协作无人机(uav)辅助干扰功率与轨迹联合的优化方法
技术领域
1.本发明属于无线通信技术领域，具体涉及一种协作无人机(uav)辅助干扰功率与轨迹联合的优化方法。
背景技术：2.卫星通信系统作为地面通信领域的重要组成部分，由于其具有无缝覆盖、不受地形因素的限制等优势而受到广泛关注。
3.近年来，轨道高度不到1500公里的近地轨道(leo)卫星发展迅速，其具有低功耗、低延时、部署灵活等特征，能提供各种服务，如语音传输、视频通信、短信和寻呼、搜索和救援、灾难服务、环境和工业监测、货物跟踪和位置确定等，在军事领域还能及时获取和反馈战场局势，显示出了极大的应用前景和战略意义，然而，由于leo广播开放的固有性质，卫星信号很容易被截获，造成潜在的安全隐患，更有甚者，在军事通信领域，若leo通信信号被发现或截获，将导致重要军事目标暴露、造成无法估量的损失；因此，针对leo卫星通信系统的固有劣势，研究其隐蔽通信方案至关重要。
4.隐蔽通信也称作低检测概率(low probability of detection，lpd)通信，隶属于信息隐藏技术，可以防止信号被恶意窃听，以实现通信双方信息的隐蔽传输，有学者提出了平方根准则，证明了在加性高斯白噪声(awgn)信道下，合法用户通过使用n次信道，最多可隐蔽传输信息至接收方；有学者研究了基于噪声不确定性的隐蔽通信，分析有界和无界噪声不确定性模型下的最大可达隐蔽率，证明了噪声不确定性有助于提高系统隐蔽性能；有学者将信道分为确定部分和不确定部分，利用块衰落信道下的信道不确定性来实现隐蔽性；还有学者使用干扰节点发送人工噪声，利用协助干扰手段来实现隐蔽通信。
5.无人机(uav)具有灵活部署、易于控制等特性，能克服物联网系统的地面基础设施的局限性，增强信号覆盖范围并降低运营成本，其可针对窃听者动态发送定向干扰，以辅助实现leo卫星隐蔽通信，确保信息传输的高安全性。利用其移动性优势，控制uav尽可能靠近恶意窃听者，远离合法接收用户，在提高卫星信号传输速率的同时以降低窃听者的检测性能。
技术实现要素：6.有鉴于此，本发明的主要目的在于提供一种协作无人机(uav)辅助干扰功率与轨迹联合的优化方法。
7.为达到上述目的，本发明的技术方案是这样实现的：
8.本发明实施例提供一种协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，该方法包括：
9.根据uav资源配置需求构建gan网络；
10.所述gan网络包括生成器和判别器两部分，其中，所述生成器包含输入层、全连接层、激活层、输出层，所述生成器以隐蔽速率最大化为目标，将环境数据q1作为输入，将uav
干扰功率和轨迹联合优化方案作为输出；所述判别器包含数据输入层、隐藏层和方案输出层，以检测错误概率最小化为目标，将环境数据q2、生成器的输出、无隐蔽通信的uav资源配置方案作为输入，判别结果d作为输出；
11.生成训练数据样本，并且根据所述训练数据样本训练gan网络，获得已训练的gan网络；
12.获取当前环境参数，并且根据所述已训练的gan网络预测uav下一个时隙的干扰功率和飞行轨迹。
13.上述方案中，所述根据uav资源配置需求构建gan网络，具体为：所述生成器的数据输入维度为13，包含环境变量输出数据维度为4，包含能实现隐蔽通信的方案{v,pu,ω0,ω1}；判别器网络的数据输入维度为14，包含环境变量q2{ps,d
se
,α,δ
t
,x0,y0,z0,xe,ye,0}与是否能发生隐蔽通信的两种方案的拼接，输出数据维度为1，是介于0-1之间的随机数d，d与判决门限γ进行大小比较，若d＞γ则代表判别器认为没有隐蔽通信的发生，反之则认为存在隐蔽通信的发生。
14.上述方案中，所述生成训练数据样本，具体为：通过遗传算法分别对uav最大化隐蔽速率r和检测错误概率λ的目标寻优，固定不变的环境参数包括：位置(xd,yd,0)、(xe,ye,0),、uav的最大速度v
max
、最大功率最低飞行高度h
min
、以及天线增益；每次寻优需要改变的环境参数有：服从sr分布和nakagami-m分布的随机数h
sd
与h
ud
，在合理范围内随机取值的ps,d
sd
,d
se
，以及uav的坐标，分别在其距离用户d1,d2,d3,d4,d5的地方取值，约束条件为：uav的飞行速度不超过v
