯?shí)時(shí)性需求.近年來(lái)，新興的深度學(xué)習(xí)技術(shù)有效解決了傳統(tǒng)算法在全局優(yōu)化與計(jì)算速度方面的問(wèn)題[12-13]，也為解決在無(wú)線網(wǎng)絡(luò)中進(jìn)行信息傳輸?shù)陌踩院蛯?shí)時(shí)性問(wèn)題提供了較好的思路.

本文提出了基于深度學(xué)習(xí)的無(wú)線網(wǎng)絡(luò)信息傳輸方案，以最大限度地提高信息在進(jìn)行無(wú)線傳輸過(guò)程的保密率和運(yùn)算速率.基于多次在不同環(huán)境下采集的無(wú)線通信數(shù)據(jù)和所有中繼節(jié)點(diǎn)的信道狀態(tài)信息(channel state information, CSI)，通過(guò)人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)實(shí)現(xiàn)對(duì)最優(yōu)中繼路徑的選擇，并研究了不同中繼數(shù)量和竊聽者位置對(duì)信息保密性能的影響.仿真結(jié)果表明，該方案的保密率性能與對(duì)所有中繼選擇組合進(jìn)行窮舉搜索所獲得的保密率性能幾乎相同.通過(guò)使用離線訓(xùn)練的模型，幾乎所有的算法復(fù)雜度負(fù)擔(dān)都在訓(xùn)練階段執(zhí)行.因此，復(fù)雜性只取決于分類階段.利用本文方法可以指導(dǎo)無(wú)線網(wǎng)絡(luò)規(guī)劃員制定十分有效的網(wǎng)絡(luò)結(jié)構(gòu)，從而能同時(shí)保證信息傳輸?shù)陌踩耘c實(shí)時(shí)性.在平時(shí)進(jìn)行無(wú)線中繼網(wǎng)絡(luò)搭建的過(guò)程中，大量搜集不同環(huán)境的CSI與無(wú)線通信收發(fā)數(shù)據(jù)，以此訓(xùn)練相應(yīng)的模型，獲得最優(yōu)的參數(shù)，將復(fù)雜的運(yùn)算過(guò)程灌注于平時(shí).在實(shí)際應(yīng)用環(huán)境中，可直接根據(jù)人工神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行無(wú)線網(wǎng)絡(luò)的規(guī)劃，達(dá)到安全高效的目的.

1 系統(tǒng)模型

無(wú)線網(wǎng)絡(luò)系統(tǒng)模型由1個(gè)源節(jié)點(diǎn)S、1個(gè)目的節(jié)點(diǎn)D、DF可信的中繼節(jié)點(diǎn){Rn|1≤n≤Nr}和1個(gè)竊聽節(jié)點(diǎn)E組成，其結(jié)構(gòu)如圖1所示.假設(shè)所有節(jié)點(diǎn)均配備單一天線，工作在半雙工模式下，從S到D存在1條直連鏈路.下面著重介紹2種傳輸方案，即協(xié)同傳輸(cooperative transmission, CT)和2跳傳輸.

圖1 系統(tǒng)模型

1.1 信息的協(xié)同傳輸方案

在該方案的設(shè)計(jì)中采用了多跳傳輸.因此，S和D之間存在Nr個(gè)中繼節(jié)點(diǎn)，而且，信息傳輸是在(Nr+1)時(shí)隙中進(jìn)行的.在第1個(gè)時(shí)隙中，S發(fā)射信號(hào)s，其功率為P0，信息傳輸?shù)哪繕?biāo)是所有的接收終端.此時(shí)，假設(shè)P0=P/2.因此，D處接收到的信號(hào)、第n個(gè)中繼點(diǎn)接收到的信號(hào)、竊聽者處接收到的信號(hào)分別為

(1)

(2)

(3)

其中，hSD為S-D鏈路的復(fù)雜信道增益，hSRn和hSE分別為S-Rn中繼鏈路和S-E竊聽鏈路的復(fù)雜信道增益.zD,zRn和zE是接收方差為δ2的加性高斯白噪聲.

