RHOSI: Efficient Anti-Jamming Resource Allocation with Holographic Surfaces in UAV-enabled ISAC

本文提出了一种名为 RHOSI 的框架，通过联合优化混合基站发射波束成形、可重构全息表面相位配置及无人机部署，有效提升了无人机辅助集成感知与通信系统在对抗干扰下的吞吐量与鲁棒性。

要点

这篇论文讲述了一个关于**“如何在强干扰环境下，让无人机和智能信号系统既看得清、又传得稳”**的聪明解决方案。

为了让你更容易理解，我们可以把这个复杂的通信系统想象成一场**“在嘈杂集市里的秘密传话游戏”**。

1. 故事背景：混乱的集市（ISAC 系统）

想象一下，有一个智能集市（这就是论文里的 ISAC 系统，集成了“通信”和“感知”功能）：

• 广播塔（基站）：像是一个大喇叭，负责给集市里的人（用户）发通知，同时也在试图看清集市角落里的一个神秘目标（雷达探测）。
• 捣乱者（干扰机）：有一个讨厌的噪音制造者，专门对着大喇叭和人群大喊大叫，试图盖过广播的声音，让大家都听不清，也看不清目标。
• 无人机（UAV）：就像一只灵活的信鸽，它可以在空中飞来飞去，避开地面的障碍物。
• 全息表面（RHS）：这是最神奇的部分。想象这只信鸽身上披着一件**“魔法斗篷”**（可重构全息表面）。这件斗篷由成千上万个微小的“镜子”组成，它们可以瞬间改变角度，像指挥交通一样，把广播塔发出的信号“反射”并“聚焦”到需要的人耳中，同时把捣乱者的噪音“弹开”。

2. 核心问题：怎么在噪音中省钱又高效？

在这个集市中，广播塔和信鸽都在拼命工作，但面临两个难题：

1. 噪音太大：捣乱者（干扰机）声音太大，导致信号被淹没。
2. 太费电：为了对抗噪音，大家不得不把音量开到最大，或者让信鸽飞得满头大汗，导致电量消耗极快。

论文的目标就是：设计一套聪明的策略，让广播塔、魔法斗篷和信鸽完美配合，用最少的电（功率），在噪音中把话传清楚，把目标看清楚。

3. 解决方案：RHOSI 策略（三位一体的魔法）

作者提出了一种叫 RHOSI 的算法，它就像是一个超级指挥家，同时指挥三个角色进行“变阵”：

• 指挥广播塔（波束成形）：
  • 比喻：广播塔不再是大喇叭乱喊，而是学会了**“定向扩音”**。它把声音聚集成一束光，只照向需要听的人，避开噪音。
• 指挥魔法斗篷（相位调整）：
  • 比喻：信鸽身上的“镜子”瞬间调整角度。它们把广播塔的信号像**“反光镜”一样，精准地反射到用户和目标那里；同时，它们把捣乱者的噪音像“偏转盾”**一样，反射到别处，不让它干扰信号。
• 指挥信鸽飞行（无人机轨迹）：
  • 比喻：信鸽不是乱飞的，它会飞到**“最佳位置”**。比如，飞到噪音听不到的死角，或者飞到能同时看清目标和人群的“黄金视角”。

4. 他们是怎么做到的？（算法原理）

这个问题非常复杂，就像要在一个不断变化的迷宫里，同时调整三个人的动作。作者用了一种叫**“交替优化”**（Alternating Optimization）的方法：

• 第一步：先假设信鸽不动，只调整广播塔和斗篷，看怎么配合最好。
• 第二步：假设广播塔和斗篷不动，调整信鸽飞到哪里最好。
• 第三步：再回头调整广播塔……
• 循环往复：像这样来回微调，直到找到那个“最省电、效果最好”的完美平衡点。