max
，功率不超过飞行角度ω0，ω1∈[0
°
,360
°
]，飞行高度不低于h
min
，单个时隙内最大飞行距离为l
max
＝v
max
δ
t
；2.1)将目标函数定义为maxr；满足uav速度，功率，飞行角度，飞行高度，最大飞行距离以及检测错误概率λ≥1-ε的约束条件，生成用于训练生成器的数据，表示为样本ⅰ，包含能实现隐蔽通信的方案；将目标函数定义为minλ；满足uav速度，功率，飞行角度，飞行高度，最大飞行距离的约束条件，生成用于训练判别器的数据，表示为样本ⅱ，包含不能实现隐蔽通信的方案。
[0015]
上述方案中，所述根据所述训练数据样本训练gan网络，获得已训练的gan网络之前，还包括：处理样本数据ⅱ，把数据集里eve的真实坐标加上估计误差(δxe,δye,0)，其中δxe、
[0016]
上述方案中，所述根据所述训练数据样本训练gan网络，获得已训练的gan网络，具体为：使用样本ⅰ预训练生成器，初始化生成器的权值参数；交替训练生成器和判别器，获得生成器权重和判别器权重，判别器与生成器网络均沿梯度下降的方向更新自己的权重；当损失值收敛时说明训练过程结束，此时生成器与判别器的博弈达到纳什均衡，即生成器生成的方案让判别器无法确认隐蔽通信是否发生，保存训练完毕的生成器与判别器模型文件。
[0017]
上述方案中，还包括：输入环境参数q1，生成器生成uav功率和轨迹优化方案，该方案与环境数据q2拼接后作为隐蔽通信数据。
[0018]
上述方案中，所述生成器权重，具体为将隐蔽通信数据与处理过的样本数据ⅱ输入判别器，隐蔽通信数据标签为0，无隐蔽通信数据标签为1，通过反向传播更新判别器的参
数。
[0019]
上述方案中，所述生成器权重，具体为：把有无隐蔽通信的标签互换后输入判别器，通过误差反向传播更新生成器的参数，损失函数使用二元交叉熵函数，定义为：
[0020]
ld＝e[-log(1-d(g(z)))-log(d(x))]
[0021]
lg＝e[-log(d(g(z)))]
[0022]
其中g(z)表示生成器生成的隐蔽方案，d(
·
)表示判别器判别后的结果，x表示不能发生隐蔽通信的方案，e是期望运算符。
[0023]
与现有技术相比，本发明考虑了uav已知窃听者不完整信道状态信息，未知窃听者的检测阈值、噪声功率、确切位置等信息的情况，所提gan网络方法可以有效实施协作干扰策略，确保leo隐蔽通信，更具有实际应用价值；将最大化隐蔽速率及检测错误概率这一多目标非凸优化问题，拆解和转换为最大化隐蔽速率、最小化检测错误概率这两个单目标优化问题，并利用遗传算法分别求解，从而获取大量样本数据构建生成器和判别器，解决了训练数据难以收集的问题。
附图说明
[0024]
此处所说明的附图用来公开对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0025]
图1为本发明的流程图；
[0026]
图2为本发明对uav辅助的卫星隐蔽通信网络中的检测错误概率仿真图。
具体实施方式
[0027]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0028]
本实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0029]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。
[0030]
本发明考虑的隐蔽通信场景，包括leo卫星到地面合法用户的通信链路s
→
d；leo卫星到窃听者的窃听链路s
→
e，和uav到窃听者的干扰链路u
→
e。假设所有的通信都发生在有限时间段t内，t可被平均分为n个连续时隙，每个时隙的长度为δ
t
＝t/n。本系统中的所有节点之间的通信均配备单天线，并且所有链路在统计上都是独立的。节点的位置信息用笛
卡尔三维坐标系来表示，用户(dave)、窃听者(eve)位置固定，分别表示为(xd,yd,0)，(xe,ye,0)。其中窃听者位置的不确定性用高斯误差模型来估计。在第n个时隙，uav的干扰功率为pu，它的位置则动态表示为(xu[n],yu[n],zu[n])，初始时刻的坐标表示为(x0,y0,z0)。设uav的飞行方向与三维坐标系中水平与垂直正方向的夹角分别为ω0[n]和ω1[n]，uav以速度v[n]进行匀速直线飞行，则下一时隙的位置为：