在下一個(gè)時(shí)隙，S與D中間的通信通過(guò)中繼器正確解碼信號(hào)s實(shí)現(xiàn)(這種中繼器稱為有源中繼器).假設(shè)在所有Nr繼電器中選擇T≤Nr的有源中繼器，并在時(shí)隙T中連續(xù)向D發(fā)送信息.因此，第m個(gè)時(shí)隙的D終端、第k個(gè)中繼和竊聽者E處的接收信號(hào)分別為

(4)

(5)

(6)

其中,m=1,2,…,T；k=m+1,m+2, …,T，Pm為第m個(gè)有源中繼器的發(fā)射功率，hRmD,hRmRk,hRmE分別為第m個(gè)中繼器與D之間的鏈路、第m個(gè)中繼器與第k個(gè)中繼器之間的鏈路、第m個(gè)中繼器與竊聽者E之間的鏈路的復(fù)雜信道增益.

設(shè)每個(gè)有源中繼器的發(fā)射功率等于P1/T，其中P1為所有有源中繼器的總發(fā)射功率，設(shè)P1=P/2.此外，假設(shè)所有接收機(jī)都采用最大比合并(maximum ratio combining, MRC)技術(shù)處理接收到的信號(hào).因此，在時(shí)隙T+1中，終端D、竊聽者E和第m個(gè)有源中繼器收到信號(hào)的速率分別為

(7)

(8)

(9)

其中，

以上系統(tǒng)中可實(shí)現(xiàn)的保密率為

Γct=max{ΓD-ΓE,0}，

(10)

其中,ΓD，ΓE分別如式(7)、式(8)所示.

為保證上述方案的可行性，需要檢查有源中繼器是否能正確解碼來(lái)自S的信號(hào)，稱為“DF中繼約束”，如{ΓRm≥Γth|m=1,2,…,T}，其中Γth為速率閾值.

當(dāng)“DF中繼約束”的條件不被滿足時(shí)，則不能得到式(10)中的保密率.在Nr中繼器中的T中繼器被激活的情況下，可以考慮(T,Nr)的場(chǎng)景.考慮1≤T≤Nr，可能存在的中繼選擇場(chǎng)景個(gè)數(shù)為

(11)

其中，T!表示非負(fù)整數(shù)T的階乘.對(duì)于每個(gè)場(chǎng)景，使用“DF中繼約束”條件檢查該場(chǎng)景的可行性，并計(jì)算保密率如式(10)所示.

假設(shè)本文方案中最高保密率為Γct，如式(10)所示.T=0表示采用直傳方案(direct transmission, DT).在這種方案中，D處的速率和竊聽者E處的速率分別可以計(jì)算為

(12)

(13)

那么，本文所提出系統(tǒng)的可實(shí)現(xiàn)保密率為

(14)

在無(wú)傳輸(no transmission, NT)方案中，可實(shí)現(xiàn)的保密率Γnt=0.本文的目標(biāo)是在所有可能的中繼選擇場(chǎng)景中找到一個(gè)案例，以獲得系統(tǒng)的最高可達(dá)到的保密率.那么，在該多跳DF中繼網(wǎng)絡(luò)中，使保密率最大化的中繼選擇問(wèn)題可以表示為

Γs=max{Γnt,Γdt,Γct},

(15)

其中,Γdt,Γct分別如式(10)、式(14)所示，這個(gè)問(wèn)題的解決方法可以概括為以下的“理論算法”：

1) 對(duì)于DT方案，計(jì)算保密率Γdt如式(14)所示；

3) 將式(15)代入所有保密率公式中，計(jì)算相應(yīng)的DT和CT方案，選擇保密率最高的方案.

1.2 信息的2跳傳輸(最佳中繼選擇)方案

該方案將2跳傳輸方案視為基線.選擇一個(gè)滿足“DF約束條件”的有源繼電器，由輔助源向目標(biāo)發(fā)射信號(hào).此時(shí)T=1，信息以2跳方式傳輸.在第1跳中，信息從S傳輸?shù)剿x中繼，在第2跳中，所選中繼將接收到的信號(hào)解碼后轉(zhuǎn)發(fā)給D.

