⚡ electrical engineering

Two-Stage Heterogeneous Graph Neural Network for RIS-Aided Physical-Layer Security

تقترح هذه الورقة شبكة عصبية رسومية غير متجانسة ثنائية المراحل تزيد من كفاءة طاقة السرية في أنظمة MISO المدعومة بأسطح عاكسة ذكية (RIS) بكفاءة عالية، وذلك عبر توليد إزاحات الطور لأسطح RIS ومتجهات تشكيل الحزم، محققةً أداءً قريبًا من الأمثل مع تقليل زمن الحوسبة بشكل كبير مقارنة بطرق الأمثلة المحدبة التقليدية.

المؤلفون الأصليون: Zihan Song, Yang Lu, Wei Chen, Bo Ai, Zhiguo Ding, Arumugam Nallanathan

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zihan Song, Yang Lu, Wei Chen, Bo Ai, Zhiguo Ding, Arumugam Nallanathan

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول إجراء محادثة سرية مع مجموعة من الأصدقاء في غرفة مزدحمة وصاخبة (الشبكة اللاسلكية). ومع ذلك، هناك متصنتون ("إيفز/Eves") يتربصون حولكم لمحاولة سرقة أسراركم. علاوة على ذلك، فإن الغرفة بها صوتيات غريبة تشوه صوتك.

هنا يأتي دور السطح الذكي القابل لإعادة التشكيل (RIS). فكر في الـ RIS كجدار سحري ضخم مكون من آلاف المرايا الصغيرة والذكية. يمكن لهذه المرايا أن تميل وتلتوي فورياً لتعكس صوتك (الإشارة) بشكل مثالي نحو أصدقائك بينما تعكسها بعيداً عن المتصنتين.

المشكلة هي أن تحديد كيفية إمالة آلاف المرايا بدقة، وكيفية الصراخ (تشكيل الشعاع - beamforming)، وكيفية إنشاء ضوضاء مزيفة لتضليل المتصنتين هو بمثل الكابوس الرياضي. الحواسيب التقليدية تستغرق وقتاً طويلاً لحله، وغالباً ما تتعثر فيه.

تقدم هذه الورقة البحثية "عقلاً" جديداً لهذا النظام يسمى الشبكة العصبية الرسومية غير المتجانسة ثنائية المرحلة (Two-Stage Heterogeneous Graph Neural Network - HGNN). وإليك كيف يعمل هذا النظام بتبسيط شديد:

١. استراتيجية "المرحلتين": تقسيم المشكلة الكبيرة إلى أجزاء صغيرة

بدلاً من محاولة حل اللغز بأكمله دفعة واحدة، يقوم الذكاء الاصطناعي بتقسيمه إلى خطوتين منطقتين، تماماً مثل شيف ماهر يحضر طبقاً معقداً.

المرحلة الأولى: تهيئة المسرح (المرايا)
يقوم الذكاء الاصطناعي أولاً بفحص تخطيط الغرفة. إنه يعامل المرايا والأصدقاء والمتصنتين كأنهم شخصيات مختلفة في قصة. ويسأل نفسه: "كيف يجب أن أميل هذه الآلاف من المرايا لخلق أفضل مسار لأصدقائي وأسوأ مسار للجواسيس؟"
- التشبيه: تخيل قائد جوقة موسيقية يوجه المنشدين؛ أولاً، يقوم بترتيب المغنيين (المرايا) بحيث تمتزج أصواتهم بشكل مثالي للجمهور ولكن تبدو بالنسبة للأشخاص في الصفوف الخلفية كمجرد ضجيج ساكن. يقوم الذكاء الاصطناعي بحساب "ميل" كل مرآة بدقة.
المرحلة الثانية: الأداء (الصوت والضوضاء)
بمجرد ضبط المرايا، يعرف الذكاء الاصطناعي كيف يتحدث. فهو يقرر شيئين:
1. تشكيل الشعاع (Beamforming): كيف تركز الصوت ليكون عالياً وواضحاً للأصدقاء.
2. الضوضاء الاصطناعية (Artificial Noise): كيف تولد "ضوضاء بيضاء" تطمس الأصوات لدى المتصنتين دون إزعاج الأصدقاء.
- التشبيه: الآن بعد أن تم إصلاح الصوتيات، يقرر المتحدث بالضبط مدى علو الهمس للصديق المجاور له، ومقدار الضجيج الذي سيطلقه تجاه الجاسوس الجالس في الجهة المقابلة من الغرفة.

٢. لماذا "رسومية غير متجانسة"؟ (الشبكة الاجتماعية)

معظم نماذج الذكاء الاصطناعي تعامل كل شيء بنفس الطريقة، كأنهم حشد من الأشخاص المتطابقين. لكن في هذا النظام، المرايا والأصدقاء والجواسيس جميعهم مختلفون.

