⚡ electrical engineering

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

이 논문은 RIS 보조 MISO 시스템의 물리층 보안을 위해 RIS 위상 천이 행렬과 빔포밍/인공 잡음을 각각 생성하는 두 단계 이종 그래프 신경망 (HGNN) 을 제안하며, 기존 최적화 알고리즘 대비 계산 시간을 획기적으로 단축하면서도 우수한 성능을 유지함을 입증합니다.

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

게시일 2026-03-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 차세대 무선 통신의 보안과 효율성을 높이는 새로운 지능형 기술을 소개합니다. 복잡한 수식과 전문 용어 대신, 일상적인 비유를 들어 쉽게 설명해 드리겠습니다.

🏠 비유: "스마트한 보안 요원과 빛을 조절하는 거울"

이 기술이 해결하려는 문제는 다음과 같습니다.

상황: 한 기지국 (BS) 이 여러 명의 정당한 사용자 (LU) 에게 데이터를 보내는데, 도청자 (Eve) 들이 그 사이에서 정보를 훔쳐보려고 합니다.
도구: **RIS(재구성 가능한 지능형 표면)**라는 거대한 '스마트 거울'이 있습니다. 이 거울은 전파의 방향을 마음대로 꺾어주어 신호를 강화하거나 방해할 수 있습니다.
목표: 정당한 사용자에게는 신호를 최대로 보내고, 도청자에게는 신호를 완전히 차단하거나 잡음으로 만들어야 합니다. 이를 '보안 에너지 효율 (SEE)'이라고 합니다.

기존 방법들은 이 문제를 풀기 위해 너무 많은 계산 시간을 써서 실시간으로 대응하기 어려웠습니다. 이 논문은 **인공지능 (그래프 신경망, GNN)**을 이용해 이 문제를 순식간에 해결하는 방법을 제안합니다.

🚀 핵심 아이디어: "두 단계로 나누어 생각하는 똑똑한 AI"

저자들은 이 복잡한 문제를 한 번에 풀려고 하지 않고, **두 단계 (Two-Stage)**로 나누어 해결합니다. 마치 집을 지을 때 먼저 '기초 공사'를 하고 그다음 '내부 인테리어'를 하는 것과 같습니다.

1 단계: "거울의 각도를 맞추는 단계" (Phase Shift Matrix)

상황: 거울 (RIS) 에 있는 수많은 작은 조각들이 있습니다. 각 조각이 빛을 반사하는 각도를 어떻게 맞춰야 할지 결정해야 합니다.
방법: AI 는 이 거울 조각들과 사용자, 도청자之间的关系을 **'이분 그래프 (Bipartite Graph)'**라는 연결 지도로 그립니다.
비유: 마치 지휘자가 오케스트라의 각 악기 (거울 조각) 가 어떤 음을 내야 전체 합창이 가장 아름답고, 도청자에게는 소리가 들리지 않게 할지 지휘하는 것과 같습니다. AI 는 이 지휘를 순식간에 해냅니다.

2 단계: "데이터를 보내는 방법과 방해 신호를 만드는 단계" (Beamforming & Artificial Noise)

상황: 거울의 각도가 결정되었으니, 이제 기지국이 어떤 방향으로 전파를 보내고, 도청자를 혼란스럽게 할 '가짜 신호 (인공 잡음)'를 어떻게 섞을지 정해야 합니다.
방법: AI 는 이제 사용자와 도청자 간의 관계를 **'완전 연결 그래프 (Fully Connected Graph)'**로 바꿉니다. 모든 요소가 서로 영향을 미친다고 가정하고 학습합니다.
특이점: 이 논문은 두 가지 방식을 제안합니다.
1. 직접 방식: AI 가 모든 것을 직접 계산해서 답을 내는 방식.
2. 모델 기반 방식 (Model-based): AI 가 수학적인 원리 (예: 제로 포싱, 최대 비례 전송) 를 알고 있어서, 그 원리에 맞춰 답을 찾는 방식. 이 방식이 훨씬 더 똑똑하고 안정적입니다.

