智能干扰下无人机网络协同传输技术综述*

2021-08-06周安馨武晓含

通信技术 2021年7期

周安馨，武晓含

（陆军工程大学，江苏南京 210007）

0 引言

目前，无人机通信网络在军事行动保障及民用移动通信系统中的应用急剧增加，具有机动性、智能性以及轨迹可控的显著优势。但是，无人机网络的视距通信使它容易受到欺骗、干扰和窃听等攻击，加之多用户条件下无人机传输之间的相互干扰，对无人机网络通信安全造成了严重威胁。当无人机遭受严重干扰时，它们不再能够与其他无人机以及控制站点建立连接，导致网络通信质量下降，甚至无法满足当前需求，任务中断。

以跳频、扩频为主的传统抗干扰方法需要大量的频谱资源作为支撑，且无法应用于网络频谱动态变化的场景。当攻击者采用智能干扰的攻击方式时，它可以针对合法用户的动作优化其攻击策略，使干扰方不再局限于以固定的干扰模式对通信方实施干扰，转而采用灵巧、多变、复杂的干扰样式进行干扰，使得传统抗干扰方法难以适用于智能干扰的场景。因此需要结合无人机的优势及飞行特点，研究全新的手段和方法来对抗智能干扰。

在通信抗干扰领域，干扰与用户方存在对抗关系。一方面，可以将这种对抗关系建模成适配的博弈模型；另一方面，可以用智能对抗智能的动态思维探究合适的学习算法。博弈理论凭借其低信息交互量的优势，被广泛应用于无线网络领域。尤其是斯坦伯格博弈，能体现不同参与者之间的对抗关系，更好地进行建模。将博弈论、学习算法以及抗干扰理论相结合，可以更好地研究面向无人机群通信网络的智能抗干扰方法。

1 基于博弈学习的抗干扰技术

目前，国内外通信抗干扰方法的研究主要集中在干扰模型、干扰检测方法以及抗干扰手段方面。基于博弈学习的抗干扰技术也有一些新的研究进展，下面从功率域抗干扰技术、频域抗干扰技术和链路域抗干扰技术3个方面对其进行总结归纳。

1.1 功率域抗干扰技术

功率域抗干扰技术通过调整用户传输功率的方式对抗恶意干扰攻击，在干扰动态变化的条件下获得最优的抗干扰效果。文献[1-3]采用无线网络中的功率控制策略对抗干扰，提出了一种非零和博弈模型来建模合法用户和干扰者之间的关系。考虑到用户和干扰决策具有分层特性，斯坦伯格博弈可以用来对抗干扰问题进行建模[4-7]。文献[4-5]中将抗干扰问题建模为斯坦伯格博弈，并进行了抗干扰功率决策研究。在所提斯坦伯格博弈中，合法用户作为博弈的领导者，干扰者作为博弈的追随者。合法用户和恶意干扰者都希望通过调整各自的功率策略实现各自效用的最大化。对抗双方的功率策略随着敌方策略的调整做出相应的调整。

1.2 频率域抗干扰技术

在认知无线电技术领域，一些研究者关注用户间的干扰消除问题，并用博弈论对干扰消除问题进行建模，采用博弈学习算法进行求解[8-10]。但是，文献[8-10]只考虑了内部合法用户间互扰消除，并没有考虑如何对抗外部恶意干扰者。考虑到恶意干扰者的存在，文献[11]将认知无线电中合法用户与外部干扰者的对抗用博弈论进行建模。文献[12]则将认知无线电中存在恶意干扰者的次级用户信道选择问题建模为零和博弈。文献[13]提出了一种抗干扰随机博弈，并考虑了无线通信网络中的时变频谱环境。文献[14]提出一种非合作博弈对分布式跳频碰撞避免问题进行建模，并设计学习算法选择合适的频率集和跳频序列。

1.3 链路域抗干扰技术

文献[15]在干扰环境不可预测的情形下，研究了中继通信信道选择优化策略。文献[16]将能量约束下的中继选择和功率优化问题构建为一个势能博弈，得到了多个纯策略纳什均衡解和最优策略集。文献[17]研究了车载网中的协同中继传输问题。文献[18]在降低算法复杂度的同时获得了分布式无线通信网络中的最优联合策略。文献[19]考虑中继协助源节点进行抗干扰通信，将此中继协同抗干扰问题建模为一个3层的斯坦伯格博弈。不同于传统的两层博弈，源节点作为主领导者，协同中继作为次领导者，恶意干扰作为追随者。各级用户分别在已知下层用户和干扰策略的情况下选择能够实现效用最大化的策略，实现了协作抗干扰通信。

