基于并行CNN 的RIS 辅助D2D 保密通信系统资源分配算法

朱政宇，侯庚旺，黄崇文，孙钢灿，郝万明，梁静

（1.郑州大学信息工程学院，河南 郑州 450001；2.郑州大学电子材料与系统国际联合研究中心，河南 郑州 450001；3.浙江大学信息与电子工程学院，浙江 杭州 310027；4.郑州大学电气工程学院，河南 郑州 450001)

0 引言

随着物联网（IoT，Internet of things）业务的高速发展，数据流量需求显著增长，无线频谱资源紧缺的现象日益严重。3GPP 正在不断推进新兴的无线通信技术，设备到设备（D2D，device-to-device）通信被认为是5G通信中具有前景的技术之一。D2D技术不仅能提高频谱利用率和系统容量，还能降低信息传输时延和基站（BS，base station）负载压力。此外，D2D 技术已正式被列为应急通信领域的标准技术，针对应急通信中频谱短缺的问题，引入D2D技术能有效提高频谱利用率[1-3]。

D2D 技术可以实现D2D 通信用户与蜂窝用户（CU，cellular user）之间频谱资源共享。但同时也将增加系统干扰，严重影响通信质量，甚至导致无法正常通信。为减小D2D 通信对通信系统的干扰，文献[4]提出一种D2D 通信系统中的频谱分配和功率分配的联合优化选择方法，将非凸问题转化为一个多项式问题以求得最佳分配方案，最大化所有D2D 用户和CU 通信的和速率。文献[5]研究了增强D2D 通信系统中的资源分配问题，提出一种交替迭代优化算法，在保证CU 最小传输速率要求下提高系统总传输速率。针对D2D 通信复用蜂窝资源带来的干扰问题，文献[6]考虑了一种干扰控制和资源分配算法，通过构建干扰图，为D2D 用户寻找可以复用的信道资源，提出一种信道资源分配策略，能够有效提高系统吞吐量和D2D 用户的接入率。

智能超表面（RIS，reconfigurable intelligent surface）作为一种新的革命性技术，能实现频谱和能量的高效利用[7-9]。RIS 由大量的无源低成本反射单元构成，每个反射单元能够调整入射电磁波的相位和振幅，并对其进行反射[10]。因此，可以利用RIS 设计无源波束，即通过改变每个反射单元的反射系数（包括相位和振幅）来增强所需信号并抑制干扰。RIS 的典型架构包括一个智能控制器和三层结构（即反射元件、铜背板和控制电路板）[11]。与RIS 相连的控制器可以智能调节反射系数，并与其他网络组件通信，以实现对无线传播环境的重新配置，从而在物理层的层面上提升D2D 通信系统的抗干扰能力。最近已有学者对RIS 辅助D2D 通信进行了研究，文献[12]通过联合优化基站发射波束和RIS的反射波束，最大化RIS 辅助D2D 通信系统和速率。

随着大数据和人工智能技术的发展，机器学习在计算机视觉、自然语言处理等领域均取得了重大突破[13]。与此同时，无线通信中的问题也开始尝试使用机器学习方法寻找解决方案，如非正交多址接入、认知无线电、信道估计和频谱分配[14-17]等。深度学习作为机器学习的一个分支，已被用于D2D通信中[18-22]。针对5G 网络中IoT 网络的D2D 通信，文献[18]提出一种基于深度学习的IoT-D2D 通信自主功率分配算法，通过分布式深度学习优化其功率，在抑制干扰的同时获得更高的系统吞吐量。针对双工D2D 网络的传输功率分配问题，文献[19]考虑一种深度神经网络（DNN，deep neural network）模型，将问题表述为一个非线性规划模型，通过标准优化工具得到训练数据，让DNN 从训练数据中学习系统，从而得到具有高服务质量分配策略的DNN 模型。文献[20]考虑了多天线蜂窝系统D2D通信，提出一种基于深度学习的资源分配算法，在满足CU和D2D 用户数据传输速率要求的同时，最大化系统能效，并证明多D2D 用户通信优于传统的单D2D 用户通信。由于D2D 在数据速率、覆盖率和数量上的激增，无线网络资源分配问题已成为十分具有挑战性的问题。文献[21]针对D2D 通信系统，提出一种深度强化学习方法，在能源消耗和网络性能之间取得平衡。文献[22]考虑多个RIS 赋能的太赫兹通信系统，提出了多跳混合波束成形的实现架构以及基于强化学习的波束成形的设计。

