ABAE-RTN：一种用于无线电变换器网络中鲁棒物理层安全的深度学习框架

《IEEE Transactions on Artificial Intelligence》：ABAE-RTN: A Deep Learning Framework for Robust Physical Layer Security in Radio Transformer Networks

自适应波束成形与Radio Transformer结合的物理层安全框架提升无线通信保密性，通过动态自编码器优化传输策略并注入可控噪声干扰窃听者，实测在DeepMIMO数据集上使秘密速率、误码率和中断概率显著优于LSTM和GNN基线。

　　

影响声明：

所提出的ABAE-RTN框架通过将自适应波束成形与无线电变换网络相结合，提升了无线通信网络中的物理层安全性...显示更多

摘要：

在动态且资源受限的环境中，对安全无线通信的需求日益增加，这使得物理层安全（PLS）成为传统加密技术的有效补充。然而，现有的PLS方法往往面临关键挑战，包括对实时信道变化的适应性有限、在低信噪比（SNR）条件下的抗干扰能力较弱，以及针对复杂窃听策略的保护不足。为了解决这些问题，本文提出了一种基于深度学习（DL）的框架——用于无线电变换网络中的自适应波束成形自动编码器（ABAE-RTN）。该模型将自适应波束成形与无线电变换网络相结合，并利用自动编码器学习最优传输策略，在保证可靠性的同时最大化保密性。此外，它还通过注入可控的人为噪声来干扰潜在的窃听者，从而进一步提高保密性。在DeepMIMO数据集上的实验结果表明，与基于LSTM和GNN的基线方法相比，ABAE-RTN显著提高了保密速率、比特错误率（BER）和中断概率。这些发现凸显了所提出方法在现实世界约束条件下实现强大且安全无线通信的实际有效性和架构优势。