NeFut Logo NeFut
EN 管理员登录

[AI学术] 基于图强化学习的非地面网络分布式物理层认证与协作RSMA

发布于:2026-09-12 22:00 最后更新:2026-09-15 01:15
#AI #Machine Learning #Graph

本文针对非地面网络(NTN)中的物理层认证(PLA)提出一种安全自适应联邦认证框架 SAFA‑MZ。威胁模型假设被动、具备位置感知且静止的窃听者无法获取合法信道状态信息(CSI),但可以监听上行下行信号。为抵御此类窃听,系统在多层率分裂多址(RSMA)结构中嵌入组级认证标签,并采用私有信号与公共信号联合波束成形。人工噪声(AN)用于削弱窃听者的信道观测,组差分隐私(GDP)进一步防止标签被推断攻击。用户依据语义优先级分组,以信息重要性为依据分配保密光谱效率(SSE)。

我们将 HAPS 位置、用户关联以及 RSMA 功率分配作为决策变量,构建在认证可靠性、功率上限、覆盖约束以及概率保密约束下的 SSE 最大化问题:

$$ \max_{\mathbf{p},\mathbf{A},\mathbf{x}} \; \mathrm{SSE}(\mathbf{p},\mathbf{A},\mathbf{x}) $$

其中 $\mathbf{p}$ 为功率向量,$\mathbf{A}$ 为 HAPS 部署矩阵,$\mathbf{x}$ 为用户关联指示。约束包括 $\Pr\{\text{认证错误}\}\le \epsilon_{\text{auth}}$、$\Pr\{\text{信息泄漏}\}\le \epsilon_{\text{sec}}$、以及每个 HAPS 的功率上限 $P_{\max}$. 为求解该混合整数非凸问题,本文提出两种算法。修复式交叉熵方法(RCEM)通过迭代抽样并对不满足约束的解进行修复,时间复杂度约为 $O(N^2)$($N$ 为用户数)。图感知优势演员‑评论家(GA2C)将用户关联映射为图结构,利用图卷积网络提取邻域特征,并在优势演员‑评论家框架中进行策略梯度更新,复杂度为 $O(N)$. 实验在协同与非协同窃听两种场景下进行,结果显示 SAFA‑MZ 相比单链路传输提升平均 SSE 最高 135%,相较于不使用 AN 的基线提升 21%。这些结果验证了该方案在动态 NTN 环境中的可扩展性与安全性。

点评:SAFA‑MZ 将认证标签与 RSMA 深度融合,利用图强化学习实现低时延推理,兼顾保密性与资源效率,为未来 NTN 安全接入提供了可行路径。

原文链接: https://arxiv.org/abs/2609.09475

[h] 返回首页