本技术公开了一种基于图神经网络的物理层安全传输方法及系统，属于通信信号处理技术领域，首先构建存在多个窃听者和合法用户与基站通信的场景，分析得出接收机的瞬时接收速率，并形成以最大化此系统的合法用户接收速率、最小化此系统的窃听者接收速率为目标，发射波束赋形为变量的问题模型；然后开发了一个基于图神经网络的框架，其中波束赋形向量通过神经网络训练来解决。采用随机梯度下降法对神经网络参数进行优化，达到有效抑制窃听、提升物理层安全的目的。
背景技术
随着无线通信技术的飞速发展，通信安全问题越来越受到重视。计算能力的不断增长使以前被认为无法破解的密钥不再可靠，进而凸显了物理层安全性相对于基于密钥的安全性的优势。通过在合法通信者之间建立安全的通信链路，物理层安全技术有助于确保传输的信息稳定且可信，从而保证无线通信系统的可靠性和真实性。
物理层安全的概念通过利用传输介质的物理特性为保护无线通信提供了一个鲁棒的框架。然而，它还面临着诸如动态信道条件和计算复杂性等挑战。常规的物理层安全求解方法采用逐次凸逼近法或一般幂次迭代法，这两种方法都对计算能力有很高的要求，所以当物理环境复杂多变时，这两种方法难以扩展使用，不能充分满足物理层安全日益增长的动态需求。在这种特殊情况下，学界提出一种计算效率更高的方法来提高物理层安全性，即深度神经网络(Deep Neural Networks, DNN)。DNN可以对抗物理层安全问题的非线性和非凸性，并通过利用并行处理和规避物理层安全求解过程中的迭代过程，最大限度地减少计算资源的需求。Sangseok Yun等人使用DNN解决了MISO窃听信道的物理层安全优化问题，并证明了所提出的方案在理想和实际训练场景中始终优于传统方案。DNN从大量欧几里得空间结构的数据中提取潜在特征，学习并更新网络参数，这依赖于快速发展的计算资源，反过来又支持计算资源的进一步繁荣。
虽然DNN在处理物理层安全性方面有强大的性能，但它们仅限于处理网格状数据，如图像或序列，其中输入特征具有固定维度的结构。然而，由于信道条件变化、用户移动性、波束干扰等因素的影响，物理层安全的无线通信环境具有内在的复杂性和动态性。传统的欧几里得几何表示不足以准确地捕捉无线网络中的关系。相比之下，图神经网络（GraphNeural Networks，GNNs）专门用于直接处理非欧几里得空间图结构数据，这为捕获无线通信场景的不规则性和动态提供了更灵活和适应性更强的框架。作为一种新兴的神经网络模型，GNNs已被用于解决无线通信中的各种问题，并取得了值得称道的成果，如无线电资源管理、用户调度、和速率最大化的波束形成矢量设计等，这些问题都和物理层安全问题有共通之处。GNNs不仅更适合于复杂通信场景和问题的建模，而且还具有出色的可扩展性，可以适应图结构的变化，而不会因添加或删除节点而影响模型应用，这是DNNs所缺乏的能力，这使得GNNs在解决物理层安全问题方面特别有利。
实现思路