[0031]
(xu[n]+v[n]δ
t
cosω0[n]，yu[n]+v[n]δ
t
sinω0[n]，zu[n]+v[n]δ
t
cosω1[n])
[0032]
如图1所示，，本发明的具体实现步骤如下：
[0033]
步骤1，uav资源配置gan网络构建：
[0034]
1.1)考虑到uav未知eve的检测门限和噪声功率的实际情况，将
[0035]
uav最大化隐蔽速率r和检测错误概率λ的目标分别设置为：
[0036]
uav的目标：
[0037][0038]
eve的目标：
[0039][0040]
其中卫星、uav到地面用户的距离分别表示为d
sd
,d
ud
,卫星、uav到eve之间的欧氏距离分别表示为d
se
,d
ue
，α为路径损耗指数；s
→
d、s
→
e、u
→
e、u
→
d链路的信道增益分别定义为h
sd
,h
se
,h
ue
,h
ud
，h
sd
服从阴影莱斯(shadow rice，sr)分布,h
se
,h
ue
,h
ud
服从nakagami-m分布，即|h
se
|2～γ(m0,θ0)，|h
ue
|2～γ(m1,θ1)，这里取m0＝m1＝θ0＝θ1＝1；ps,pu分别是卫星、uav的发射功率，表示用户端的加性高斯白噪声功率。
[0041]
1.2)构建生成器和判别器网络：
[0042]
生成器的数据输入维度为13，包含环境变量输出数据维度为4，包含能实现隐蔽通信的方案{v,pu,ω0,ω1}，生成器网络包含输入层，全连接层，激活层，输出层，其中激活函数为leaky relu。判别器网络的数据输入维度为14，包含环境变量q2{ps,d
se
,α,δ
t
,x0,y0,z0,xe,ye,0}与是否能发生隐蔽通信的两种方案的拼接，输出数据维度为1，是介于0-1之间的随机数d，d与判决门限γ进行大小比较，若d＞γ则代表判别器认为没有隐蔽通信的发生，反之则认为存在隐蔽通信的发生，判别器网络同样有输入层，全连接层，激活层，输出层，其中输出层的激活函数为sigmoid。
[0043]
步骤2，训练数据样本生成
[0044]
使用遗传算法分别对(p1)、(p2)两个问题寻优，固定不变的环境参数包括：位置(xd,yd,0)，(xe,ye,0),uav的最大速度v
max
，最大功率最低飞行高度h
min
，以及天线增益；每次寻优需要改变的环境参数有：服从sr分布和nakagami-m分布的随机数h
sd
与h
ud
，在
合理范围内随机取值的ps,d
sd
,d
se
，以及uav的坐标，分别在其距离用户d1,d2,d3,d4,d5的地方取值，约束条件为：uav的飞行速度不超过v
max
，功率不超过飞行角度ω0，ω1∈[0
°
,360
°
]，飞行高度不低于h
min
，单个时隙内最大飞行距离为l
max
＝v
max
δ
t
。
[0045]
2.1)将目标函数定义为maxr；满足uav速度，功率，飞行角度，飞行高度，最大飞行距离以及检测错误概率λ≥1-ε的约束条件，生成用于训练生成器的数据，表示为样本ⅰ，包含能实现隐蔽通信的方案；
[0046]
2.2)将目标函数定义为minλ；满足uav速度，功率，飞行角度，飞行高度，最大飞行距离的约束条件，生成用于训练判别器的数据，表示为样本ⅱ，包含不能实现隐蔽通信的方案；
[0047]
步骤3，gan网络训练
[0048]
2.1)处理样本数据ⅱ，把数据集里eve的真实坐标加上估计误差(δxe,δye,0)，其中δxe、
[0049]
2.2)对gan网络进行训练：
[0050]
首先，使用样本ⅰ预训练生成器，初始化生成器的权值参数；
[0051]
其次，交替训练生成器和判别器：
[0052]
①
输入环境参数q1，生成器生成uav功率和轨迹优化方案，该方案与环境数据q2拼接后作为隐蔽通信数据；
[0053]
②
固定生成器权重，更新判别器的权值参数：将隐蔽通信数据与处理过的样本数据ⅱ输入判别器，隐蔽通信数据标签为0，无隐蔽通信数据标签为1，通过反向传播更新判别器的参数；
[0054]
③
固定判别器权重，更新生成器的权值参数：把有无隐蔽通信的标签互换后输入判别器，通过误差反向传播更新生成器的参数。损失函数使用二元交叉熵函数，定义为：
