Robust and Secure Multi-User STAR-RIS-Aided Communications: Optimization Versus Machine Learning
Notice bibliographique
Résumé
This paper investigates simultaneous transmitting and reflecting reconfigurable intelligent surface (STAR-RIS)-assisted multi-user downlink (dl) communications with a primary focus on maximizing information secrecy by considering the channel state information (CSI) error. Acquiring perfect CSI is particularly challenging due to the unavailability of radio frequency chains at the STAR-RIS, the inherent impact of noise and interference on the CSI estimation, as well as non-collaborative nature of the eavesdroppers. In particular, we tackle the worst-case robust beamforming design problem to maximize the sum secrecy rate of the system while considering transmit power limitations, quality of service requirements, and practical constraints on the STAR-RIS phase shifter array. To tackle the resulting non-convex problem, we employ the S-procedure as an initial step to approximate semi-infinite inequality constraints. Subsequently, we leverage the alternating optimization with a line search framework to update the precoder and phase shift matrix iteratively. Furthermore, we extend our solution to address the non-convexity by leveraging a deep reinforcement learning (DRL) multi-agent (MA) framework based on Markov decision process. We also analyze practical phase shifts and the effect of direct links to showcase the practicality of our approach. Simulation results confirm STAR-RIS’s significant performance edge, exhibiting approximately 27.1% higher secrecy in conventional optimization and around 35.4% in the MA-DRL context compared over the conventional RIS. Moreover, our proposed MA-DRL approach surpasses single-agent schemes by about 8.6% in the case of proximal policy optimization and 19.9% in the case of deep deterministic policy gradient, emphasizing the benefits of the MA framework with STAR-RIS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».