《ADVANCED ENGINEERING INFORMATICS》：Pilot-driven deep learning based RIS-assisted beamforming for secrecy rate maximization
编辑推荐：
本文针对智能反射面（RIS）辅助多用户下行链路系统中，由于高计算复杂度和信道状态信息（CSI）估计困难导致的安全波束成形挑战，提出了一种名为PilotBeamNet的端到端深度学习框架。该研究通过直接从上行链路导频信号中联合设计基站（BS）发射波束成形和量化RIS相移，避免了显式信道估计和缓慢的迭代算法。研究结果表明，该方法在多种测试条件下均能实现10%–30%的遍历安全速率（ESR）提升，同时将推理延迟降低一个数量级以上，为RIS赋能的物理层安全通信提供了高效实时的解决方案。
在第六代（6G）无线通信网络中，物理层安全（PLS）技术对于保障信息传输的机密性至关重要。可重构智能表面（RIS）作为一种新兴技术，能够通过软件控制智能地重构无线传播环境，从而增强信号覆盖并提升通信安全。然而，在RIS辅助的多用户下行链路系统中，实现安全波束成形面临着严峻挑战。传统的优化方法，如交替优化（AO）和半定松弛（SDR），通常依赖于瞬时级联信道状态信息（CSI）的精确估计，并涉及高计算复杂度的迭代过程，收敛速度慢，难以满足实时通信的需求。特别是在被动式RIS系统中，由于RIS元件无源，获取精确的级联CSI（即BS-RIS-用户链路）本身就是一个难题。此外，窃听者的CSI通常是未知的，这进一步增加了设计鲁棒安全传输方案的难度。因此，迫切需要开发一种能够绕过显式信道估计、直接利用可用观测信息（如上行链路导频）进行快速、自适应安全波束成形的智能方法。
为了应对上述挑战，研究人员在《ADVANCED ENGINEERING INFORMATICS》上发表论文，提出了一种名为PilotBeamNet的创新型导频驱动安全波束成形框架。该研究旨在通过端到端（E2E）的深度学习（DL）方法，联合优化基站发射波束成形矩阵和RIS的离散相移，直接从上行的导频接收信号以及合法用户的位置信息中学习映射关系，最终目标是最大化系统的遍历安全速率（ESR），而无需窃听者的CSI。
研究人员开展此项研究，核心是开发一个高效的深度学习模型。该模型利用上行链路导频阶段接收到的信号（蕴含了信道信息）和合法用户的粗略几何位置信息，作为网络的输入。模型架构主要包含几个关键技术模块：首先，使用一维卷积神经网络（CNN）对每个导频时隙的信号进行特征编码，提取空间特征；接着，利用长短期记忆网络（LSTM）模块结合轻量级时序注意力机制，来聚合多个导频时隙中的时序信息，并突出关键时隙；随后，将提取的导频特征与嵌入后的用户位置特征进行融合；最后，通过一个共享的多层感知机（MLP）主干网络和两个特定的输出头，分别生成基站的发射波束成形向量和RIS的量化相移。训练过程采用蒙特卡洛（MC）采样来模拟未知的窃听者信道，以最大化ESR目标函数，从而确保模型对窃听者CSI的缺失具有鲁棒性。一旦训练完成，PilotBeamNet仅需单次前向传播即可完成推理，延迟极低。研究所用的数据通过系统模型仿真生成，考虑了BS-RIS、RIS-用户、RIS-窃听者链路的路径损耗和衰落特性（如莱斯衰落、瑞利衰落）。
研究结果部分通过多个图表和对比实验，详细展示了PilotBeamNet的性能。在系统模型与问题 formulation部分，明确了下行链路多用户多输入单输出（MISO）系统模型，其中BS配备N根天线，通过具有M个反射单元的RIS服务K个单天线用户，并存在一个被动窃听者。接收信号、可达速率和安全速率的公式被清晰定义。PilotBeamNet的网络架构部分（图3）详细说明了其五个阶段：时序编码（使用CNN处理每个导频时隙）、序列建模（LSTM）、轻量级时序注意力、几何-注意力融合以及联合头部预测（输出波束成形矩阵W和RIS相移矩阵Θ）。在仿真结果部分（图5-图11），研究展示了训练损失曲线、以及ESR随用户数K、RIS单元数M、导频长度L和信噪比（SNR）的变化情况。结果表明，Across all tested conditions（在所有测试条件下），PilotBeamNet均优于传统的交替优化（AO）、多层感知机（MLP）基线以及图神经网络（GNN）等基线方法，实现了10%–30%的ESR提升，且推理延迟降低了超过一个数量级。此外，该模型在RIS相位量化（图11）下仍能保持稳定的性能，显示出对硬件损伤的鲁棒性。消融实验（表2）进一步证实了CNN编码器、LSTM和注意力模块各自的重要贡献。
归纳研究结论和讨论部分，本研究工作的重要意义在于提出并验证了PilotBeamNet这一创新框架。其核心结论是，通过端到端的深度学习，可以直接从易于获取的上行链路导频和用户位置信息中有效学习到安全波束成形策略，从而规避了传统方法对精确CSI估计和高复杂度迭代计算的依赖。这不仅显著提升了物理层安全性能（以ESR衡量），更重要的是实现了低延迟的实时推理，为RIS在未来安全通信系统中的实际部署提供了可行的技术路径。该研究强调了导频驱动和几何信息融合在解决无线安全难题中的潜力。未来的工作可以考虑扩展到更复杂的信道模型、实际的硬件损伤以及动态环境下的自适应学习。