[0055]
ld＝e[-log(1-d(g(z)))-log(d(x))]
[0056]
lg＝e[-log(d(g(z)))]
[0057]
其中g(z)表示生成器生成的隐蔽方案，d(
·
)表示判别器判别后的结果，x表示不能发生隐蔽通信的方案，e是期望运算符。判别器与生成器网络均沿梯度下降的方向更新自己的权重。当损失值收敛时说明训练过程结束，此时生成器与判别器的博弈达到纳什均衡，即生成器生成的方案让判别器无法确认隐蔽通信是否发生。保存训练完毕的生成器与判别器模型文件。
[0058]
步骤4，基于gan网络的uav干扰功率和轨迹联合优化与预测
[0059]
将当前环境数据q1与q2输入训练好的gan,预测uav干扰功率和轨迹，然后uav调整当前时隙的干扰功率和飞行位置，更新q1和q2，重新预测，并做出下一时隙的决策，重复此步骤，直至结束。
[0060]
本发明的效果可以通过仿真进一步说明：
[0061]
1.仿真条件：设卫星隐蔽通信网络中，地面合法用户的坐标为(100，1000，0)，eve的真实坐标为(150，1200，0)，取25，h
min
为30m,取-30dbm，路径损耗指数α为2，时隙长度δ
t
为1，门限γ取0.5；
[0062]
收集数据集时：卫星发射功率ps随机在40dbm-50dbm之间取值，它与地面的距离保
持在320km-500km，天线增益为27dbi，v
max
取5m/s，取30dbm,约束中的ε取0.02，d1＝100m，d2＝200m，d3＝300m，d4＝400m，d5＝500m，样本ⅰ共2660组，样本ⅱ为3146组；
[0063]
预测时：uav第一个时隙的起飞位置设为(232，1060，120)，ps为40dbm，信道增益h
sd
为1.2，h
ud
为0.9，卫星到地面的距离为300km。共预测一百次。
[0064]
2.仿真内容：采用本发明干扰方法与遗传算法产生的干扰方法进行仿真比较，结果如图2。图2中，纵坐标为“检测错误概率”，表示窃听者检测通信信号出错的概率；横坐标为“时间/s”，表示uav飞行的时间。
[0065]
由图2仿真结果可知，在同一通信环境下，随着uav飞行时间的增长，采用本发明的窃听者的检测错误概率明显高于采用遗传算法的错误概率，在第80s的时候，gan网络预测得到的错误概率比目标为最小化检测错误概率的遗传算法高1.48倍，比目标为最大化隐蔽速率的遗传算法高3.37％。此外，使用遗传算法需要已知窃听者确切的位置，而本发明所使用的算法只需要知道估计位置；因此采用本发明算法产生的uav的飞行方案，在通信中隐蔽性能更优，并且更加具有实际意义。
[0066]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
技术特征：1.一种协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，该方法包括：根据uav资源配置需求构建gan网络；所述gan网络包括生成器和判别器两部分，其中，所述生成器包含输入层、全连接层、激活层、输出层，所述生成器以隐蔽速率最大化为目标，将环境数据q1作为输入，将uav干扰功率和轨迹联合优化方案作为输出；所述判别器包含数据输入层、隐藏层和方案输出层，以检测错误概率最小化为目标，将环境数据q2、生成器的输出、无隐蔽通信的uav资源配置方案作为输入，判别结果d作为输出；生成训练数据样本，并且根据所述训练数据样本训练gan网络，获得已训练的gan网络；获取当前环境参数，并且根据所述已训练的gan网络预测uav下一个时隙的干扰功率和飞行轨迹。2.根据权利要求1所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，所述根据uav资源配置需求构建gan网络，具体为：所述生成器的数据输入维度为13，包含环境变量输出数据维度为4，包含能实现隐蔽通信的方案{v,p
u
,ω0,ω1}；判别器网络的数据输入维度为14，包含环境变量q2{p
s
,d
se
,α,δ
t
,x0,y0,z0,x
e
,y
e
