1. 项目概述当无线通信遇见“智能镜子”想象一下你正在一个大型仓库里需要通过无线网络实时追踪一个移动的AGV自动导引车的位置同时还要确保它与控制中心之间的控制指令传输绝对安全、不被窃听。传统的解决方案可能需要部署两套独立的系统一套雷达用于感知定位另一套Wi-Fi或5G专网用于通信。这不仅成本高昂频谱资源紧张两套系统之间还可能产生干扰。集成感知与通信技术正是为了解决这个问题而生。它让一个基站BS发射的信号既能像雷达波一样通过目标反射回来的“回声”感知环境 Sensing 又能像通信信号一样被终端设备解码出信息 Communication 。然而现实很骨感无线信号怕遮挡一旦基站和目标或用户之间没有直接的视距路径信号就会急剧衰减更棘手的是无线信号天生是广播的任何在覆盖范围内的设备都能“听到”安全成了大问题。这时一项被称为“可重构智能表面”的技术进入了我们的视野。你可以把它理解为一面由成千上万个微型“智能像素点”组成的特殊“镜子”。每个像素点都能通过软件独立控制对照射到其上的无线信号进行微小的相位调整。当大量像素点协同工作时这面“镜子”就能像导演一样智能地重构电磁波的传播方向——不是简单地反射而是可以精确地将信号“聚焦”到特定用户或者形成信号“盲区”以避开窃听者。传统的RIS是一面“单向镜”只能将信号反射到它前方的半空间。而本文研究的STAR-RIS则是一面“魔法双向镜”它能同时将一部分信号能量反射到一侧反射区另一部分能量透射到另一侧透射区从而实现360度的全空间信号覆盖。但信号经过RIS反射或透射后功率会经历“双程衰落”从基站到RIS再从RIS到用户损耗很大。于是“主动STAR-RIS”应运而生它在每个“智能像素点”上集成了低噪声功率放大器可以对入射信号进行放大再重新辐射出去从而有效补偿路径损耗。本项目的核心挑战在于“不确定性”和“效率”。在实际场景中狡猾的窃听者会隐藏自己我们无法获得其精确的信道状态信息移动的目标如AGV其角度也存在估计误差。在这些不确定因素下如何“鲁棒地”即抗干扰地设计基站的发射波束波束成形和STAR-RIS上每个单元的相位与放大系数相移矩阵在满足基站和RIS自身功率限制、以及目标感知所需最低照射功率的前提下最大化整个系统的安全能效——即“每消耗一焦耳能量能安全传输多少比特信息”——这就是我们要解决的“鲁棒安全能效优化”问题。2. 核心思路拆解如何应对不确定性与复杂耦合面对一个包含非完美CSI、不确定目标角度、分数形式目标函数以及多个耦合变量的复杂优化问题直接求解犹如一团乱麻。我们的核心思路是“分而治之”与“逐步逼近”将这个大问题拆解成一系列可处理的小问题。2.1 问题建模从物理世界到数学公式首先我们需要用数学语言精确描述系统。系统模型包含以下几个关键部分信号模型基站发射的信号是给K个用户的通信信号的加权和波束成形。这个信号经过基站到STAR-RIS的信道、STAR-RIS的智能调控反射/透射并放大再分别到达位于反射区和透射区的用户与窃听者。性能指标安全速率对于每个合法用户其可达速率减去对应窃听者能窃取的最大速率即窃听容量将所有用户的安全速率求和得到系统总安全速率。这是分子代表“收益”。总功耗包括基站发射功耗考虑功放效率、STAR-RIS的放大电路功耗、以及基站和RIS的硬件静态功耗。这是分母代表“成本”。安全能效系统总安全速率除以总功耗。我们的目标就是最大化这个比值。约束条件功率约束基站的总发射功率、STAR-RIS的总放大功率都不能超过预算。感知约束照射到感知目标上的信号功率必须高于一个最低门限以确保雷达能可靠检测到目标。不确定性建模我们采用“有界误差模型”。即假设窃听信道向量f和目标的导向矢量a可以表示为“估计值”加上一个“误差项”并且这个误差项的范数大小不超过一个已知的上界ε。我们不假设误差的具体统计分布只假设它在一个球体内变化这种模型对最坏情况下的性能提供保障更具鲁棒性。