6G低空无线网络物理层安全与灵活双工架构设计

1. 低空无线网络中的物理层安全挑战

在6G通信时代，低空无线网络(LAWN)正成为关键基础设施的重要组成部分。这类网络由无人机(UAV)、空中机器人及低空平台站组成，工作高度通常低于3公里，具有三维空间灵活部署的特点。然而，其独特的通信环境也带来了严峻的安全挑战：

• 开放的信道特性：低空通信主要依赖视距(LoS)传播，这使得信号容易被地面窃听者截获。与地面蜂窝网络不同，无人机无法利用建筑物等障碍物形成自然屏蔽。

• 资源受限的终端设备：无人机受限于尺寸、重量和功耗(SWaP)约束，通常配备有限的天线数量和较低的发射功率，难以通过传统加密方案实现高强度安全保护。

• 动态拓扑变化：无人机的快速移动导致网络拓扑频繁变化，使得静态安全策略难以适应。特别是在群体协作场景下，安全密钥的分发和管理变得异常复杂。

传统基于密码学的安全机制在这些场景下面临诸多局限：密钥分发困难、计算开销大、易受量子计算攻击等。因此，物理层安全(Physical Layer Security, PLS)技术因其不依赖计算复杂度、直接利用无线信道物理特性的优势，成为低空通信安全的重要解决方案。

2. 灵活双工无小区架构设计原理

2.1 无小区大规模MIMO的基本概念

传统蜂窝网络采用固定的小区划分，导致边界区域用户性能下降且易受干扰。无小区(Cell-Free, CF)架构通过分布式部署大量接入点(AP)，所有AP通过前传网络连接到中央处理单元(CPU)，协同为用户提供服务。这种架构具有三大核心优势：

1. 宏分集增益：用户同时被多个AP服务，通过空间分集抵抗信道衰落
2. 干扰协调：通过联合信号处理消除用户间干扰
3. 用户中心化：网络资源以用户为中心动态分配，消除"小区边界"问题

在低空场景中，无小区架构特别适合解决以下问题：

• 无人机高速移动导致的频繁切换
• 高度变化引起的覆盖空洞
• 视距传播带来的强干扰

2.2 网络辅助全双工技术

传统无线系统采用固定的半双工或全双工模式，存在频谱效率与自干扰的权衡。网络辅助全双工(Network-Assisted Full Duplex, NAFD)通过分布式实现空间分离：

• 灵活模式切换：每个AP可动态选择作为接收AP(R-AP)或发射AP(T-AP)
• 干扰空间管理：通过AP间协调，将发射和接收功能在空间上解耦
• 集中式基带处理：CPU统一协调所有AP的收发策略，优化系统性能

与传统的节点级全双工相比，NAFD通过分布式天线实现了"空间全双工"，避免了自干扰问题。研究表明，在相同天线资源下，NAFD可获得比半双工高2-3倍的频谱效率。

2.3 安全增强的灵活双工设计

本文提出的灵活双工无小区架构将PLS与NAFD相结合，创新性地将AP的动态模式切换用于安全增强：

工作模式：

• 接收模式：AP作为R-AP，协同接收无人机上行信号
• 发射模式：AP作为T-AP，发射结构化人工噪声(AN)干扰窃听者

安全机制：

1. 空间自由度扩展：通过AP模式选择，在接收有用信号的同时，优化AN的空间分布
2. 联合收发优化：CPU集中协调所有AP的模式、接收合并向量和AN协方差矩阵
3. 动态干扰整形：根据信道状态自适应调整AN的功率和方向，最大化对窃听者的干扰

这种设计本质上是在空间域实现了"安全与通信的联合资源分配"，将传统固定角色的AP转变为可编程的"安全资源单元"。

3. 系统模型与问题建模

3.1 网络拓扑与信号模型

考虑一个由M个AP和K个无人机组成的LAWN，每个AP配备N_a根天线，窃听者(Eve)配备N_e根天线。系统采用共享时频资源，关键信道定义如下：

• 合法信道：h_{m,k} ∈ C^{N_a×1}表示第k个无人机到第m个AP的信道
• 干扰信道：H_{n,m} ∈ C^{N_a×N_a}表示第m个T-AP到第n个R-AP的干扰信道
• 窃听信道：G_m ∈ C^{N_e×N_a}表示第m个AP到Eve的信道

AP模式选择变量定义为：

• x^C_m = 1表示第m个AP为R-AP
• x^J_m = 1表示第m个AP为T-AP 满足x^C_m + x^J_m = 1的互斥约束

3.2 合法接收信号处理

在接收端，CPU采用两级处理：

1. 分布式接收：各R-AP接收信号经前传网络汇聚到CPU y_n = x^C_n (∑_{k=1}^K h_{n,k}√p_k s_k + ∑_{m=1}^M x^J_m H_{n,m} a_m + n_n)

2. 集中式合并：CPU采用合并向量u_k ∈ C^{MN_a×1}处理无人机k的信号 r_k = u_k^H y = u_k^H S_c (∑_{i=1}^K h_i √p_i s_i + ∑_{m=1}^M x^J_m H_m a_m + n)

其中S_c = diag(x^C_1 I_{N_a}, ..., x^C_M I_{N_a})为模式选择矩阵。

3.3 窃听者信号模型

Eve接收信号为： y_e = ∑_{k=1}^K g_k √p_k s_k + ∑_{m=1}^M x^J_m G_m a_m + n_e

假设Eve采用线性合并向量w_{e,k}检测无人机k的信号，其信干噪比(SINR)为： γ_{e,k} = p_k |w_{e,k}^H g_k|^2 / (∑_{i≠k} p_i |w_{e,k}^H g_i|^2 + ∑_{m=1}^M x^J_m w_{e,k}^H G_m V_m G_m^H w_{e,k} + σ_e^2 ||w_{e,k}||^2)