,0}与是否能发生隐蔽通信的两种方案的拼接，输出数据维度为1，是介于0-1之间的随机数d，d与判决门限γ进行大小比较，若d＞γ则代表判别器认为没有隐蔽通信的发生，反之则认为存在隐蔽通信的发生。3.根据权利要求1或2所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，所述生成训练数据样本，具体为：通过遗传算法分别对uav最大化隐蔽速率r和检测错误概率λ的目标寻优，固定不变的环境参数包括：位置(x
d
,y
d
,0)、(x
e
,y
e
,0),、uav的最大速度v
max
、最大功率最低飞行高度h
min
、以及天线增益；每次寻优需要改变的环境参数有：服从sr分布和nakagami-m分布的随机数h
sd
与h
ud
，在合理范围内随机取值的p
s
,d
sd
,d
se
，以及uav的坐标，分别在其距离用户d1,d2,d3,d4,d5的地方取值，约束条件为：uav的飞行速度不超过v
max
，功率不超过飞行角度ω0，ω1∈[0
°
,360
°
]，飞行高度不低于h
min
，单个时隙内最大飞行距离为l
max
＝v
max
δ
t
；2.1)将目标函数定义为maxr；满足uav速度，功率，飞行角度，飞行高度，最大飞行距离以及检测错误概率λ≥1-ε的约束条件，生成用于训练生成器的数据，表示为样本ⅰ，包含能实现隐蔽通信的方案；将目标函数定义为minλ；满足uav速度，功率，飞行角度，飞行高度，最大飞行距离的约束条件，生成用于训练判别器的数据，表示为样本ⅱ，包含不能实现隐蔽通信的方案。4.根据权利要求3所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，所述根据所述训练数据样本训练gan网络，获得已训练的gan网络之前，还包括：处理样本数据ⅱ，把数据集里eve的真实坐标加上估计误差(δxe,δye,0)，其中δxe、5.根据权利要求4所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，所述根据所述训练数据样本训练gan网络，获得已训练的gan网络，具体为：使用样本ⅰ预训练生成器，初始化生成器的权值参数；交替训练生成器和判别器，获得生成器权重
和判别器权重，判别器与生成器网络均沿梯度下降的方向更新自己的权重；当损失值收敛时说明训练过程结束，此时生成器与判别器的博弈达到纳什均衡，即生成器生成的方案让判别器无法确认隐蔽通信是否发生，保存训练完毕的生成器与判别器模型文件。6.根据权利要求5所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，还包括：输入环境参数q1，生成器生成uav功率和轨迹优化方案，该方案与环境数据q2拼接后作为隐蔽通信数据。7.根据权利要求6所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，所述生成器权重，具体为将隐蔽通信数据与处理过的样本数据ⅱ输入判别器，隐蔽通信数据标签为0，无隐蔽通信数据标签为1，通过反向传播更新判别器的参数。8.根据权利要求7所述的协作无人机(uav)辅助干扰功率与轨迹联合的优化方法，其特征在于，所述生成器权重，具体为：把有无隐蔽通信的标签互换后输入判别器，通过误差反向传播更新生成器的参数，损失函数使用二元交叉熵函数，定义为：l
d
＝e[-log(1-d(g(z)))-log(d(x))]l
g
＝e[-log(d(g(z)))]其中g(z)表示生成器生成的隐蔽方案，d(
·
)表示判别器判别后的结果，x表示不能发生隐蔽通信的方案，e是期望运算符。
技术总结本发明公开了一种协作无人机(UAV)辅助干扰功率与轨迹联合的优化方法，根据UAV资源配置需求构建GAN网络；生成训练数据样本，并且根据所述训练数据样本训练GAN网络，获得已训练的GAN网络；获取当前环境参数，并且根据所述已训练的GAN网络预测UAV下一个时隙的干扰功率和飞行轨迹。本发明考虑了UAV已知窃听者不完整信道状态信息，未知窃听者的检测阈值、噪声功率、确切位置等信息的情况，所提GAN网络方法可以有效实施协作干扰策略，确保LEO隐蔽通信，更具有实际应用价值。更具有实际应用价值。更具有实际应用价值。
技术研发人员：石嘉 李小萌 廖晓闽 胡俊凡 李赞 司江勃
受保护的技术使用者：西安电子科技大学
技术研发日：2022.07.19
技术公布日：2022/11/1
