一种基于多通道特征重构的对抗信号检测方法技术

本发明专利技术公开了一种基于多通道特征重构的对抗信号检测方法，首先采集信号数据集，将信号数据集输入特征提取深度接收器，并计算嵌入特征图和对应的语义聚类，并输入多通道特征编码器；所述多通道特征编码器包括私有语义编码器、公有语义编码器和噪声编码器；对上述编码器进行训练，并重构编码器，得到重构特征；将重构特征输入元分类器，并训练元分类器，完成区分正常样本和对抗样本。本发明专利技术方法通过噪声特征编码器来提取早射特征，对信号特征进行多特征重构，加强了对抗样本和正常样本的差异性。本发明专利技术提出的基于多通道特征重构的对抗信号检测装置因提取了对抗样本的噪声特征，能够更准确地检测更加微小的对抗扰动。准确地检测更加微小的对抗扰动。准确地检测更加微小的对抗扰动。

【技术实现步骤摘要】
一种基于多通道特征重构的对抗信号检测方法


[0001]本专利涉及人工智能、无线通信的安全领域，具体涉及一种基于多通道特征重构的对抗信号检测方法。

技术介绍

[0002]无线通信系统由发射端和接收端组成，发射端对信号进行通道编码，调制和脉冲整形后进行发送。传统的无线通信系统的接收端使用载波和符号同步、信道估计、均衡、解调和解码等过程从接收到的失真信号中恢复信息，接收端的这种按步骤的信号处理方式存在误差累加的问题，并且每个处理模块都是基于理论假设的，在实际信号恢复场景，存在信号恢复效果较差的问题。
[0003]基于神经网络的深度接收器模型替换了传统无线通信系统接收端的整个信息恢复过程，并且其输入可以是传统无线通信系统的发射端发射的信号，输出为恢复的比特流信息。但深度接收器在可靠性和鲁棒性方面可能存在一些问题。其中一个问题就是，可能针对深度学习训练过程或者推理过程的对手的存在。但和图像领域不同之处在于，无线电的广播特性就决定了无线电信号可能会被多个接收器接收，其中就包括合法接收器和非法攻击者。
[0004]非法攻击者通过传播通道发送微本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多通道特征重构的对抗信号检测方法，其特征在于，具体包括以下步骤：(1)初始化信号数据集，初始化深度接收器模型、特征编码器模型和元分类器；(2)设置超参数，训练深度接收器模型，保存训练后的深度接收器模型；(3)利用深度接收器模型获得嵌入特征图，随机选择样本，并计算每个样本的嵌入特征图，将计算得到的嵌入特征图作为初始聚类中心，更新聚类中心；得到最终的语义聚类；(4)训练多通道特征编码器模型，将步骤(3)得到的语义聚类输入训练后的多通道特征编码器模型；将多通道特征编码器模型的输出进行重构，得到重构特征；(5)利用快速梯度符号攻击方法对深度接收器模型生成对抗样本数据集，并构造二元数据集；(6)将步骤(5)得到的二元数据集输入元分类器，并训练元分类器；(7)利用步骤(6)训练得到的元分类器对信号数据集和对抗样本数据集进行分类，判断信号数据集和对抗样本数据集X
*
为正常样本或对抗样本，完成对抗信号检测。2.根据权利要求1所述的基于多通道特征重构的对抗信号检测方法，其特征在于，所述步骤(2)具体为：设置超参数：模型训练轮数Epoch
dense
、批处理样本数M、梯度更新规则；计算深度接收器模型训练损失函数：其中M为样本数，N为比特位数，表示第i个输入样本在第j位的第k类上的真实标签，p
j
(x
i
)表示深度接收器模型对样本x
i
的输出的第j位的比特预测概率，ω
dense
表示深度接收器模型的权重参数。3.根据权利要求1所述的基于多通道特征重构的对抗信号检测方法，其特征在于，所述步骤(2)优选DenseNet作为深度接收器模型结构。4.根据权利要求1所述的基于多通道特征重构的对抗信号检测方法，其特征在于，所述步骤(3)包括以下子步骤：(3.1)获得嵌入特征图：深度接收器模型的倒数第二层的全连接层作为嵌入特征图(Embending Feasture Map)。以x
’
表示深度接收器模型输出样本x所对应的嵌入特征图，如下公式所示：(3.2)初始聚类中心随机选择L个样本，计算它们的嵌入特征图并作为L个初始聚类中心，即a＝a1，a2，...，a
l
，...，a
L
其中a
l
是第l个语义类的类中心。(3.3)新增样本新增一个样本x
i
′
，根据它的嵌入特征图计算它到L个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中。样本x
i
′
的嵌入特征图到聚类中心的计算公式如下所示：min(||x
i
′‑
a
l
||2)其中||
·
||2表示两个向量之间的欧氏距离。
(3.4)更新聚类中心针对每个语义类别a
l
，重新计算它的聚类中心。计算每个类的聚类中心公式如下所示：其中l表示第l个类簇，N
l
表示第l个类簇中样本的个数。(3.5)重复步骤(3.3)～(3.4)，直至所有样本遍历完毕且聚类中心变化小于最小误差变化ε。5.根据权利要求1所述的基于多通道特征重构的对抗信号检测方法，其特征在于，所述步骤(4)中多通道特征编码器模型包括私有特征编码器、公有特征编码器和噪声特征编码器；具体包括以下子步骤：(4.1)训练私有特征编码器f
core
在训练轮次Epoch
encode
次情况下，私有特征编码器输入训练样本x
i
的嵌入特征图，输出预测的解码概率。对输出结果进行反向传播，通过提升其随机梯度对私有特征编码器进行训练。私有特征编码器的训练损失函数如下所示：其中x
i
’
表示x
i
的嵌入特征图，表示私有特征编码器对样本x
i
的嵌入特征图的输出的第j位的第k类的预测概率，表示样本xi在第j位的第k类上的真实标签，表示样本xi对应的鲁棒类在第j位的第k类上的真实标签。直至私有特征编码器f
core
收敛或达到预设的训练轮次，训练结束后保存f
core

【专利技术属性】
技术研发人员：陈晋音，葛杰，赵云波，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：