5. 结果如何？（实验结论）

作者通过电脑模拟发现：

• 抗干扰能力极强：即使捣乱者（干扰机）的声音越来越大，这套系统依然能保持清晰的通话和探测，而普通方法早就“聋”了。
• 更省电：因为配合得太默契，不需要盲目地加大音量，所以整体耗电量比传统方法低很多。
• 天线越多越聪明：广播塔的天线越多（就像扩音器越多），这套系统就越能精准地“指哪打哪”，效果越好。

总结

这篇论文的核心思想就是：不要硬碰硬（单纯加大功率），而是要靠“巧劲”（智能配合）。

通过让无人机带着魔法镜子在空中灵活移动，并配合广播塔的精准指向，他们成功地在充满噪音的战场上，开辟出了一条清晰、节能的“秘密通道”。这不仅是为未来的 6G 网络做准备，也是让无人机在复杂环境中（如战场、灾难救援）能更可靠地工作的关键一步。

技术摘要

这是一份关于论文《RHOSI: Efficient Anti-Jamming Resource Allocation with Holographic Surfaces in UAV-enabled ISAC》（RHOSI：基于 UAV 的 ISAC 系统中全息表面的高效抗干扰资源分配）的详细技术总结。

1. 研究背景与问题定义 (Problem Definition)

• 背景：
  • 第六代移动通信（6G）中，通感一体化（ISAC）是核心技术，旨在同时利用基础设施进行通信和感知。
  • 然而，地面 ISAC 系统容易受到视距（LoS）遮挡和恶意干扰（Jamming）的影响，导致通信可靠性和感知精度下降。
  • 可重构全息表面（RHS）被视为 6G 的关键技术，能够通过被动波束成形重塑无线传播环境。结合无人机（UAV）的机动性，可以灵活部署 RHS 以绕过障碍物并建立视距链路。
• 核心问题：
  • 在存在恶意干扰源的情况下，如何设计一个由 UAV 搭载 RHS 辅助的 ISAC 系统，以同时满足通信用户的服务质量（QoS）和目标的感知需求（回波信干噪比，SINR），同时最小化网络总功耗。
  • 这是一个非凸混合整数非线性规划（MINLP）问题，涉及高度耦合的变量：基站（BS）的有源波束成形、RHS 的无源相位偏移配置、以及 UAV 的空间部署（位置和速度）。

2. 系统模型 (System Model)

• 网络架构：
  • 包含一个双功能基站（BS，配备 $N_t$ 天线）、$K$ 个单天线用户、一个特定目标、一个搭载 $M$ 个反射单元的 RHS 的 UAV，以及一个单天线干扰源。
  • BS 到目标的直接链路被建筑物遮挡，UAV 搭载的 RHS 用于建立虚拟视距链路以辅助感知。
• 信道模型：
  • 考虑了 BS 到用户、干扰源到用户、BS 到 RHS、干扰源到 RHS 以及 RHS 到用户/目标的信道。
  • 信道包含路径损耗、Rician 衰落（针对地面链路）以及基于几何关系的相位响应。
• 性能指标：
  • 通信：用户接收到的信干噪比（SINR），需满足最小数据速率 $R_{min}$。
  • 感知：目标回波 SINR，需满足检测阈值 $\gamma_T$。
  • 功耗：包括 BS 发射功率、UAV 的空气动力学功耗（与飞行速度和轨迹相关）以及电路功耗。
• 优化目标：
  • 最小化网络总功耗（发射功率 + 飞行功耗 + 电路功耗）。
  • 约束条件包括：BS 最大发射功率、用户最小速率、目标最小回波 SINR、UAV 的飞行轨迹约束（位置、速度、加速度）以及 RHS 的单元约束（模为 1）。

3. 方法论：RHOSI 算法 (Methodology)

为了解决上述非凸 MINLP 问题，作者提出了名为 RHOSI（Resource allocation for anti-jamming HOlographic Surface UAV-enabled ISAC）的交替优化（AO）算法。