2.2 算法框架交替优化与凸近似原问题P1的目标函数是分式型且变量波束成形向量w_k和RIS相移向量q_R, q_T高度耦合约束中还存在无限多个可能的不确定参数由于误差项属于非凸优化问题NP难无法直接求解。我们的解决路径清晰分为四步分式处理使用基于二次变换的分式规划方法。引入辅助变量将“最大化一个比率”的问题等价转化为“最大化一个减式”的问题。这一步的关键在于对于固定的辅助变量新问题的分子部分关于原变量是凸的为后续处理奠定了基础。变量解耦采用交替优化框架。固定STAR-RIS的相移矩阵优化基站的波束成形然后固定波束成形优化RIS的相移矩阵。如此交替迭代直至收敛。这样就把一个多变量联合优化问题分解成了两个相对简单的子问题。处理不确定性对于每个子问题中涉及不确定参数Δf,Δa的约束例如要求“对所有可能的窃听信道安全速率都大于某个值”我们使用S-Procedure这一强有力的工具。它可以将一个“无限个约束”因为误差可以在球体内任意取值的问题等价转化为一个有限的线性矩阵不等式约束。LMI是凸的可以被标准凸优化求解器处理。处理非凸项在子问题中即使经过上述处理仍存在一些非凸约束例如安全速率表达式中的分式形式以及秩一约束。我们采用连续凸近似和半定松弛技术。SCA对于某些非凸函数我们在当前迭代点处进行一阶泰勒展开用它的一个凸上界或下界来近似原函数从而将非凸约束转化为凸约束。在每次迭代中更新展开点逐步逼近原问题的最优解。SDR波束成形矩阵W_k w_k * w_k^H理论上应该是秩为1的矩阵因为它是向量外积。但秩一约束是非凸的。我们暂时“松弛”掉这个约束只要求W_k是半正定矩阵。这样问题就变成了一个凸的半定规划可以用CVX等工具高效求解。求解后如果得到的W_k*秩恰好为1则分解即可得到最优波束成形向量w_k*如果秩大于1则采用高斯随机化方法从W_k*生成多个候选的秩一解并选取其中使目标函数最好的一个作为可行解。整个算法的流程如同一个精密的双环迭代内环通过FP、SCA、S-Procedure求解固定一组变量下的凸优化子问题外环则在波束成形和RIS相移两个子问题之间交替迭代直至系统安全能效的变化小于预设阈值算法收敛。3. 关键技术细节深潜3.1 安全能效最大化的核心分式规划与二次变换安全能效η_SEE R_sec / P_tot的最大化是一个典型的分式规划问题。直接处理非常困难。我们引入辅助变量β利用二次变换将原问题等价转化为max_{w, q} min_{β0} 2β√R_sec - β² P_tot对于固定的β问题变成了关于w, q的凸优化问题在进行了其他凸近似之后。而对于固定的w, q最优的β*可以通过令导数等于零得到β* √R_sec / P_tot。这恰好就是当前w, q下的安全能效值。因此通过交替优化β和(w, q)我们实际上是在最大化η_SEE。这个变换的妙处在于它将分式目标函数变成了一个关于原变量的减式形式而减式在很多时候更容易处理其凸性。3.2 对抗信道不确定性的利器S-Procedure这是处理鲁棒优化中椭圆不确定集即误差的2-范数有界的经典方法。考虑一个约束对于所有满足||Δf||² ≤ ε²的Δf要求Δf^H A Δf 2 Re{b^H Δf} c ≥ 0恒成立。 这等价于存在一个标量τ ≥ 0使得以下线性矩阵不等式成立[AτI, b; b^H, c-τε²] ≽ 0这个变换是精确的没有损失任何最优性。它将一个包含无限多个参数的约束神奇地变成了一个只包含有限个变量 (τ) 和矩阵的凸约束。在我们的问题中无论是窃听者的信道误差Δf还是目标角度的导向矢量误差Δa其不确定性约束最终都通过S-Procedure转化为了类似的LMI形式从而能够被高效求解。3.3 从松弛解到可行解高斯随机化当我们使用SDR松弛掉秩一约束后求解得到的最优矩阵W*很可能不是秩一的。如何从中恢复出一个高质量的秩一可行解w高斯随机化是标准做法。 其步骤如下对W*进行特征值分解W* U Σ U^H。生成大量例如1000次随机向量ξ_l ~ CN(0, I)。构造候选波束成形向量w_l U Σ^(1/2) ξ_l。