對(duì)于該方案，在2個(gè)時(shí)隙中D、竊聽者E和第m個(gè)有源中繼接收到信號(hào)的速率可計(jì)算為

(16)

(17)

(18)

其中，αRm,D=|hRmD|2，αS,Rm=|hSRm|2/δ2，P1=P0=P/2.則該方案的系統(tǒng)保密率為

(19)

其中，

(20)

式(20)為各有源中繼器的保密率.那么，該方案中最大可達(dá)保密率的中繼選擇問(wèn)題可表示為

(21)

在本研究中，假設(shè)在S有一個(gè)全局CSI.在實(shí)踐中，接收用戶(即E或D)估計(jì)并將來(lái)自S和所有中繼的CSIs的絕對(duì)值反饋給S.當(dāng)Nr中繼存在時(shí)，每個(gè)終端用戶發(fā)送Nr+1的CSIs絕對(duì)值作為反饋信息.

2 深度學(xué)習(xí)中繼選擇

2.1 生成輸入數(shù)據(jù)

對(duì)于訓(xùn)練數(shù)據(jù)集，以此生成L個(gè)CSIs，并從這些CSIs中提取實(shí)值特征向量.然后對(duì)特征向量進(jìn)行歸一化處理.特征向量的生成方法如下:

步驟1. 生成第l個(gè)特征向量dl：

dl=

(22)

步驟2.使用步驟1為L(zhǎng)個(gè)CSIs生成L特征向量.

步驟3.對(duì)特征向量dl進(jìn)行歸一化得到歸一化向量zl.歸一化向量zl的第n個(gè)特征元素可以計(jì)算為

(23)

2.2 標(biāo) 簽

選擇式(15)所示的保密率作為關(guān)鍵績(jī)效指標(biāo).從每個(gè)訓(xùn)練數(shù)據(jù)樣本和關(guān)鍵績(jī)效指標(biāo)可以很容易地確定對(duì)應(yīng)于當(dāng)前樣本的類標(biāo)簽.在S和D之間的通信過(guò)程中需要選擇一種傳輸模式.類標(biāo)號(hào)是包含由傳輸模式和中繼選擇組合的索引組成的重要信息的情況索引.一般情況下系統(tǒng)有Nr個(gè)繼電器，采用P=2Nr+1類標(biāo)號(hào)，其中2Nr個(gè)類標(biāo)號(hào)用于繼電器選擇組合，1個(gè)類標(biāo)號(hào)用于NT方案.表1給出的標(biāo)簽示例表明，當(dāng)給定的CSI的類標(biāo)簽t=0時(shí)，選擇NT方案.當(dāng)t=1時(shí)，選擇DT方案.當(dāng)t=2時(shí)，系統(tǒng)執(zhí)行CT方案.其中一個(gè)中繼器有活動(dòng)，其索引為第1個(gè)中繼器，以此類推.

2.3 構(gòu)建訓(xùn)練數(shù)據(jù)集

在生成輸入樣本和標(biāo)記之后，將輸入輸出對(duì)連接起來(lái)，創(chuàng)建完整的訓(xùn)練數(shù)據(jù)集.

Dtrain={(z1,t1),(z2,t2),…(zL,tL)},

(24)

其中,ti是第i類標(biāo)號(hào).