3.4 安全性能指标

定义无人机k的保密速率为： R_k^{sec} = [R_k - R_{e,k}]^+ = [log_2(1+γ_k) - log_2(1+γ_{e,k})]^+

优化目标为最大化最差用户的保密速率： max min_k R_k^{sec} s.t. x^C_m + x^J_m = 1, x^C_m, x^J_m ∈ {0,1} Tr(V_m) ≤ x^J_m P_m

这是一个混合整数非凸优化问题，涉及模式选择、接收合并和AN设计的联合优化。

4. 优化算法设计与实现

4.1 接收合并器闭式解

对于给定的AP模式和AN设计，最优接收合并器可通过最大化SINR得到： u_k^* = (∑_{i≠k} p_i S_c h_i h_i^H S_c + ∑_{m=1}^M x^J_m S_c H_m V_m H_m^H S_c + σ_n^2 I)^{-1} S_c h_k

这实际上是MMSE接收器，能有效抑制多用户干扰和AN泄漏。

4.2 基于PDD的联合优化算法

采用惩罚对偶分解(Penalty Dual Decomposition, PDD)框架处理耦合的非凸问题：

1. 问题重构：引入辅助变量将原问题转化为等价形式
2. 增广拉格朗日：将约束转化为惩罚项加入目标函数
3. 块坐标下降(BCD)：
   • 固定其他变量，优化AN协方差矩阵V_m
   • 更新AP模式选择变量x^C_m, x^J_m
   • 调整松弛变量和拉格朗日乘子

关键技术创新点：

• 连续凸近似(SCA)：处理非凸约束
• Majorization-Minimization(MM)：简化模式选择优化
• 闭式迭代更新：降低计算复杂度

算法保证收敛到稳定点，计算复杂度为O(LK^{3.5}M^{6.5}N_a^{6.5})，其中L为SCA迭代次数。

4.3 低复杂度启发式算法

为降低计算开销，提出两阶段方案：

阶段一：基于度量的AP模式选择定义四个关键指标：

1. 接收增益(RG_m)：评估AP的信号接收能力
2. 脆弱性(VUL_m)：衡量AP受T-AP干扰的程度
3. 干扰增益(JG_m)：评估AP干扰Eve的能力
4. 回火效应(BF_m)：量化AP对现有R-AP的干扰

优先级得分： score_m = (RG_m)/(VUL_m + N_a σ_n^2) × 1/(1 + β JG_m/(BF_m + ε))

阶段二：AN协方差优化固定AP模式后，采用简化PDD优化AN：

• 闭式更新Q_k = mat((p_k^2 a_k a_k^H + B_k^H B_k)^† (α_k p_k a_k + B_k^H b_k))
• 快速收敛，复杂度降为O(KN^6 N_a^6)

该方案可实现最优性能的90%以上，同时计算复杂度降低一个数量级。

5. 实际部署考量与性能分析

5.1 信道估计与反馈机制

在实际系统中，需要解决以下实际问题：

导频设计：

• 采用正交导频分配避免污染
• 针对LoS信道，使用参数化估计(角度/时延)降低开销
• 无人机移动性考虑：导频间隔自适应调整

反馈机制：

• 量化CSI反馈：对大规模MIMO系统尤为重要
• 差分反馈：利用信道时间相关性减少开销
• 基于学习的预测：利用无人机轨迹信息预测信道

5.2 计算资源分配

中央处理单元(CPU)需要平衡：

• 计算延迟：算法收敛时间需满足实时性要求
• 前传负载：原始数据或压缩信息的传输权衡
• 能量效率：计算功耗与通信功耗的联合优化

建议采用分层处理：

1. 本地处理：各AP进行初步信号合并
2. 区域处理：簇头AP进行中间处理
3. 中央处理：CPU完成最终优化

5.3 仿真结果与性能增益

在8个AP(各4天线)、2个单天线无人机、1个4天线Eve的场景下：

关键发现：

1. AN功率影响：当AN功率从18dBm增至38dBm时，保密速率提升2.8倍
2. AP数量扩展：AP数从4增至8时，性能增益达3bps/Hz
3. 公平性保障：最差用户性能提升显著，公平性指数提高40%
4. 鲁棒性验证：在Eve接收机不匹配时，仍能保持85%以上的性能

比较基准：

• 全接收CF：性能最低，无AN保护
• 固定比例CF(50%AP作为T-AP)：因非优化模式选择，性能损失达30%
• 所提方案：在P_m=30dBm时，保密速率达12.5bps/Hz，比基准高3.2倍

6. 扩展应用与未来方向

6.1 多无人机协作安全

将架构扩展到无人机中继场景：

• 部分无人机作为移动AP，增强覆盖
• 动态角色切换：通信节点与安全节点
• 三维波束成形：利用高度维提升安全性能

6.2 智能反射面(IRS)增强

集成IRS进一步优化信道：

• 合法链路增强：优化IRS相移提升接收SNR
• 窃听链路抑制：形成人工多径抵消Eve接收
• 联合AP-IRS优化：空间-反射联合资源分配

6.3 机器学习赋能

应用深度学习解决复杂优化：

• 模式选择策略学习：替代启发式算法
• AN协方差预测：基于历史信道快速生成
• 安全态势感知：识别潜在窃听威胁

实际部署中发现，在无人机密集区域采用动态AP模式切换(每50ms更新一次)可使保密吞吐量提升2-3倍，而计算延迟控制在5ms以内，验证了方案的实用性。