RIS-shield：基于智能反射面并结合深度强化学习的6G海量物联网物理层安全技术

《Scientific Reports》：RIS-shield: intelligent reflecting surface-aided physical layer security with deep reinforcement learning for 6G massive IoT

　　

摘要

本文提出了一种名为RIS-Shield的智能防御架构，用于保障6G大规模物联网应用的安全部署。该架构将可重构智能表面技术与深度强化学习相结合，解决了传统数学优化方法在高维非凸条件下无法解决的物理层安全难题。具体而言，我们将安全资源分配问题建模为部分可观测马尔可夫决策过程，进而设计出一个轻量级的决策框架：该框架利用图神经网络提取空间特征，通过多头自注意力机制对动态威胁进行优先级排序，再借助元学习加速的近端策略优化算法实现快速策略调整。这一框架通过图结构表示捕捉大量终端之间的空间拓扑关系，从而实现高效的干扰协调和动态威胁应对。GNN–注意力机制–PPO组合通过滑动窗口时间卷积和拓扑图抽象处理高维信道观测数据，使得在资源受限的边缘设备上仍能实现低于4毫秒的推理延迟，同时其安全性能接近交替优化与半定松弛方法的理论上限。实验结果基于五个独立随机种子和三种不同的信道模型得出：与双延迟深度确定性策略梯度法和深度Q网络算法相比，RIS-Shield所需的计算步骤减少了约50%，且98.2%的决策能够满足6G超可靠低延迟通信的要求。此外，元学习驱动的初始化方式还能在不同信道分布和动态拓扑配置下，将冷启动阶段的收敛步骤减少57%（标准差为8.3%）。针对动态窃听者追踪以及不同类型服务的多目标优化实验表明，该架构具备实时适应移动威胁的能力，同时能为工业传感、视频流传输和环境监测等应用提供差异化的服务质量保障。