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

1. Problema Investigado

O artigo aborda o desafio de otimizar a Segurança na Camada Física (PLS) em sistemas de comunicação sem fio de última geração que utilizam Superfícies Inteligentes Reconfiguráveis (RIS).

• Cenário: Um sistema MISO (Multiple-Input Single-Output) onde uma Estação Base (BS) com múltiplas antenas serve vários Usuários Legítimos (LUs) na presença de múltiplos Eavesdroppers (Eves/espionas).
• Objetivo: Maximizar a Eficiência Energética de Sigilo (SEE), que é a razão entre a taxa de sigilo total e o consumo de energia total.
• Desafios:
  • Otimização conjunta de vetores de beamforming, vetores de ruído artificial (AN) e a matriz de deslocamento de fase do RIS.
  • Acoplamento profundo entre os parâmetros da BS e do RIS, tornando a otimização convexa tradicional computacionalmente cara e lenta.
  • Heterogeneidade do sistema (diferentes entidades: RIS, LUs, Eves) e a necessidade de generalização para números variáveis de elementos do RIS, usuários e espiões.

2. Metodologia Proposta

Os autores propõem uma abordagem baseada em Aprendizado para Otimização (Learn-to-Optimize) utilizando uma Rede Neural de Grafos Heterogênea de Duas Etapas (Two-Stage HGNN). A arquitetura é projetada para mapear diretamente o Estado do Canal (CSI) para as variáveis de otimização.

A. Representação em Grafos Heterogêneos

O sistema é modelado em duas etapas distintas, cada uma com uma representação de grafo específica para capturar a heterogeneidade:

1. Etapa 1 (Grafo Bipartido):
   • Nós: Três tipos de nós: Elementos de Reflexão do RIS, Usuários Legítimos (LUs) e Eavesdroppers (Eves).
   • Objetivo: Gerar a matriz de deslocamento de fase do RIS ($\Phi$).
   • Mecanismo: Utiliza operadores de atenção baseados em arestas e sem arestas para processar as informações do canal e atualizar as características dos nós.
2. Etapa 2 (Grafo Completamente Conectado):
   • Nós: Dois tipos de nós: Links BS-RIS-LU e BS-RIS-Eve.
   • Entrada: O CSI efetivo (após aplicar $\Phi$ da Etapa 1) e as características aumentadas da Etapa 1.
   • Objetivo: Gerar os vetores de beamforming ($w_k$) e os vetores de Ruído Artificial ($z_m$).
   • Mecanismo: Utiliza um operador de atenção sem arestas e um mecanismo de atenção semântica.

B. Arquitetura da Rede Neural

• Mecanismos Chave: Ambas as etapas incorporam Múltiplas Cabeças de Atenção (Multi-head Attention) e Conexões Residuais para melhorar a aprendizagem de características e a estabilidade do gradiente.
• Métodos de Saída (Etapa 2):
  1. Beam-direct: Mapeamento direto das embeddings para os vetores.
  2. Model-based: Utiliza uma estrutura híbrida baseada em Zero Forcing (ZF) e Maximum Ratio Transmission (MRT), onde a rede aprende parâmetros de direção e potência, garantindo melhor conformidade com as restrições físicas.
• Treinamento: O modelo é treinado de forma não supervisionada, minimizando uma função de perda que maximiza a SEE diretamente, sem necessidade de rótulos de dados ótimos pré-calculados.

3. Principais Contribuições

1. Integração de Framework e Arquitetura: É a primeira obra a combinar um framework de múltiplas etapas (inspirado em otimização convexa tradicional) com representações de grafos heterogêneos para lidar com a complexidade da PLS com RIS.
2. Escalabilidade: A proposta demonstra que a rede é permutação-equivariante. Isso significa que o modelo pode ser aplicado a cenários com diferentes números de elementos RIS, usuários e espiões sem necessidade de re-treinamento, apenas ajustando o número de nós no grafo.
3. Eficiência Computacional: Substitui algoritmos de otimização convexa (como BCD - Block Coordinate Descent) por inferência de rede neural, reduzindo drasticamente o tempo de execução.
4. Validação de Componentes: Através de experimentos de ablação, demonstra que a combinação do framework de duas etapas, conexões residuais e o método de saída baseado em modelo é crucial para o desempenho.

4. Resultados Numéricos

Os resultados experimentais compararam a proposta com o estado da arte (MLP, CO-GNN, BHGNN) e algoritmos de otimização convexa (CVXopt):

• Desempenho: O Two-Stage HGNN supera significativamente os modelos baseados em GNN existentes. O método de saída model-based atinge desempenho quase ótimo, perdendo menos de 4% em relação à solução ótima convexa.
• Velocidade: A redução no tempo de execução médio é de três ordens de magnitude (de ~82 segundos para o CVXopt para ~11 milissegundos para a rede neural).
• Escalabilidade: O modelo mantém alta eficiência (acima de 95% da SEE ótima) mesmo quando o número de elementos RIS, usuários ou espiões no teste difere do conjunto de treinamento.
• Robustez: O modelo aprende as características fundamentais da função SEE, adaptando-se bem a diferentes orçamentos de potência.

5. Significado e Impacto

Este trabalho é significativo por oferecer uma solução viável para a implementação em tempo real de sistemas de segurança física em comunicações 6G.

• Viabilidade Prática: A redução drástica no tempo de computação permite que a otimização de RIS e beamforming ocorra em tempo real, algo inviável com métodos convexos tradicionais em cenários dinâmicos.
• Flexibilidade: A capacidade de generalizar para diferentes tamanhos de rede sem re-treinamento é essencial para redes sem fio dinâmicas onde o número de usuários e dispositivos muda frequentemente.
• Segurança: Demonstra que a inteligência artificial, especificamente grafos heterogêneos, pode ser eficazmente aplicada para proteger comunicações contra interceptação, maximizando a eficiência energética enquanto garante a privacidade dos dados.

Em resumo, o artigo estabelece um novo paradigma para a otimização de sistemas RIS-aided, unindo a interpretabilidade de frameworks de múltiplas etapas com a flexibilidade e escalabilidade das Redes Neurais de Grafos.