2.4 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

下面將描述如何用神經(jīng)網(wǎng)絡(luò)分類器解決中繼選擇問(wèn)題.利用標(biāo)記的訓(xùn)練數(shù)據(jù)集，構(gòu)造訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型.該模型的輸入是CSI的絕對(duì)值，輸出是所選中繼器集的指標(biāo)等重要信息，以及其中一種傳輸方案.所考慮的系統(tǒng)信息傳輸性能將選擇DT，CT和NT這3種傳輸方案中的一種，本文介紹的神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)包含在每個(gè)隱藏層中的多個(gè)神經(jīng)節(jié)點(diǎn)(稱為神經(jīng)元元).每一層的輸出都經(jīng)過(guò)一個(gè)稱為“激活函數(shù)”的非線性函數(shù).最常用的激活函數(shù)是整流線性單元(ReLU)函數(shù)，可以表示為

fReLU(x)=max(0,x),

(25)

其中,x是函數(shù)的參數(shù).本方案選擇的激活函數(shù)是ReLU，因?yàn)樗梢詭椭Ｐ透斓厥諗縖29-30].在多分類的情況下輸出層使用激活函數(shù)，可以表示為

(26)

其中,C是類的數(shù)量，i,j∈{1,2，…，C}，xi，xj分別是第i類分?jǐn)?shù)和第j類分?jǐn)?shù).

一般來(lái)說(shuō)，這些層被安排在一個(gè)鏈結(jié)構(gòu)，其中每一層是前一層的激活層，在這里將激活層表示為

o=f(z,w)=
f(k-1)(f(k-2)(f(k-3)(…f(1)(z)))),

(27)

其中,o,z,w分別表示神經(jīng)模型的輸出、輸入和權(quán)值，k為神經(jīng)網(wǎng)絡(luò)的層數(shù).

圖2 ANN模型

如圖2所示，本文設(shè)計(jì)了一個(gè)包含5層的網(wǎng)絡(luò)，取CSIs的絕對(duì)值；第1隱藏層、第2隱藏層和第3隱藏層分別由16Nr個(gè)、32Nr個(gè)和64Nr個(gè)單元組成.輸出層有2Nr+1個(gè)單元，對(duì)應(yīng)2Nr類包含所有組合中繼器選擇案例的保密率值，有一類代表NT方案的保密率值.該層采用Softmax函數(shù)表示所有類的概率分布，得到概率值最大的最優(yōu)類.該類提供了與給定CSI相對(duì)應(yīng)的最佳中繼器選擇和NT方案.

對(duì)于任意規(guī)模的網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型由1個(gè)輸入層、k≥1的隱藏層和1個(gè)輸出層組成.輸入層的元素個(gè)數(shù)等于所有節(jié)點(diǎn)的CSI總數(shù)Nr(Nr+5)/2+2，而第k隱藏層和輸出層的神經(jīng)元個(gè)數(shù)分別為2(k+3)Nr和2Nr+1.

2.5 ANN訓(xùn)練

下面將描述如何選擇適當(dāng)?shù)膮?shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò).總共為訓(xùn)練數(shù)據(jù)生成65萬(wàn)個(gè)樣本(即L=650 000).將訓(xùn)練數(shù)據(jù)集分解為訓(xùn)練集和驗(yàn)證集.用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)參數(shù)，用驗(yàn)證集對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估.對(duì)于以上設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，交叉熵可以作為ANN模型的損失函數(shù).因此，每個(gè)第i個(gè)樣本輸入z(i)的損失函數(shù)可以表示為

Loss(t(i),o(z(i),w,b))=-lb(o(z(i),w,b)),

(28)

其中,t(i)為系統(tǒng)2Nr+1種可能情況中保密率最高的最佳傳播情況的標(biāo)號(hào)，o(i)(z(i),w,b)是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)t(i)的輸出，權(quán)重值為w，偏差值為b.訓(xùn)練過(guò)程的目標(biāo)是找到合適的參數(shù)w和b，使入口訓(xùn)練數(shù)據(jù)集的平均損失(稱為“代價(jià)函數(shù)”)最小.代價(jià)函數(shù)定義為

(29)

其中,集合Θ={w,b}包含ANN模型的每個(gè)訓(xùn)練參數(shù).每個(gè)參數(shù)通常使用梯度下降方法迭代更新.在每次迭代中，每個(gè)參數(shù)同時(shí)更新為

Θm+1=Θm-η?ΘL(Θ),

(30)

其中,?Θ表示為Θ的梯度算子，η為學(xué)習(xí)速率，m為迭代次數(shù).本文提出的ANN模型采用了Adam優(yōu)化算法，因?yàn)樵撍惴ㄖ恍枰?jì)算一階梯度，從而降低了計(jì)算復(fù)雜度[14].此外，為了減少訓(xùn)練中的過(guò)擬合，將文獻(xiàn)[15]中的dropout技術(shù)應(yīng)用到神經(jīng)網(wǎng)絡(luò)模型中，本文選擇10%作為dropout值.

