⚡ electrical engineering

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

本文提出了一种用于 RIS 辅助 MISO 系统物理层安全的双阶段异构图神经网络，通过无监督学习联合优化 RIS 相移与波束成形，在显著降低计算复杂度的同时实现了接近凸优化算法的保密能效性能。

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

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让无线通信既快又安全的聪明办法。为了让你更容易理解，我们可以把整个通信系统想象成一个**“超级快递站”，而这项新技术就是给这个快递站装上了“智能大脑”**。

1. 场景设定：快递站、包裹和窃贼

想象一下：

基站（BS）：是一个巨大的中央快递站，负责发送包裹（数据）。
合法用户（LU）：是收件人，他们等着收快递。
窃贼（Eve）：是潜伏在附近的扒手，他们想偷看或截获这些包裹。
智能反射表面（RIS）：这是一面**“魔法镜子墙”**。它不像普通镜子那样只能反射，而是可以智能地调整角度，把信号像光线一样精准地“折射”到收件人那里，同时避开扒手。

目标：我们要让快递站发出的信号，既能高效地送到收件人手里（省电、速度快），又能让扒手完全听不到、看不懂（安全）。

2. 过去的难题：太复杂，算不过来

以前，要控制这面“魔法镜子”的角度，以及决定怎么发射信号，工程师们得用超级复杂的数学公式去算。

问题：这就像要在一个巨大的迷宫里，同时调整成千上万个镜子的角度，还要考虑几十个收件人和扒手的位置。用传统方法算，太慢了，等算完，信号都过时了。
现有 AI 的局限：以前的 AI 像是一个死板的机器人，它只认识固定数量的镜子和人。如果突然多了一个收件人，或者镜子数量变了，它就得重新学习，甚至直接“死机”。

3. 这篇论文的解决方案：两阶段“双核”智能大脑

作者提出了一种新的 AI 模型，叫**“两阶段异构图神经网络”。我们可以把它想象成一位经验丰富的老练指挥官**，他指挥作战分两步走：

第一阶段：布置“魔法镜子”（RIS 相位调整）

任务：指挥官先观察地形（信道信息），决定那面“魔法镜子墙”的每一个小镜子（反射单元）该朝哪个方向转。
怎么做：他把镜子、收件人、扒手画成一张关系网。他不仅看单个镜子，还看镜子和人之间的连线。
比喻：就像指挥交通，先调整路口的红绿灯和反光镜，确保光线能照到好人，把坏人挡在阴影里。

第二阶段：发射“特制包裹”（波束成形与人工噪声）

任务：镜子摆好后，指挥官决定怎么发射信号。
- 波束成形：把信号聚成一道“激光”，精准射向收件人。
- 人工噪声（AN）：故意向扒手的方向发射一些“干扰噪音”，就像在扒手耳边放摇滚乐，让他听不清真正的对话。
怎么做：这时候，指挥官把收件人和扒手看作一个紧密的社交网络，利用第一阶段得到的信息，计算出最佳的发射策略。

4. 这个“大脑”为什么这么厉害？（三大亮点）

A. 像“乐高”一样灵活（可扩展性）

以前的 AI 模型像是一个定做的模具，只能做固定大小的蛋糕。如果用户多了，模具就不行了。

这篇论文的方法：像乐高积木。不管你是 3 个收件人还是 10 个，不管镜子是 100 块还是 1000 块，指挥官都能自动适应。他不需要重新学习，只需要把新的积木（节点）加进关系网里，继续指挥就行。

B. 既快又准（效率与性能）

速度：传统的数学计算方法（凸优化）算一次可能需要几分钟甚至几小时（就像用计算器一步步手算）。这个 AI 模型算一次只需要几毫秒（就像按了一下计算器）。
精度：虽然算得快，但效果几乎和慢慢算出来的结果一样好（损失不到 4%）。这就好比一个神枪手，闭着眼射出的箭，和睁眼瞄准射出的箭，偏差极小。

C. 无师自通（无监督学习）

这个 AI 不需要老师拿着标准答案（标签）来教它。它通过自我试错，直接以“最终效果好不好”（秘密能效）为目标进行训练。就像学骑自行车，不需要人告诉你每一步脚怎么蹬，只要摔倒了就调整，直到骑得稳。

5. 总结：这对我们意味着什么？

简单来说，这篇论文发明了一种超级聪明的算法，能让未来的 6G 通信网络：

更安全：让窃贼彻底“失聪”。
更省电：信号传得更准，浪费更少。
更灵活：无论网络里有多少人、多少设备，它都能瞬间适应，不需要重新训练。

这就好比给未来的无线世界装上了一个**“万能导航仪”**，无论路况（网络环境）怎么变，它都能瞬间规划出最快、最安全的路线，让信息传输既高效又保密。

这是一篇关于利用图神经网络（GNN）解决可重构智能表面（RIS）辅助的物理层安全（PLS）问题的学术论文。以下是对该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

背景：RIS 被视为下一代移动通信的关键技术，能够通过智能调整电磁波相位来改善信道质量、扩展覆盖并增强物理层安全（PLS）。然而，RIS 辅助系统的优化涉及基站（BS）、RIS、合法用户（LUs）和窃听者（Eves）之间深度耦合的参数，且系统实体具有异构性。
核心问题：在存在多个窃听者的多输入单输出（MISO）系统中，如何联合优化波束成形向量、人工噪声（AN）向量以及RIS 相位偏移矩阵，以最大化系统的保密能效（SEE, Secrecy Energy Efficiency）。
现有挑战：
- 传统的凸优化（CVXopt）方法计算复杂度高，难以满足实时性要求。
- 深度强化学习（DRL）泛化能力有限。
- 现有的深度学习方法（如 MLP、CNN）受限于固定的输入输出维度，难以适应动态变化的节点数量（如 RIS 反射单元数、用户数、窃听者数）。
- 现有的 GNN 方法大多采用单阶段框架或同质图，未能充分利用多阶段优化策略和异构图表示的优势。