综上，现有抗干扰研究仍然存在以下问题：

（1）现有研究大多针对传统无线通信网络，少有针对无人机通信网络开展的相关研究；

（2）现有抗干扰研究通常考虑单用户、单干扰的场景，少有考虑多用户抗干扰场景，也并未考虑多用户间存在互扰及用户移动性带来的影响；

（3）现有研究大多针对功率域问题，鲜有考虑其他域如信道域、轨迹域等的研究，较少考虑多域联合抗干扰，即在多个维度采用多种抗干扰方法灵活对抗干扰；

（4）现有研究大多针对内部干扰或者外部固定模式恶意干扰，较少考虑智能干扰下的抗干扰问题。

2 智能干扰下无人机协同传输技术

抗智能干扰方面，无人机具有机动性、智能性以及轨迹可控等特点，为无人机协同传输增加了可利用和可优化的动态资源。“机动性”使得无人机可以进行位置部署优化和移动中继选择最大化用户的通信能力；“智能性”使无人机可以智能调整协同方式、友好干扰功率大小和其他可优化的策略来最大化对智能攻击者的对抗；“轨迹可控”使得无人机可以通过调整其飞行轨迹对抗智能攻击者位置隐蔽性和移动性带来的伤害，提升用户在未知攻击位置下的稳健通信能力。

智能干扰下，干扰者通常可以通过自适应地调整其干扰功率和干扰信道来最大化其对合法用户正常通信的破坏。合法用户也可以通过功率控制和信道分配等策略来对抗智能干扰者。此外，友好干扰和协同中继等协作节点的引入能进一步增强合法用户的抗智能干扰能力。由于智能干扰者和合法用户是完全对立且非合作的，因此很难获取其干扰策略和位置信息等。为了对抗这种可以采用不同干扰策略的智能攻击者，合法用户可以借助博弈论建模它们之间的对抗关系，并通过机器学习算法获取最佳的功率分配和信道接入等对抗策略。

文献[20]提出一种使用无人机作为中继为车联网中的车载单元传输信息的方案，提高了车联网在干扰下的通信性能，并提出了抗干扰无人机中继博弈模型。文献[21]研究无人机功率控制抗干扰问题，分别用动态博弈和静态博弈对该问题进行建模，并采用Q学习算法求解无人机抗干扰功率决策。文献[22]假设地面攻击者是可以根据无人机的航迹来调整其干扰功率的智能干扰者，而合法用户也具有一定的智能性，它们都基于深度Q网络来优化各自的运动轨迹，通过各自的策略迭代最终使得合法用户获得优于传统抗智能干扰技术的性能。

目前，采用无人机协同传输来对抗智能干扰的研究尚处于起步阶段。通过调研，本文拟从以下两个方面展开研究。

2.1 智能干扰下的无人机网络中继协同传输

为了对抗智能干扰者，采用的第一种无人机协同传输方案是在无人机网络飞行轨迹固定的情况下，通过协同中继的选择和联合发射无人机和中继无人机的功率控制策略调整来提升合法无人机网络的可靠通信，如图1所示。

（1）智能干扰下的无人机协同传输中的单跳移动中继优选。考虑攻击者工作在智能干扰模式下，可以通过调整干扰功率等策略降低无人机用户的传输速率。在无人机的飞行轨迹是预定且已知的情况下，拟将无人机动过程中的移动中继节点选择问题建模为动态斯坦伯格博弈，研究分布式、快速的无人机单跳中继选择策略。根据预知的飞行轨迹指导中继节点选择决策，充分利用无人机飞行过程中所带来的中继传输机会，协助增强智能干扰下的无人机用户的通信能力。

（2）智能干扰下的无人机协同传输中的多跳中继协同。考虑智能干扰者干扰策略的智能调整，在无人机的飞行轨迹是预定且已知的情况下，拟将无人机网络拓扑动态变化的多跳中继选择问题建模为多层动态斯坦伯格博弈，研究可扩展的无人机网络多跳中继协同策略。

2.2 智能干扰下无人机功率控制和航迹联合优化

第二种无人机协同对抗智能干扰的方案是通过无人机的航迹控制和功率控制来提升其对抗智能干扰的能力。假设无线通信系统中存在无人机用户和智能干扰者。无人机用户的目的是在飞往其目的地的过程中保持与接收无人机的通信。同时，用户在各个时间段有不同的可选飞行轨迹，将联合轨迹优化和功率控制抗干扰问题建模为斯坦伯格博弈，设计相关算法得出用户不同策略下的累积效用，进而选择最优功率策略和轨迹策略对抗智能干扰者的攻击。这种无人机收发协同传输联合优化方案，如图2所示。