D2D 通信场景中安全性非常重要，当传输信息包含个人隐私或敏感数据时，必须要实现D2D 安全通信。文献[23]设计了一个轻量级安全D2D 系统，提出一种用于D2D 安全通信的轻量级高效密钥分配方案，以较低的能耗和计算资源实现2 个设备之间安全的信息交换。文献[24]考虑合作D2D 通信系统，设计了一种安全的波束成形方案，在保证CU保密速率要求下最大化D2D 用户传输速率。目前，针对RIS 辅助D2D 通信系统在保密性方面考虑较少，且大多采用凸优化、块坐标下降[9]等方法，并没有尝试更加新颖的技术，如深度学习、强化学习等技术[25]。随着RIS 发射元素增加，所需处理数据的维度也将显著增加，此时凸优化、块坐标下降等方法的计算复杂度将大大提升，甚至难以求解。而深度学习在处理高维数据方面已展现出十分优异的性能，这也为RIS 辅助D2D 通信系统的资源分配提供了一种新的解决思路。因此，本文针对RIS辅助D2D 保密通信系统，设计了一种基于卷积神经网络（CNN，convolutional neural network）的资源分配方案，对基站波束成形向量和RIS 相移进行优化，在保证D2D 用户正常通信下，最大化CU 保密传输速率。本文主要贡献如下。

1)在RIS 辅助D2D 通信下行链路中，D2D用户通过复用CU 的频谱资源进行通信，其中一个CU 的频谱资源可以被多个D2D 用户复用。针对D2D 用户复用CU 频谱资源通信时对CU 通信造成干扰的问题，通过优化RIS 相移和波束成形向量来抑制干扰，提高系统保密速率。

2)针对RIS 辅助D2D 通信系统，考虑BS发射功率、RIS 反射系数和D2D 通信速率约束，构建了CU 保密速率最大化问题模型。该问题是一个非线性规划问题，难以直接求解，因此本文提出了一种并行CNN 资源分配算法。

3)仿真结果验证了所提算法的有效性和RIS辅助D2D 系统的显著优势。与传统方案相比，本文所提方案能够有效提高系统保密传输速率。

1 系统模型及问题描述

本文研究场景为传统蜂窝小区采用D2D 通信技术，并在小区内部署RIS，控制器负责与基站进行信息交互，并智能控制发射元素的相移。通过优化基站波束成形矢量和RIS 相移，从而提升系统保密速率。

1.1 系统描述

考虑一个RIS 辅助D2D 通信系统下行链路，如图1 所示，基站配备M根天线，周围分布一个CU和K对D2D 用户，每对D2D 用户包含一个发射用户（DT，D2D transmitter）和一个接收用户（DR，D2D receiver）。D2D 用户通过复用CU 频谱资源实现通信，使小区内出现同频干扰。与此同时，D2D 用户将作为潜在窃听者（Eve，eavesdropper）窃听CU 的传输信息，其随机分布在小区内。考虑实际成本及可行性，对RIS 的反射相位取离散值，其中，RIS 包含N个反射单元，假设每个反射单元的相移离散为2 bit，相移范围为[0，2π]。特别地，假设信道信息状态已知，其中，BS 到RIS、CU、DR、Eve 的信道增益分别为RIS 到CU、DR、Eve 的信道增益分别为；DT 到RIS、DR、CU、Eve的信道增益分别为

图1 RIS 辅助D2D 通信系统

1.2 毫米波D2D 信道模型

本文采用Saleh-Valenzula 理论信道模型[26]，信道矢量表示为

其中，λ为信号波长，d1和d2分别为元素在水平和垂直方向的间距，和分别为水平和垂直方向的天线元素，I(n)={0，1，…，n-1}。

1.3 问题构建

在下行传输链路中，CU 的接收信号为BS 到CU的直接传输信号、RIS 的反射信号和由复用其频谱的D2D 用户的同频干扰信号。因此，CU 的接收信号为

第i个DR 的接收信号为

Eve 的接收信号为

由香农定理可得，CU 的传输速率为

同理，第i个D2D 用户的传输速率为

其中，γc为CU 处的信干噪比，为第i个DT 用户的信干噪比。

由于D2D 不仅干扰CU，也对Eve 产生干扰，因此Eve 的窃听速率为

则CU 的保密速率为

其中，[·]+=max {·，0}。

本文以CU 的保密速率作为衡量系统中物理层安全的性能指标，在满足D2D 用户传输速率约束条件下最大化CU 的保密速率。综上所述，该优化问题可以表示为

其中，C1表示基站发射功率约束，Pmax为基站最大发射功率；C2 表示RIS 恒模约束；C3表示每条D2D 链路的传输速率约束，Rmin为D2D 用户能正常通信的最小传输速率。由于变量之间存在高度耦合，问题式(12)是一个典型的非凸优化问题[27]，难以求得最优解。

