Intelligent Reflecting Surface Assisted Secrecy Communication via Joint Beamforming and Jamming

Abstract

本篇文章就是研究在一个新场景下的人工噪声防干扰的问题，（主要方法还是交替迭代)
加入人工噪声之后，joint beamforming的问题

（我觉得这种本质方法都是一样的，我可以兼顾一些不同方法的文章）（之前有一篇解释形成机制的在哪来着

System Model

这个之前看的文章不一样的地方在于，在发送方引入一个人工噪声 $\boldsymbol f_2 a$, 其中$\boldsymbol f_2$是关于信息$a$的beamforming vector,
所以这个联合优化问题，优化的是 $\boldsymbol f_1, \boldsymbol f_2, \Theta$
问题转化为：

算法思路 固定一个，优化另一个，AO交替迭代

对于给定的$\boldsymbol v$,优化$\boldsymbol f_1$,$\boldsymbol f_2$,
作者把问题转化为：

通过引入lemma1, 将 原式 简化成
$-\ln x \geq \max_{t>0} -tx+\ln t+1$ 当且仅当 $x = 1/t$时取最优值

这个定理比较好证，见 （等会单独写tricks)

另外就是 一般的推导， 得到

（注，Simon minimax thereom, 简单理解就是 当目标函数 对于各随机变量 是紧的 （对于min 是concave, 对于 max 是 convex) ,则 min 和max可交换顺序，见tricks
（后面这个我傻掉了推了好久，之前老师说每周略读3篇，精读3篇 （精读就是包括 推公式和仿真，我每天还是太闲了，但是我看论文都没有仿真过，以后可以只仿主要部分的代码)

这个推完之后，就是一般的优化操作了

然后就是固定 $\boldsymbol f_1$,$\boldsymbol f_2$, 优化 $\boldsymbol v$了
具体步骤是类似的，也是运用lemma1

然后就是交替迭代
(这种迭代的算法复杂度一般都很高)
还是先看YC-L那篇文章

Simulation

setup

作者设置了两种scenarioes， 一个近，一个远， 信道模型采用的是莱斯信道，
还有原来大尺度和小尺度是这么算的


关于图的metric的设置：
Achievable secrecy Rate
横座标有：
maximum transmit power
number of Eves （窃听者数量)
number of reflecting elements

benchamark 有：
noIRS
noAN 的组合
我觉得他最后一个解释的不太好，setup(b)好的原因 应该去探究 direct link 和 indirect link 对 Bob /Eve 所占的比例贡献
按常理来说，Eve 跟 Bob近，窃听效果越好，但是IRS主打的 就是 降低SINR，（有可能不是mmWave，所以方向性不好？)
好吧，解释也能接受

Conclusion

作者说他们是第一个将IRS引入AN的场景中，并且进行joint beamforming的设计的，所以没有其他的benchmark，只有跟no AN或者no-IRS的比较，结论还是 IRS可以增大 achievable secrecy rate