理论上如果ξ_l是复高斯随机向量那么E[w_l w_l^H] W*。对于每个w_l我们将其代入原问题的所有约束中进行检验可能需要稍微缩放以满足功率约束并计算其对应的目标函数值安全能效。从所有满足约束的w_l中选取使目标函数值最大的那个作为我们最终得到的波束成形向量。虽然这不能保证找到全局最优的秩一解但大量仿真表明只要随机化次数足够这种方法能得到非常接近理论上界的优质可行解。3.4 主动RIS与被动RIS的本质区别这是本项目的一个关键创新点。为了更直观地理解我们将其对比列出特性被动STAR-RIS主动STAR-RIS核心功能仅调节相位和可能的幅度衰减无源。调节相位和幅度并能放大信号有源。信号处理被动反射/透射信号功率会衰减。主动放大并重新辐射可补偿或增加信号功率。功耗模型功耗极低主要来自控制电路与信号功率无关。功耗包含静态电路功耗和与放大信号功率相关的动态功耗。噪声影响只引入额外的热噪声。在放大信号的同时也放大了自身引入的噪声。优势能耗极低成本低易于部署。能克服“双程衰落”在信号弱场区域显著提升性能波束成形能力更强。挑战性能受限于路径损耗在弱信道下增益有限。设计更复杂需联合优化放大系数存在自干扰和噪声放大问题功耗更高。在我们的优化问题中主动RIS的放大系数a_a,n作为一个额外的优化变量出现其约束0 a_a,n a_max体现了每个放大器的最大放大能力。同时其功耗P_ARIS被明确计入总功耗分母这使得优化算法需要在“通过放大提升信号强度”和“由此增加的功耗”之间进行精细的权衡。4. 算法实现与仿真分析4.1 交替优化算法实现步骤基于上述理论我们设计了一个清晰的交替优化算法其伪代码如下所示算法1基于交替优化的鲁棒安全能效最大化算法初始化设置基站波束成形向量w_k^0、STAR-RIS相移矩阵E_T^0, E_R^0、辅助变量t_k^0, p_k^0。设置最大迭代次数L_max和收敛精度ε。计算初始目标函数值z^0。重复迭代(对于迭代索引l 0, 1, 2, ...) a.固定RIS优化基站给定E_T^l和E_R^l求解子问题P3.1关于w_k的凸优化问题更新得到w_k^{l1}。 b.固定基站优化RIS给定w_k^{l1}求解子问题P4.1关于E_T, E_R的凸优化问题更新得到E_T^{l1}和E_R^{l1}。 c.计算目标值根据新的w_k^{l1},E_T^{l1},E_R^{l1}计算更新后的安全能效z^{l1}。 d.判断收敛若l ≥ L_max或|z^{l1} - z^l| ε则跳出循环否则令l l 1继续迭代。输出最优的波束成形向量w_k*和STAR-RIS相移矩阵E_T*,E_R*。在每一步迭代中子问题P3.1和P4.1都是凸优化问题可以使用内点法等标准算法如通过CVX工具包调用MOSEK或SDPT3求解器高效求解。算法的复杂度主要来源于这两个子问题中涉及的线性矩阵不等式和二阶锥约束的数量。4.2 仿真配置与结果解读为了验证所提方案的有效性我们设置了典型的仿真场景。基站和主动STAR-RIS分别位于(0,0,10)m和(0,50,20)m的高处感知目标在(5,0,10)m。用户和窃听者随机分布在以RIS为中心、半径5米的圆柱面上。信道采用莱斯衰落模型包含视距分量。我们将所提方案与三个基准方案进行对比完美CSI下的主动STAR-RIS假设已知精确的窃听CSI和目标角度作为性能上界。非完美CSI下的被动STAR-RIS与本文场景相同的不确定性但RIS是无源的。完美CSI下的被动STAR-RIS理想条件下的被动RIS方案。仿真揭示了几个关键结论收敛性所提算法在不同总功率预算下都能在10-15次迭代内快速收敛证明了交替优化框架的有效性和稳定性。主动RIS的优势与折衷图3显示随着RIS单元数M增加被动RIS方案的SEE单调增长因为更多的单元提供了更高的波束成形增益。而主动RIS方案的SEE先增后减。这是因为在M较小时增加单元能显著提升性能但当M很大时给大量有源放大器供电本身消耗的功率超过了其带来的性能增益导致能效下降。