• 核心思想：
  • 将复杂的联合优化问题分解为三个子问题，并在迭代过程中交替求解，直到收敛。
  • 利用变量之间的相互依赖性：发射波束适应用户和干扰动态，RHS 相位重塑传播环境，UAV 位置确保有利的几何结构。
• 具体步骤：
  1. 有源波束成形优化：固定 RHS 相位和 UAV 位置，利用**逐次凸近似（SCA）**技术优化基站的发射波束成形向量。
  2. 无源波束成形优化：固定其他变量，利用基于惩罚的优化技术优化 RHS 的相位偏移矩阵，以增强期望信号并抑制干扰。
  3. UAV 部署优化：固定波束成形和相位，利用SCA优化 UAV 的二维水平位置和速度轨迹，以满足飞行约束并优化信道条件。
• 数学工具：
  • 使用了半定松弛（SDR）、大 M 法（Big-M method）和逐次凸近似（SCA）来处理非凸约束和整数变量，从而获得高效的次优解。

4. 主要贡献 (Key Contributions)

1. 新颖的系统架构：首次提出将 UAV 搭载的可重构全息表面（RHS）应用于抗干扰 ISAC 场景，利用 UAV 的机动性动态建立视距链路，有效对抗地面遮挡和恶意干扰。
2. 联合优化框架：提出了一个统一的优化框架，联合优化了 BS 的有源波束成形、RHS 的无源相位配置以及 UAV 的轨迹部署，实现了通信与感知性能的协同提升。
3. 高效算法设计：开发了 RHOSI 算法，通过交替优化策略将复杂的非凸问题分解，利用 SCA 和惩罚函数法求解，保证了算法的收敛性和计算效率。
4. 抗干扰机制：证明了通过联合优化，系统能够动态调整传播环境，在强干扰下通过被动波束成形增益维持高吞吐量和感知可靠性。

5. 仿真结果 (Simulation Results)

• 天线数量与功耗：
  • 随着基站天线数量（$N_t$）的增加，RHOSI 算法的平均功耗显著降低。这是因为更多天线提供了额外的空间自由度（DoF），实现了更精确的波束成形和干扰抑制。
  • 然而，随着天线数量进一步增加，功耗降低的边际效益递减。
  • 更高的通信速率要求（$R_{min}$）会导致更高的功耗，因为需要更强的发射功率和更严格的干扰抑制。
• 抗干扰性能：
  • 在干扰功率（$g_{Jam}$）增加的情况下，所有方案的可达和速率都会下降，但 RHOSI 的下降斜率最平缓。
  • 对比分析：
    • RHOSI：表现最佳，通过联合优化最大化了抗干扰 SINR。
    • 离散相位偏移方案：表现次之，受限于有限的相位分辨率，被动波束成形增益受限。
    • 随机部署方案：表现最差，非优化的位置无法有效利用空间分集和相干增强。
  • 结果表明，RHS 提供的额外空间自由度和分集增益在强干扰环境下对于维持系统性能至关重要。

6. 意义与结论 (Significance & Conclusion)

• 技术意义：该研究证明了在 6G ISAC 系统中，结合 UAV 的机动性和 RHS 的灵活波束成形能力，是解决复杂电磁环境（特别是恶意干扰和遮挡）下资源分配问题的有效途径。
• 实际价值：提出的 RHOSI 算法不仅显著降低了网络能耗，还大幅提升了系统在对抗性环境下的鲁棒性（吞吐量）和感知可靠性。
• 未来展望：虽然当前研究假设了完美的信道状态信息（CSI），未来的工作可以探索在不完全 CSI 或动态干扰场景下的鲁棒资源分配策略。

总结：这篇论文通过引入 UAV 搭载的全息表面，提出了一种创新的抗干扰 ISAC 资源分配方案。RHOSI 算法成功解决了多变量耦合的非凸优化问题，仿真结果证实了其在提升系统能效、抗干扰能力和感知精度方面的显著优势，为未来 6G 智能无线网络的部署提供了重要的理论支撑和技术参考。