訓(xùn)練過(guò)程結(jié)束后即可獲得參數(shù)w和b，按系統(tǒng)配置，可以獲得新的輸入向量z，并計(jì)算出最高保密率.這意味著，任意1次通道變化都會(huì)獲得1個(gè)新的z值，將這個(gè)z值應(yīng)用到ANN中繼續(xù)訓(xùn)練，而無(wú)需求解式(15)所定義的問(wèn)題.

3 仿真結(jié)果

3.1 信息安全傳輸?shù)哪Ｐ图僭O(shè)

本文方法以保密率作為指標(biāo)來(lái)評(píng)價(jià)系統(tǒng)的有效性.為了進(jìn)行基準(zhǔn)測(cè)試，將DT和2跳傳輸方案的結(jié)果與本文所提出的中繼選擇方法(CT方案)結(jié)果進(jìn)行比較.此外，對(duì)于機(jī)器學(xué)習(xí)方法，將ANN模型與SVM模型的性能進(jìn)行了比較.

其中S-D,S-Rn,S-E,Rn-D,Rn-E的距離分別表示為dSD,dSRn,dSE,dRnD,dRnE.假設(shè)S,Rn和D的位置在1條直線上，其結(jié)構(gòu)見文獻(xiàn)[15].假設(shè)所有通道都經(jīng)歷相同且獨(dú)立的瑞利衰落分布，設(shè)置總發(fā)射功率P=30 dBm，噪聲功率δ2=-30 dBm，路徑損耗指數(shù)c=3.5，閾值速率Γth=0.1 b/(Hz·s-1).假設(shè)S和D分別位于(0 m, 0 m)和(0 m, 120 m)處，或dSD=120 m，所有中繼節(jié)點(diǎn)位于S和D之間，中繼節(jié)點(diǎn)距離為dSD/(Nr+1).假設(shè)當(dāng)dEx沿S和D之間的平行線從50 m移動(dòng)到180 m，dEy從5 m移動(dòng)到10 m時(shí)，竊聽者的位置隨機(jī)變化.

3.2 神經(jīng)網(wǎng)絡(luò)性能驗(yàn)證

本文共為訓(xùn)練數(shù)據(jù)生成65萬(wàn)個(gè)樣本(即L=650 000).為了選擇神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，同時(shí)避免過(guò)擬合問(wèn)題，這些訓(xùn)練數(shù)據(jù)的10%隨機(jī)用于驗(yàn)證階段.在ANN模型中，批量大小為1 024，為了確保模型的最佳性能，本文選擇初始學(xué)習(xí)率為0.001.在獲得訓(xùn)練好的ANN模型后，生成1萬(wàn)個(gè)新的樣本作為測(cè)試數(shù)據(jù)來(lái)評(píng)價(jià)該模型的性能.

圖3 不同中繼節(jié)點(diǎn)數(shù)量的神經(jīng)網(wǎng)絡(luò)性能分析

圖3示出對(duì)應(yīng)于繼電器數(shù)量的3個(gè)不同模型在訓(xùn)練和驗(yàn)證集上每個(gè)訓(xùn)練階段的收斂情況.從圖3可以看出，訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集的精度隨著epoch的增大都在穩(wěn)步提高.每個(gè)模型的訓(xùn)練線和驗(yàn)證線之間的差距是最小的，這意味著不存在過(guò)擬合問(wèn)題.此外，神經(jīng)網(wǎng)絡(luò)方法的性能與繼電器的數(shù)量或輸入大小成反比.可見，基于雙中繼器系統(tǒng)和具有6個(gè)中繼器系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率分別為95.5%和77.7%.