✨ 이 기술의 놀라운 점 (기존 기술 vs 이 논문)

속도 차이 (3 자리 수 차이):
- 기존 수학 계산법 (CVXopt) 은 이 문제를 풀 때 80 초 이상 걸렸습니다. (예: 신호를 보내는 동안 이미 시간이 다 지나버림)
- 이 AI 기술은 0.01 초 (밀리초 단위) 만에 해결합니다. 약 8,000 배나 빠릅니다! 성능은 4% 정도만 떨어지지만, 속도가 압도적입니다.
유연성 (Scalability):
- 기존 AI 는 사용자나 도청자, 거울 조각의 수가 바뀌면 다시 처음부터 학습해야 했습니다. (예: 학생이 10 명에서 20 명으로 늘어나면 교사가 다시 수업을 준비해야 함)
- 이 기술은 학습된 지식을 그대로 적용할 수 있습니다. 거울 조각이 8 개에서 9 개로 늘어나거나, 도청자가 4 명에서 5 명으로 늘어나도 재학습 없이 바로 대응합니다. 마치 유연한 팀워크를 가진 스포츠 팀처럼, 새로운 선수가 들어와도 즉시 팀 전술에 적응합니다.
정확도:
- 이 기술은 수학적 최적해 (가장 완벽한 답) 에 거의 근접하는 성능을 내면서도, 기존 AI 모델들보다 훨씬 뛰어난 성능을 보여줍니다.

💡 결론

이 논문은 **"복잡한 무선 통신 보안 문제를, 두 단계로 나누어 생각하게 만든 지능형 AI"**를 개발했습니다.

1 단계: 거울 (RIS) 의 각도를 지휘합니다.
2 단계: 신호를 보내고 도청자를 혼란시키는 전략을 세웁니다.

이 기술은 빠른 속도, 높은 정확도, 그리고 상황 변화에 유연하게 대응하는 능력을 모두 갖췄습니다. 앞으로 6G 같은 차세대 통신에서, 도청자를 막으면서도 에너지를 아껴주는 핵심 기술이 될 것으로 기대됩니다.

한 줄 요약: "도청자를 막고 신호를 강화하는 복잡한 퍼즐을, 기존 방식보다 수천 배 빠르고 상황 변화에도 즉시 적응하는 똑똑한 AI 가 해결했습니다."

논문 요약: RIS 기반 물리계층 보안을 위한 2 단계 이종 그래프 신경망

1. 연구 배경 및 문제 정의 (Problem)

배경: 재구성 가능한 지능형 표면 (RIS) 은 차세대 무선 통신에서 채널 품질 향상, 커버리지 확장, 간섭 억제를 위해 핵심 기술로 주목받고 있습니다. 특히 RIS 는 수신기 간의 채널 다양성을 증대시켜 물리계층 보안 (PLS) 을 강화하는 데 유용합니다.
문제: RIS 가 지원되는 다중 입력 단일 출력 (MISO) 시스템에서 다수의 합법적 사용자 (LU) 와 도청자 (Eve) 가 공존할 때, **보안 에너지 효율성 (SEE, Secrecy Energy Efficiency)**을 최대화하는 것이 목표입니다.
도전 과제:
- 심층 결합 변수: 기지국 (BS) 관련 파라미터 (빔포밍, 인공 잡음) 와 RIS 관련 파라미터 (위상 천이) 가 서로 깊게 결합되어 있어 최적화가 매우 복잡합니다.
- 기존 방법의 한계:
  - 볼록 최적화 (CVXopt): 교대 최적화 (AO) 등을 사용하지만 계산 오버헤드가 크고 실시간 적용이 어렵습니다.
  - 심층 강화 학습 (DRL): 부분적으로 제어 가능한 환경에서 학습되므로 일반화 능력이 제한적입니다.
  - 기존 딥러닝 (MLP, CNN): 고정된 입력/출력 차원을 가지므로 동적인 시스템 (사용자 수, RIS 요소 수 변화) 에 대한 확장성이 부족합니다.

2. 제안된 방법론 (Methodology)

저자들은 데이터 기반의 '학습하여 최적화 (Learn-to-Optimize)' 접근법을 채택하여, **2 단계 이종 그래프 신경망 (Two-Stage Heterogeneous GNN, HGNN)**을 제안했습니다.

