基于生成式扩散模型深度强化学习的多目标空中协同安全通信优化

由于其灵活性和低成本，无人机（UAV）在增强无线网络的覆盖范围和功能方面发挥着越来越关键的作用。然而，将无人机整合到下一代无线通信系统中带来了重大挑战，尤其是在抵御窃听攻击的同时维持高速率和远距离安全通信方面。在这项工作中，我们考虑了一种基于无人机集群的安全监控网络系统，其中无人机集群构成一个虚拟天线阵列，通过协同波束成形（CB）将敏感监控数据传输到远程基站（RBS），从而抵御移动窃听者。具体而言，我们构建了一个空中安全通信与能效多目标优化问题（ASCEE-MOP），以最大化系统的安全速率并最小化无人机集群的飞行能耗。为了解决这一非凸、NP-hard且具有动态特性的ASCEE-MOP，我们提出了一种基于生成式扩散模型的双延迟深度确定性策略梯度（GDMTD3）方法。具体来说，GDMTD3创新性地应用扩散模型来确定无人机的最优激励电流权重和位置决策。扩散模型能够更好地捕捉ASCEE-MOP的复杂动态特性和权衡关系，从而得出优异的解决方案。仿真结果突显了所提出方法相比传统部署策略以及其他一些深度强化学习（DRL）基准方案的优越性能。此外，在GDMTD3的不同参数设置和不同无人机数量下的性能分析验证了所提出方法的鲁棒性。