3.3 中繼數(shù)量對(duì)無(wú)線網(wǎng)信息安全性能的影響分析

圖4示出竊聽者在dEx=120 m和dEx=160 m位置上的保密率隨中繼器數(shù)量變化的過(guò)程.此外，該圖還給出了不同Nr值下的窮舉搜索方法和神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法的對(duì)比.基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)和基于窮舉搜索的系統(tǒng)其保密率都隨著中繼器數(shù)量Nr的增加而增加.這說(shuō)明在給定S-D距離條件下，通過(guò)增加跳數(shù)可以提高系統(tǒng)的保密性能.當(dāng)Nr<4時(shí)，而ANN方法的結(jié)果接近于窮舉搜索方法.

3.4 竊聽位置對(duì)無(wú)線網(wǎng)信息安全性能的影響分析

圖5給出了ANN方法和支撐向量機(jī)(support vector machine, SVM)方法的性能比較，以及用不同Nr值窮舉搜索竊聽者位置變化的結(jié)果.顯然，竊聽者的位置對(duì)機(jī)器學(xué)習(xí)方法的性能有直接影響.當(dāng)竊聽者位于源附近(dEx<100 m)時(shí)，機(jī)器學(xué)習(xí)方法的有效性顯著，當(dāng)竊聽者位于源較遠(yuǎn)(dEx>100 m)時(shí)，SVM方法的性能相對(duì)較低.在大部分情況下，神經(jīng)網(wǎng)絡(luò)方法的有效性都高于SVM方法.此外，當(dāng)網(wǎng)絡(luò)變得更加復(fù)雜、中繼數(shù)量更多時(shí)，SVM方法的性能明顯下降，而ANN方法的結(jié)果接近于窮舉搜索方法.

圖5 神經(jīng)網(wǎng)絡(luò)方法與支持向量機(jī)方法的性能比較

3.5 中繼數(shù)量和竊聽位置對(duì)信息安全性的影響分析

CT方案、最佳中繼選擇方案、DT方案這3種傳動(dòng)方案的比較如圖6所示.圖6(a)(b)分別采用2個(gè)中繼器和6個(gè)中繼器作為通信鏈路模型.2張圖的結(jié)果中都具有1個(gè)共同點(diǎn)，即本文的ANN方案的保密性優(yōu)于CT方案、最佳中繼選擇方案和DT方案.不同之處在于，隨著中繼器數(shù)量的增加，4種方案的整體保密性都有所提高.這說(shuō)明，在實(shí)際應(yīng)用中，適當(dāng)增加中繼數(shù)量可提高整個(gè)通信鏈路的保密性.

4 結(jié) 語(yǔ)

本文通過(guò)人工神經(jīng)網(wǎng)絡(luò)的方法選擇出能夠克服具有“DF中繼限制”的無(wú)線網(wǎng)絡(luò)中的最優(yōu)保密率問(wèn)題.仿真結(jié)果表明，本文方法與窮舉搜索方法相比，在顯著縮短計(jì)算時(shí)間的同時(shí)，能使系統(tǒng)的保密率達(dá)到最優(yōu)；增加跳數(shù)可以提高系統(tǒng)的安全性；本文所提出的中繼選擇方案的保密性能優(yōu)于2跳傳輸方案和DT方案.該結(jié)構(gòu)具有可重構(gòu)性，能夠通過(guò)實(shí)際無(wú)線信道數(shù)據(jù)重新訓(xùn)練模型來(lái)適配特定的應(yīng)用場(chǎng)景，而無(wú)需從頭構(gòu)建新的模型.本文方案可以應(yīng)用于具有多個(gè)竊聽者的大規(guī)模網(wǎng)絡(luò)，能有效解決在多跳中繼無(wú)線通信過(guò)程的保密率問(wèn)題.