2 基于并行卷积神经网络的资源分配算法

由于问题式(12)是一个非凸优化问题，为了解决此问题，本节提出了一种并行CNN 模型，如图2 所示。首先，采用卷积层对信道状态信息进行特征提取；然后，通过全连接层选择最佳资源分配方案。该并行CNN 模型既能降低单个模型的复杂度，又能提高模型的稳定性、准确性和可扩展性，能够在显著降低复杂度和运行时间情况下提升系统保密速率。

图2 并行CNN 模型

具体地，首先，构建由2 个CNN 组成的并行计算系统，设定每个CNN 模型的具体参数；然后，根据文献[28]算法得到大量数据样本，采用聚类方法对数据样本聚类，将远离簇的离群点视为异常值，对其剔除。而后对剩余数据样本做归一化处理，得到所需数据集，并将数据集以8:2 比例分为训练集和验证集。最后，利用训练集训练模型，并用验证集来验证并行CNN 模型的效果。

2.1 并行CNN 建模

本文设计了一种并行CNN 计算模型，每个CNN 的结构如图3 所示。其中，一个CNN 模型求解波束成形向量f，将其构建成回归问题；另一个CNN 模型求解RIS中N个反射单元的相移θ，其为典型的分类问题。

具体地，每个模型均由以下两部分组成：1)特征提取部分，由三层卷积层构成，负责从信道信息状态中提取关键特征；2)资源选择部分，由两层全连接层构成，利用提取的特征选择最佳资源配置方案。由于并行CNN 模型中每个CNN 能够独立训练和使用，运行时间将显著降低。

2.2 数据预处理

毫米波信道矩阵每个元素都拥有幅度和相位，即每个元素均能采用Aeiθ描述，根据欧拉公式eiθ=cosθ+isinθ进行转化，将每个元素表示为复数形式。利用CNN 模型训练时，使用复数作为输入将难以提取特征[29]。因此，本文将元素的实部和虚部拆分再拼接成一个二维矩阵。根据系统配置，CNN 模型的输入数据维度为{M+N+MN+K2+K2N，2}。

2.3 训练阶段

首先，对网络参数初始化，将信道信息输入神经网络，通过网络前向传播计算得到输出。然后，对输出结果进行运算得到损失函数，再利用反向传播更新网络参数。最后，使模型输出的损失函数降到最低并趋于稳定，完成CNN 模型的训练。

具体地，CNN 每层参数如图3 所示。第一卷积层卷积核数量为5，卷积核大小为2×3，激活函数为ReLU；第二卷积层卷积核数量为7，卷积核大小为2×2，激活函数为ReLU；第三卷积层卷积核数量为5，卷积核大小为3×3，激活函数为ReLU；第一全连接层的神经元个数为256，激活函数为ReLU；第二全连接层的神经元个数为64，激活函数为ReLU。特别地，用于求解波束成形向量的CNN是回归问题，因此输出层采用最小均方误差（MSE，mean-square error）作为损失函数；用于求解RIS相移是分类问题，损失函数采用Softmax 函数。

图3 单个CNN 的结构

2.4 测试阶段

为了验证并行CNN 模型的泛化性能，在测试阶段，使用测试数据集对训练完成的模型进行评估。具体地，首先将信道矩阵作为输入，训练完成输出并行CNN 模型，然后将输出结果与传统算法比较，计算并行CNN 模型的预测精度。具体过程如算法1 所示。

