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 f2a\boldsymbol f_2 af2a, 其中f2\boldsymbol f_2f2是关于信息aaa的beamforming vector,
所以这个联合优化问题，优化的是 f1,f2,Θ\boldsymbol f_1, \boldsymbol f_2, \Thetaf1,f2,Θ
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v\boldsymbol vv,优化f1\boldsymbol f_1f1,f2\boldsymbol f_2f2,
作者把问题转化为：

通过引入lemma1, 将原式简化成
−ln⁡x≥max⁡t>0−tx+ln⁡t+1-\ln x \geq \max_{t>0} -tx+\ln t+1−lnx≥maxt>0−tx+lnt+1 当且仅当 x=1/tx = 1/tx=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 f1\boldsymbol f_1f1,f2\boldsymbol f_2f2, 优化 v\boldsymbol vv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
横坐标有：
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