可重构智能表面（RIS）是未来无线通信中的一项关键技术，通过动态配置大量无源反射元件，可在不增加功耗的情况下提升覆盖范围、频谱效率和物理层安全性。当 RIS 由中立的运营商部署时，其反射元件可视为一种可量化的无线资源，合法接收方与窃听者均可参与竞拍以获取这些元件来优化自身性能。这篇论文聚焦于该类 RIS 资源拍卖场景下的物理层安全分析，首次将顺序拍卖机制与多智能体强化学习（MARL）相结合，研究合法接收者与窃听者之间的资源竞争对合法保密速率的影响。作者提出了顺序 RIS 拍卖（SRA）框架，每轮拍卖一组反射元件，采用第一价格密封拍卖规则；每个竞标者依据自身能够获得的可达速率增益和剩余预算，秘密提交报价。整个顺序竞标过程被建模为一个马尔可夫博弈，定义了状态空间（包括当前信道条件、剩余资源、已拍卖结果等）、动作空间（报价策略）、奖励函数（单位成本带来的保密速率增益）以及状态转移逻辑。为求解该博弈，论文采用多智能体深度确定性策略梯度（MADDPG）算法，在集中训练、分散执行（CTDE）范式下，使合法接收者和窃听者各自学习报价策略，以最大化长期经济收益。数值实验表明，在预设的窃听者投标策略下，基于强化学习（RL）的报价方案使合法接收者获得了单位成本下最高的保密速率，显著优于随机报价和固定报价策略，并且逼近理想的物理层安全上界。该工作为 RIS 资源的经济化分配与物理层安全联合优化提供了新思路，也为无线通信中攻防双方策略博弈的建模与分析提供了可借鉴的面向对象的智能体学习方法。