التشبيه: فكر في شبكة اجتماعية. لديك أنواع مختلفة من الناس: مرايا (المساعدون)، مستخدمون (أصدقاؤك)، ومتصنتون (الجواسيس). "الرسم البياني غير المتجانس" يشبه خريطة الشبكة الاجتماعية التي تفهم هذه الاختلافات. فهو يعرف أن المرآة تتصل بالمستخدم بشكل مختلف عما تتصل به بالجاسوس. ومن خلال فهم هذه العلاقات الفريدة، يتعلم الذكاء الاصطناعي بسرعة وبذكاء أكبر.

٣. قوة "القابلية للتوسع" (المتحول الشكلي)

هذا هو أعظم اختراق في هذه الورقة. نماذج الذكاء الاصطناعي التقليدية تشبه البدلة المصممة خصيصاً لشخص واحد؛ إذا أضفت صديقاً واحداً أو جاسوساً واحداً، فلن تناسب البدلة الشخص الجديد وسيتعين عليك شراء بدلة جديدة بالكامل (إعادة تدريب النموذج).

هذا النوع الجديد من الذكاء الاصطناعي يشبه نسيجاً ذكياً مطاطياً.

التشبيه: تخيل أن لديك حفلة. إذا حضر ٣ أصدقاء، فسيتعامل معهم الذكاء الاصطناعي. إذا حضر ١٠ أصدقاء، أو إذا أصبح عدد المرايا فجأة ٥٠٠ بدلاً من ١٠٠، لن يصاب الذكاء الاصطناعي بالذعر. ببساطة، سوف يتمدد ليناسب العدد الجديد من الأشخاص والمرايا دون الحاجة إلى إعادة التدريب. إنه يعمل فوراً مهما زاد حجم الحفلة.

٤. النتائج: سريع وآمن

اختبر الباحثون هذا "العقل" مقابل الطرق القديمة:

السرعة: طرق الرياضيات التقليدية (الأمثلة المحدبة - Convex Optimization) تشبه الحلزون؛ فهي تستغرق ساعات لتحديد زوايا المرايا. أما هذا الذكاء الاصطناعي فهو كالسيتا (الفهد الصياد)؛ إذ يؤدي نفس المهمة في أجزاء من الثانية (أسرع بآلاف المرات).
الدقة: إن دقتها تقارب الطرق الرياضية البطيئة جداً (بخسارة أقل من ٤٪ من الأداء)، ولكنها أسرع منها بلا حدود.
الأمان: نجحت العملية في رفع "كفاءة الطاقة السرية"، مما يعني أنها تنقل أكبر قدر ممكن من البيانات السرية بأقل قدر من استهلاك البطارية، مع إبقاء الجواسيس في حالة جهل تام.

ملخص

باختاً، تقترح هذه الورقة بحثية ذكاءً اصطناعياً خارقاً ومتطوراً يعمل كمنظم حركة الإشارات اللاسلكية. فهو يقسم العمل إلى خطوتين (ضبط المرايا ثم توجيه الصوت)، ويفهم الأدوار الفريدة لكل جهاز في الشبكة، ويمكنه التكيف فوراً مع أي عدد من المستخدمين أو المرايا. إنه يجعل الاتصالات اللاسلكية الآمنة أسرع، وأكثر رفقاً بالبيئة، وجاهزة للمستقبل.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "شبكة عصبية رسومية متغايرة ثنائية المرحلة لتعزيز أمن الطبقة الفيزيائية بمساعدة الأسطح الذكية العاكسة (RIS)."

1. بيان المشكلة

تتناول الورقة تحدي تحسين أمن الطبقة الفيزيائية (PLS) في نظام (MISO) مدعوم بـ سطح ذكي عاكس (RIS).