算法1并行CNN 算法

输入信道矩阵，hDRI，hDTDR，gDTC和

输出并行CNN 模型

步骤1构建并行CNN 模型，将数据集分为训练集和测试集两部分。

步骤2随机初始模型中神经元权重，设置学习速率η（0＜η＜1）、每批输入数据量Batch size 及训练次数Epoch。

步骤3训练并行CNN，输入训练数据，经过前向传播得到输出值，采用误差函数计算误差，并使用Adam 优化器优化网络中的参数。

步骤4重复步骤3，直至误差值小于误差容限或达到最大训练次数。

步骤5利用验证集评估并行CNN模型的性能。

3 仿真实验与分析

本节通过仿真实验验证所提算法的有效性。仿真平台由Python3 开发，采用深度学习平台Pytorch 来完成并行CNN模型的搭建和训练。系统部署如图4所示，其他仿真参数如表1 所示。同时采用以下3 种基准方案进行对比：1)系统不部署RIS（无RIS 方案）；2)系统部署RIS，采用随机相移；3)系统部署RIS，采用块坐标下降法[9]求RIS 相移，简称为文献[9]方案。

图4 系统部署

表1 仿真参数

所提并行CNN 模型的训练误差随训练次数的变化如图5 所示。从图5 可知，训练误差随训练次数的增加而减小，当训练次数为2 000 次时，训练误差趋于稳定，达到收敛。

图5 训练误差随训练次数的变化

CU 最大保密传输速率与RIS 反射元素数量N的关系如图6 所示。从图6 可知，当PB=25 dB和K=15时，所提方案优于其他3 种基准方案，且随着RIS反射元素数量增加，CU 最大保密速率呈单调递增趋势。当反射元素数量N=30 时，所提方案的CU 最大保密速率比文献[9]方案、随机相移和无RIS 方案分别高出0.675 bit/s、1.790 bit/s和6.747 bit/s，证明了所提方案的有效性。

图6 CU 最大保密传输速率与RIS 反射元素数量N 的关系

CU 最大保密速率与基站发射功率PB的关系如图7 所示。当K=15和N=40 时，随着PB增加，CU最大保密速率呈递增趋势，且所提方案优于其他3 种基准方案。对比分析可知，RIS 辅助的系统保密速率明显优于无RIS 方案，尤其是随着基站发射功率的增大，RIS 方案与无RIS 方案的差异愈加明显，原因在于RIS 为系统提供了新的自由度和分集增益。

图7 CU 最大保密速率与基站发射功率PB 的关系

CU 最大保密速率与D2D 用户数量K的关系如图8所示。从图8可以看出，当基站发射功率PB=25 dB和RIS 反射元素N=40 时，随着D2D 用户数量增加，CU 最大保密速率逐渐下降，原因在于随着小区内D2D 数量增加，D2D 用户对CU 用户的干扰也会愈加严重，但所提方案的CU 最大保密速率仍然优于其他3 种基准方案。

图8 CU 最大保密速率与D2D 用户数量K 的关系

由于随机相移和无RIS 这2 种基准方案未考虑RIS 相移的优化且系统性能较差，因此，本文主要比较了不同RIS 反射元素数量和D2D 数量情形下所提并行CNN 算法与块坐标下降法[9]的运算时间。为了便于分析比较，2 种算法的仿真均在处理器为R7-5800H @3.2 GHz、16 GB 运行内存、6 GB 显存的机器上运行，基站发射功率为PB=25 dB，每次仅调整RIS 反射元素数量或D2D 用户数量其中一个变量，分别得到运算时间与RIS 反射元素数量及D2D 用户数量关系如图9 所示。从图9(a)可知，并行CNN 算法所需运算时间远小于块坐标下降法，且随着RIS 反射元素数量的增加，这种差距愈加显著。从图9(b)可知，随着小区内D2D 用户数量增加，块坐标下降法的运算时间也越来越长，而并行CNN算法运行时间基本不变，且远小于块坐标下降法。原因在于随着RIS 反射元素数量或D2D 用户数量增加，系统将变得更加复杂，所需处理的数据维度也随之增大，传统凸优化方法的计算复杂度将明显增加，因此，需要更长的运算时间。

图9 所提并行CNN 算法与块坐标下降法的运行时间的对比

4 结束语

根据RIS 增强反射信号以及降低干扰的特点，本文针对RIS 辅助D2D 保密通信系统，提出了一种资源分配方案，对基站波束成形向量和RIS 相移进行优化，在基站发射功率、D2D 传输速率和RIS 相移约束下使CU 保密速率最大化。由于该优化问题是非凸问题，难以直接求解，本文提出一种基于并行CNN 模型的资源分配算法。仿真结果表明，本文所提算法具有良好的收敛性，能够有效提升CU保密速率，且时间复杂度显著小于传统凸优化算法。实验结果表明，RIS 辅助的D2D 通信系统保密速率要明显优于无RIS 的系统。