시스템 모델:
- 다중 안테나 BS 가 다수의 LU 를 서비스하고, 도청자 (Eve) 가 존재하는 환경.
- 전송 신호는 LU 를 위한 정보 신호와 Eve 를 교란하기 위한 인공 잡음 (AN) 으로 구성됨.
- 최적화 변수: 빔포밍 벡터, AN 벡터, RIS 위상 천이 행렬.
2 단계 HGNN 아키텍처:
1. 1 단계 (위상 천이 행렬 학습):
  - 그래프 구조: 3 가지 노드 유형 (RIS 반사 요소, LU, Eve) 을 포함하는 이분 그래프 (Bipartite Graph).
  - 기능: 채널 상태 정보 (CSI) 를 입력받아 RIS 의 위상 천이 행렬 ( $\Phi$ ) 을 생성합니다.
  - 기법: 엣지 기반 (Edge-based) 및 엣지 프리 (Edge-free) 그래프 어텐션 연산자를 사용하여 노드 특징을 업데이트합니다.
2. 2 단계 (빔포밍 및 인공 잡음 학습):
  - 그래프 구조: 2 가지 노드 유형 (BS-RIS-LU 링크, BS-RIS-Eve 링크) 을 포함하는 완전 연결 그래프 (Fully-Connected Graph).
  - 기능: 1 단계에서 생성된 $\Phi$ 와 증강된 CSI 를 입력받아 빔포밍 벡터와 AN 벡터를 생성합니다.
  - 출력 방식:
    - Beam-direct: 신경망이 직접 벡터를 매핑.
    - Model-based: 이론적 모델 (혼합 제로 포싱 및 최대 비율 전송, Hybrid ZF/MRT) 을 신경망 구조에 통합하여 방향 및 전력 파라미터를 학습.
- 학습 방식: 지도 학습이 아닌 비지도 학습 (Unsupervised Learning). SEE 최대화 목적 함수를 손실 함수로 사용하여 엔드 - 투 - 엔드 훈련.
확장성 (Scalability):
- 그래프 신경망의 **치환 공변성 (Permutation Equivariance)**을 활용하여, RIS 요소 수, LU 수, Eve 수가 변하더라도 모델의 파라미터를 재학습하지 않고도 동적으로 적응할 수 있습니다.

3. 주요 기여 (Key Contributions)

새로운 프레임워크 제안: RIS 기반 PLS 시스템의 이질성 (BS, RIS, LU, Eve) 과 이중 기능 (정보 전송 및 보안) 을 처리하기 위해 2 단계 프레임워크와 **이종 그래프 신경망 (HGNN)**을 최초로 통합했습니다.
고급 그래프 표현:
- 1 단계에서는 RIS 요소, LU, Eve 를 구분하는 이분 그래프를 구성.
- 2 단계에서는 효과적인 CSI 를 기반으로 한 완전 연결 이종 그래프를 구성하여 상호작용을 정밀하게 모델링.
이론과 딥러닝의 융합: 'Model-based' 출력 방식을 도입하여 하이브리드 ZF/MRT 알고리즘을 신경망 아키텍처에 내재화함으로써, 물리적 제약 조건을 만족하면서도 높은 성능을 달성했습니다.
확장성 검증: 제안된 모델이 시스템 구성 요소의 수 (RIS 요소, 사용자, 도청자) 에 따라 재학습 없이도 성능을 유지함을 이론적 분석 및 시뮬레이션을 통해 입증했습니다.

4. 실험 결과 (Results)

성능 비교:
- 제안된 2 단계 HGNN 은 기존 GNN 기반 모델 (MLP, CO-GNN, BHGNN 등) 보다 SEE 성능이 월등히 우수했습니다.
- 특히 Model-based 출력 방식을 사용할 경우, 최적화 알고리즘 (CVXopt) 기반 솔루션과 비교하여 성능 손실이 4% 미만인 반면, 평균 실행 시간은 3 자릿수 (약 1000 배) 이상 단축되었습니다 (CVXopt: 82.74 초 vs 제안 모델: ~11 ms).
확장성 검증:
- 훈련 데이터와 다른 수의 RIS 요소, LU, Eve 를 가진 테스트 세트에서도 높은 성능을 유지하여 동적 환경 적응 능력을 입증했습니다.
- Beam-direct 방식은 시스템 규모가 커질 때 성능이 저하되는 반면, Model-based 방식은 안정적인 성능을 보였습니다.
성분 분석 (Ablation Study):
- 잔차 연결 (Residual connection), 2 단계 프레임워크, Model-based 출력 방식이 모두 성능 향상에 기여함을 확인했습니다. 특히 Model-based 출력 방식이 확장 시 성능 유지에 가장 큰 기여를 했습니다.

5. 의의 및 결론 (Significance)

실시간 최적화 가능성: 기존 볼록 최적화 알고리즘의 높은 계산 비용을 극복하여, RIS 기반 PLS 시스템의 실시간 최적화를 가능하게 합니다.
유연한 적응: 무선 환경의 동적인 변화 (사용자 이동, 노드 수 변동) 에 재학습 없이 적응할 수 있는 확장 가능한 아키텍처를 제공합니다.
이질성 처리: 복잡한 물리계층 보안 환경의 다양한 엔티티 (BS, RIS, LU, Eve) 간의 관계를 그래프 구조로 효과적으로 표현하고 학습함으로써, 기존 단일 그래프 또는 동질적 그래프 모델의 한계를 극복했습니다.

이 논문은 RIS 기반 보안 통신 시스템의 설계에 있어 딥러닝과 최적화 이론을 효과적으로 결합한 새로운 패러다임을 제시하며, 차세대 지능형 무선 네트워크 구현에 중요한 기여를 합니다.