إعداد النظام: محطة قاعدة (BS) ذات هوائيات متعددة تخدم مستخدمين شرعيين (LUs) متعددين، بينما تواجه متصنتين (Eves) متعددين. يستخدم النظام سطحًا ذكيًا عاكسًا (RIS) يحتوي على $L$ من العناصر العاكسة لتعزيز جودة القناة والأمن.
الهدف: تعظيم كفاءة طاقة السرية (SEE)، والتي تُعرف بنسبة مجموع معدل السرية إلى إجمالي استهلاك الطاقة (بما في ذلك طاقة الإرسال وطاقة الدوائر).
متغيرات التحسين: يتطلب الحل التحسين المشترك لكل من:
1. متجهات تشكيل الحزمة (Beamforming vectors) ( $w_k$ ) لنقل المعلومات إلى المستخدمين الشرعيين.
2. متجهات الضوضاء الاصطناعية (Artificial Noise - AN) ( $z_m$ ) لتعطيل المتصنتين.
3. مصفوفة إزاحة الطور للـ RIS ( $\Phi$ ).
التحديات:
- الاقتران العميق: المتغيرات غير محدبة (non-convex) ومقترنة بعمق، مما يجعل التحسين التقليدي المعتمد على البرمجة المحدبة (CVX) مكلفًا حاسوبيًا (زمن انتقال عالٍ).
- القابلية للتوسع: غالبًا ما تفشل نماذج التعلم العميق (DL) الحالية (مثل MLPs وCNNs) في التعميم عندما يتغير عدد عناصر الـ RIS أو المستخدمين أو المتصنتين ديناميكيًا بسبب أبعاد المدخلات والمخرجات الثابتة.
- التغاير (Heterogeneity): يتضمن النظام كيانات متميزة (المحطة القاعدية، عناصر الـ RIS، المستخدمين الشرعيين، المتصنتين) ذات أدوار وتفاعلات مختلفة، وهو ما تجد الشبكات العصبية الرسومية (GNNs) المتجانسة التقليدية صعوبة في نمذجته بفعالية.

2. المنهجية: شبكة عصبية رسومية متغايرة ثنائية المرحلة (Two-Stage HGNN)

يقترح المؤلفون شبكة عصبية رسومية متغايرة (HGNN) ثنائية المرحلة يتم تدريبها بطريقة غير خاضعة للإشراف (باستخدام هدف SEE كدالة خسارة) لربط معلومات حالة القناة (CSI) مباشرة بمتغيرات التحسين. تم تصميم البنية لتكون متوافقة مع التبديل (permutation-equivariant)، مما يضمن القابلية للتوسع.

المرحلة الأولى: تحسين إزاحة طور الـ RIS

تمثيل الرسم البياني: يتم نمذجة النظام كرسم بياني ثنائي التجزئة (Bipartite Graph) ( $G^{(1)}$ $G^{(1)}$ ) بثلاثة أنواع من العقد:
1. عقد وصل BS-RIS: تمثل العناصر العاكسة الفردية للـ RIS.
2. عقد وصل BS-LU: تمثل المستخدمين الشرعيين.
3. عقد وصل BS-Eve: تمثل المتصنتين.
الآلية:
- تستخدم مشغلات الاهتمام بالرسم البياني القائم على الحواف (Edge-based) والاهتمام بالرسم البياني الخالي من الحواف (Edge-free) لالتقاط التفاعلات بين عناصر الـ RIS والمستخدمين/المتصنتين.
- تدمج اتصالات متبقية (Residual Connections) للتخفيف من تلاشي التدرج في الطبقات العميقة.
- المخرجات: توليد مصفوفة إزاحة طور الـ RIS ( $\Phi$ ). يتم تغذية مخرجات هذه المرحلة في المرحلة الثانية وفي دالة الخسارة.

المرحلة الثانية: تحسين تشكيل الحزمة والضوضاء الاصطناعية (AN)

تمثيل الرسم البياني: يتم نمذجة النظام كرسم بياني متغاير كامل الاتصال (Fully-Connected Heterogeneous Graph) ( $G^{(2)}$ $G^{(2)}$ ) بنوعين من العقد:
1. عقد BS-RIS-LU: تجمع بين معلومات CSI الفعالة (بعد تطبيق $\Phi$ ) والميزات المعززة من المرحلة الأولى.
2. عقد BS-RIS-Eve: تجمع بين معلومات CSI الفعالة والميزات المعززة من المرحلة الأولى.
الآلية:
- تستخدم الاهتمام بالرسم البياني الخالي من الحواف وآلية الاهتمام الدلالي (Semantic Attention) لتعلم العلاقات المعقدة بين المستخدمين والمتصنتين في ظل وجود الـ RIS المحسن.
- استراتيجيات المخرجات: تم اقتراح طريقتين لتوليد متجهات تشكيل الحزمة ( $w_k$ $w_{k}$ ) والضوضاء الاصطناعية ( $z_m$ $z_{m}$ ):
  1. التوجيه المباشر للحزمة (Beam-Direct): يقوم بربط تضمينات العقد (node embeddings) مباشرة بالمتجهات عبر طبقات MLP.
  2. القائم على النموذج (Model-Based): يدمج المعرفة النظرية (Zero-Forcing الهجين و Maximum Ratio Transmission) للتنبؤ بمعلمات الاتجاه والقدرة، مما يضمن تلبية القيود الفيزيائية بشكل أكثر قوة.