2. 方法论 (Methodology)

论文提出了一种两阶段异构图神经网络（Two-Stage Heterogeneous GNN, HGNN），采用无监督学习（Learning-to-Optimize）范式，将信道状态信息（CSI）映射到优化变量。

A. 系统模型

场景：多天线 BS 通过 RIS 辅助服务多个合法用户，同时存在多个窃听者。
信号：包含信息承载信号（波束成形）和人工噪声（用于干扰窃听者）。
目标：最大化 SEE，即（合法用户总保密速率）/（总功耗）。

B. 两阶段 HGNN 架构

该模型将优化过程分解为两个阶段，分别对应不同的图结构：

第一阶段：RIS 相位偏移矩阵生成
- 图结构：构建一个二分图（Bipartite Graph）。
- 节点类型：包含三种节点——RIS 反射单元节点、BS-LU 链路节点、BS-Eve 链路节点。
- 关键操作：利用基于边的图注意力机制（Edge-based GAT）和无边的图注意力机制，将 CSI 映射为 RIS 相位矩阵 $\Phi$ 。
- 输出：RIS 相位偏移矩阵 $\Phi$ ，同时生成增强的节点特征供第二阶段使用。
第二阶段：波束成形与人工噪声生成
- 图结构：构建一个全连接图（Fully-Connected Graph）。
- 节点类型：包含两种节点——BS-RIS-LU 链路节点、BS-RIS-Eve 链路节点。
- 输入：结合第一阶段生成的 $\Phi$ 计算出的有效 CSI，以及第一阶段输出的增强特征。
- 输出方法：提出了两种输出策略：
  - Beam-direct（直接输出）：通过 MLP 直接映射到波束成形和 AN 向量。
  - Model-based（基于模型输出）：结合理论算法（混合零强迫 ZF 和最大比传输 MRT），将网络输出转化为方向参数和功率参数，再合成向量。这种方法在扩展性上表现更好。

C. 关键技术组件

异构图表示：明确区分了 RIS 单元、用户和窃听者，而非将其视为单一节点，从而更好地捕捉系统异构性。
多头注意力机制（Multi-head Attention）：用于捕捉节点间的复杂交互。
残差连接（Residual Connections）：缓解深层网络中的梯度消失问题。
置换等变性（Permutation Equivariance）：利用图神经网络的特性，确保模型对节点顺序不敏感，从而实现可扩展性（即训练后无需重新训练即可适应不同数量的 RIS 单元、用户或窃听者）。
无监督损失函数：直接以 SEE 的负值作为损失函数进行端到端训练，无需大量标注数据。

3. 主要贡献 (Key Contributions)

问题建模：首次将两阶段框架与异构图神经网络结合，用于解决 RIS 辅助的 PLS 问题，同时处理异构实体（BS, RIS, LU, Eve）和双重功能服务（信息传输与干扰）。
架构创新：
- 设计了基于二分图的第一阶段（优化 RIS）和基于全连接图的第二阶段（优化波束成形/AN）。
- 提出了“基于模型”的输出方法，将传统优化理论（ZF/MRT）嵌入神经网络，显著提升了性能。
可扩展性分析：从理论上证明了该模型具有置换等变性，能够适应动态变化的系统规模（RIS 单元数 $L$ 、用户数 $K$ 、窃听者数 $M$ ），无需针对新规模重新训练。
性能验证：通过大量仿真验证了模型的有效性。

4. 实验结果 (Results)

性能对比：
- 与最先进的 GNN 模型（如 MLP, CO-GNN, BHGNN）相比，提出的两阶段 HGNN（特别是 Model-based 输出）在 SEE 指标上表现最优。
- 在相同训练和测试设置下，Model-based 方法能达到接近最优解（96.60% 的 SEE 比率）。
可扩展性：
- 当测试集的 RIS 单元数、用户数或窃听者数与训练集不同时，该模型仍能保持高性能（例如，当 $L$ 从 8 变到 9，SEE 保持 96.43%），而基线模型性能大幅下降。
效率对比：
- 与传统的凸优化算法（CVXopt）相比，该方法的平均运行时间减少了三个数量级（从秒级降低到毫秒级，约 11.64ms vs 82.74s）。
- 在大幅降低计算时间的同时，SEE 性能损失小于 4%。
消融实验：
- 两阶段框架本身带来了约 19.07% 的性能提升。
- 残差连接提升了约 1.54%。
- Model-based 输出方法带来了约 43.56% 的巨大增益，证明了理论指导神经网络设计的重要性。

5. 意义与价值 (Significance)

实时性与能效：该方案解决了 RIS 辅助 PLS 系统中优化计算复杂度过高的问题，使得在动态无线环境中进行实时、低延迟的保密通信资源分配成为可能。
泛化能力：通过图神经网络的异构表示和置换等变性，模型具备了极强的泛化能力，能够适应未来网络中节点数量动态变化的场景，降低了部署和维护成本。
理论结合实践：成功地将传统通信理论（如 ZF/MRT）与深度学习架构融合，为设计高效、可解释的 AI 驱动通信系统提供了新的范式。
安全增强：在存在窃听者的复杂环境下，显著提升了系统的保密能效，为 6G 安全通信提供了有力的技术支撑。

总结：这篇论文提出了一种高效、可扩展且高性能的两阶段异构图神经网络，成功解决了 RIS 辅助物理层安全中的联合优化难题，在保持接近最优性能的同时，极大地降低了计算延迟，并具备适应动态网络环境的强大能力。