这指出了在实际部署中需要根据功率预算优化选择主动RIS的规模。功率分配的影响图4表明所有方案的SEE都随总功率P_max增加而提升但增速在高功率区域放缓。对于主动RIS在低功率时增加功率能有效提升能效但在高功率时分配给RIS的功率可能变得“冗余”而基站功耗占比增大导致能效提升边际递减。这启示我们需要智能的功率分配策略。放大系数的调节图5显示在一定的功率预算下存在一个最优的主动RIS放大系数a_max过小的放大不足以补偿损耗过大的放大则导致RIS自身功耗激增。我们的优化算法能够自动找到这个平衡点。鲁棒性的价值图6清晰地表明随着CSI误差系数υ增大非完美CSI方案的性能都会下降。但更重要的是在相同的误差水平下主动STAR-RIS方案的性能始终优于被动方案。这是因为主动RIS通过信号放大增强了对合法用户的信号强度即使在信道估计有偏差时也能维持较高的信噪比从而提升了在不确定环境下的鲁棒安全性能。5. 实操心得与扩展思考在实际研究和仿真复现这类前沿通信物理层算法时会踩到不少坑也积累了一些心得。5.1 仿真复现中的注意事项信道建模的准确性莱斯信道中K因子的设置、路径损耗模型的选择对结果影响巨大。务必与对比论文中的设置保持一致否则性能比较没有意义。对于RIS相关的信道要特别注意其级联信道H diag(h^H) G的建模确保维度匹配。凸优化求解器的选择与调参CVX搭配MOSEK通常是最稳定高效的选择。但需要注意精度设置求解器的精度如cvx_precision会影响结果。对于涉及S-Procedure和SDR的问题有时需要适当放宽精度以避免因数值问题导致无解。秩一判断从SDR解中判断秩一时由于数值计算特征值可能不是严格的0和1。通常设定一个阈值如10^(-5)最大特征值远大于其他特征值之和时即认为秩一。高斯随机化的技巧随机化次数不是越多越好通常500-2000次足以。可以对生成的候选解进行一步“功率缩放”以确保严格满足功率约束然后再计算目标值。交替优化的初始点算法性能对初始点敏感。一个糟糕的初始点可能导致收敛到局部最优甚至不收敛。实践中可以采用一些启发式方法生成初始点例如对于波束成形w_k可以采用最大比传输针对合法用户信道或迫零如果用户数少于天线数来初始化。对于RIS相移可以初始化为对齐基站-用户链路的相位或者简单设置为随机相位。多组随机初始点并行运行取最终性能最好的结果是提高找到全局最优解概率的有效方法。5.2 理论到实践的鸿沟与未来方向本文的工作建立在一些理想化假设之上将其推向实际应用还需攻克不少难关信道获取与反馈开销算法需要基站到RIS、RIS到用户/目标的CSI。对于被动窃听者其CSI获取本身就是难题。对于移动用户和目标频繁的信道估计和RIS配置会带来巨大的信令开销。如何设计低开销的信道估计协议和鲁棒性更强的算法如基于统计CSI或深度学习的方案是未来重点。硬件损伤与模型失配本文假设RIS单元可以独立、连续、无误差地控制相位和幅度对于主动RIS还有增益。实际中RIS单元可能存在量化误差、相位偏移、互耦效应放大器也存在非线性失真。这些硬件损伤会显著影响系统性能需要在建模和优化中加以考虑。动态环境与算法实时性本文算法属于集中式优化计算复杂度较高涉及多次求解SDP问题。在用户移动、环境变化的场景下算法的收敛速度可能跟不上信道变化的速度。研究低复杂度的分布式算法、在线学习算法或基于深度学习的智能配置策略是实现实时应用的关键。更复杂的场景本文考虑了单基站、单RIS、单目标、多个用户和窃听者。未来可以扩展到更复杂的网络如多RIS协作、多目标感知、多天线窃听者协作窃听等。目标函数也可以从系统和速率最大化扩展到更公平的“最大-最小”安全能效优化保障边缘用户的性能。回过头看这项研究就像在为一个复杂的智能无线系统设计“全局调度器”。它不仅仅是在玩数学优化游戏更是对未来6G网络中“通感算一体”、“智能可控环境”等愿景的一次扎实的理论探索。每一次迭代优化都是在有限的能量和不确定的环境中为信息的安全、高效传输寻找最优的路径。