الميزات الهيكلية الرئيسية

تدريب غير خاضع للإشراف: دالة الخسارة هي سالب SEE، مما يلغي الحاجة إلى حلول مثلى مصنفة (والتي يصعب الحصول عليها).
القابلية للتوسع: من خلال معاملة عناصر الـ RIS والمستخدمين والمتصنتين كعقد في رسم بياني، تصبح معاملات النموذج مستقلة عن عدد العقد. يمكن إضافة أو إزالة عقد جديدة دون الحاجة لإعادة التدريب.

3. المساهمات الرئيسية

إطار عمل مبتكر: أول عمل يدمج إطار عمل متعدد المراحل مع الشبكات العصبية الرسومية المتغايرة (HGNNs) خصيصًا لأمن الطبقة الفيزيائية المدعوم بـ RIS. يعالج هذا الجمع كلاً من الهيكل الخوارزمي (تفكيك المشكلة) وتغاير النظام.
بنية قابلة للتوسع: الـ HGNN المقترحة متوافقة مع التبديل (permutation-equivariant)، مما يعني أنها تستطيع التعامل مع التغيرات الديناميكية في عدد عناصر الـ RIS والمستخدمين والمتصنتين دون إعادة تدريب، متجاوزة بذلك قيود MLPs وCNNs.
تصميم ثنائي المرحلة:
- المرحلة الأولى تنمذج هيكل الـ RIS (ثنائي التجزئة) صراحةً لتحسين إزاحة الطور.
- المرحلة الثانية تنمذج التفاعل بين المستخدم والمتصنت (كامل الاتصال) لتحسين تشكيل الحزمة والضوضاء الاصطناعية.
مخرجات قائمة على النموذج: تقديم طبقة مخرجات "قائمة على النموذج" تدمج التعلم العميق مع معالجة الإشارات الكلاسيكية (ZF/MRT)، مما يحسن الأداء والاستقرار بشكل كبير مقارنة بالمخرجات المعتمدة على البيانات فقط.

4. النتائج العددية

تم تقييم النموذج مقابل التحسين المعتمد على البرمجة المحدبة (CVXopt)، ونماذج MLP، ونماذج GNN الأساسية الأخرى (CO-GNN, BHGNN).

الأداء مقابل CVXopt:
- يحقق النموذج المقترح أكثر من 96% من قيمة SEE المثلى التي حصل عليها CVXopt.
- زمن الاستنتاج (Inference Time): يقلل وقت التشغيل بمقدار ثلاث مراتب عشرية (على سبيل المثال، من ~82 ثانية لـ CVXopt إلى ~11.6 مللي ثانية للنموذج المقترح).
الأداء مقابل النماذج الأساسية:
- يتفوق على نماذج GNN الحديثة (CO-GNN, BHGNN) وMLPs بشكل كبير.
- في اختبارات القابلية للتوسع (تغيير $L$ و $K$ و $M$ )، يحافظ النموذج المقترح على أداء عالٍ (>95% من المثالي)، بينما تتدهور النماذج الأساسية بشكل كبير (على سبيل المثال، ينخفض MLP إلى ~20-30%).
دراسة الاستئصال (Ablation Study):
- وفر الإطار ثنائي المرحلة وحده زيادة قدرها 19.07%.
- وفرت المخرجات القائمة على النموذج أكبر زيادة (43.56%)، مما يسلط الض الضوء على أهمية دمج المعرفة بالمجال.
- ساهمت الاتصالات المتبقية (Residual Connections) بزيادة قدرها 1.54%.

5. الأهمية

الأمن في الوقت الفعلي: إن الاختزال الهائل في وقت الحوسبة (مللي ثوانٍ مقابل دقائق) يجعل هذا النهج قابلاً للتطبيق للأمن في الوقت الفعلي في شبكات 6G الديناميكية حيث تتغير ظروف القناة بسرعة.
التكيف الديناميكي: القدرة على التوسع مع تغير عدد عناصر الـ RIS والمستخدمين دون إعادة تدريب أمر بالغ الأهمية للنشر العملي في الشبكات المتغايرة.
التعميم: تثبت الدراسة أن مواءمة بنيات التعلم العميق مع الطوبولوجيا الفيزيائية للنظام اللاسلكي (عبر HGNNs) وتفكيك مشكلة التحسين (عبر أطر العمل متعددة المراحل) يؤدي إلى نتائج متفوقة مقارنة بنهج التعلم العميق "الصندوق الأسود".
كفاءة الطاقة: من خلال تعظيم SEE، يتماشى هذا الأسلوب مع أهداف الاتصالات الخضراء، حيث يوازن بين أداء الأمن واستهلاك الطاقة.

في الختام، تقدم هذه الورقة حلاً قويًا وقابلاً للتوسع وفعالاً لأمن الطبقة الفيزيائية المدعوم بـ RIS، مما يسد الفجوة بين التحسين النظري والتنفيذ العملي في الوقت الفعلي.