一种无线电干扰识别的对抗样本生成方法及装置制造方法及图纸

本发明专利技术提供一种无线电干扰识别的对抗样本生成方法及装置，所述方法包括：构建无线电干扰信号识别模型，所述无线电干扰信号识别模型用于仿真无线电干扰信号的识别装置；基于干扰信号构建数据集，对所述无线电干扰信号识别模型进行训练，得到训练完毕的无线电干扰信号识别模型；构建用于确定干扰脉冲添加位置以及干扰脉冲幅度的约束模型；获取待发送的干扰信号，将所述约束模型作为目标约束函数，对所述训练完毕的无线电干扰信号识别模型进行差分进化算法求解，得到对抗性扰动因子，将所述对抗性扰动因子添加到所述待发送的干扰信号中，形成对抗样本。本发明专利技术产生脉冲形式的扰动，易于由干扰机生成。于由干扰机生成。于由干扰机生成。

【技术实现步骤摘要】
一种无线电干扰识别的对抗样本生成方法及装置


[0001]本专利技术涉及无线通信
，尤其涉及一种无线电干扰识别的对抗样本生成方法及装置。

技术介绍

[0002]电子对抗涉及电子干扰及电子反干扰，电子干扰是指通过改变或干扰电子设备的信号或电路对其运行进行干扰，与之相对应的，电子反干扰是指采取一系列措施，使电子设备在电子干扰的环境下，仍能保持其正常的工作性能和可靠性的技术。
[0003]随着人工智能技术的发展，深度学习在用于电子反干扰的无线电子干扰识别中得到广泛应用，获取接收信号，将接收信号的频谱特征等信息输入到深度学习的模型中，输出电子干扰的类别和电子干扰强度等信息。与传统的干扰检测方法相比，神经网络具有更好的自适应性和鲁棒性，能够适应不同环境下的干扰情况，并能够识别一些传统方法难以检测到的干扰类型。
[0004]对深度学习的研究发现可以通过对原始样本添加细微的扰动生成对抗样本，对抗样本能够降低深度学习模型的输出结果的准确性。现有的对抗样本生成方法根据电子对抗主动实施方是否掌握深度学习模型的网络结构和参数信息而进行干扰，分为白盒算法和黑盒算法。白盒算法中，电子对抗主动实施方获得目标方深度学习模的结构和参数等信息。电子对抗主动实施方通过分析目标方深度学习模型的内部结构和参数，来设计更加有效的干扰策略。黑盒算法指电子对抗主动实施方访问深度学习模型的输入输出信息，而不能获得深度学习模型的结构和参数等信息。在黑盒算法中，电子对抗主动实施方通常通过生成对抗样本并提交给被干扰方的目标模型来观察其输出结果，然后根据输出结果来调整生成对抗样本的策略，以获得更好的干扰效果。对于电子对抗而言，往往无法掌握目标方深度学习模型的网络信息，因此，通常采用黑盒算法。
[0005]通过研究对抗样本的生成和防御方法，可以提高被干扰方机器学习模型的鲁棒性和安全性。已有的方法少有应用于无线电干扰信号对抗样本生成中，且大多数现有方法运用于信号扰动生成时往往产生的扰动会占据信号的大部分单元且幅度较低，需要在信号的每个单元添加微小的扰动来实现。对于实际的干扰机来说通常不太可能产生这样的微小且精确的扰动，这样的对抗样本生成方法不具有现实意义。

技术实现思路

[0006]为解决上述技术问题，本专利技术提出了一种无线电干扰识别的对抗样本生成方法及装置，用以解决现有技术生成的对抗扰动占据的信号单元格多且微小的导致该对抗扰动在进行干扰机生成对抗样本时难度大的技术问题。
[0007]本专利技术的目的是在未掌握电子对抗被对方的分类器模型结构以及参数的情况下通过差分进化算法实现对黑盒的对抗，且以尖峰脉冲的形式生成无线电干扰信号的对抗性扰动，通过扰动的添加形成对抗样本，从而调制出满足干扰机硬件要求的对抗样本信号。
[0008]根据本专利技术的第一方面，提供一种无线电干扰识别的对抗样本生成方法，所述方法包括以下步骤：步骤S1：构建无线电干扰信号识别模型，所述无线电干扰信号识别模型用于仿真无线电干扰信号的识别装置；对所述无线电干扰信号识别模型进行训练，具体包括：获取多个干扰信号，所述干扰信号包括多个单音干扰信号、多个多音干扰信号、多个跳频干扰信号以及多个线性扫频干扰信号；基于所述干扰信号构建数据集，基于所述数据集对所述无线电干扰信号识别模型进行训练，得到训练完毕的无线电干扰信号识别模型；步骤S2：构建用于确定干扰脉冲添加位置以及干扰脉冲幅度的约束模型，所述约束模型为：
ꢀꢀꢀꢀꢀꢀꢀ
（1）
ꢀꢀꢀꢀꢀꢀꢀ
（2）其中，公式（1）用于定向的扰动生成，公式（2）用于非定向的扰动生成，X
n
表示对未添加扰动的原始信号进行数据采样得到的一维序列数据，e(x
n
)为干扰脉冲，f
T
表示添加干扰脉冲后的对抗样本属于指定类别的概率，f
Y
表示添加干扰脉冲后的对抗样本属于其真实类别的概率，表示e(x
n
)的0范数，0范数表示向量中非零元素的个数，表示干扰脉冲的最大数量；步骤S3：获取待发送的干扰信号，将所述约束模型作为目标约束函数，对训练完毕的所述无线电干扰信号识别模型进行差分进化算法求解，得到包括干扰脉冲添加位置以及干扰脉冲幅度的对抗性扰动因子，将所述对抗性扰动因子添加到所述待发送的干扰信号中，形成对抗样本。
[0009]优选地，所述无线电干扰信号识别模型包括第一卷积模块、第二卷积模块、第三卷积模块以及归一化指数函数层，所述第一卷积模块、第二卷积模块及第三卷积模块均包括一维卷积核、批规范化层、激活函数层和池化层，第一卷积模块接收对干扰信号进行采样生成的一维时间序列数据，第二卷积模块及第三卷积模块接收上一级卷积模块输出的特征；所述第一卷积模块及第二卷积模块中包含的一维卷积核用于对输入进行特征提取，将提取后的特征通过批归一化层进行批归一化，再由激活函数层进行非线性变化激活，得到神经元的激活值，将该激活值发送给池化层处理，得到下采样后的特征，并将下采样后得到的特征输入到下一级卷积模块；所述第三卷积模块中的一维卷积核用于对输入进行特征提取，将提取后的特征通过批归一化层进行批归一化，再由激活函数层进行非线性变化激活，得到神经元的激活值，将该激活值发送给池化层处理；所述第三卷积模块的池化层为全局最大池化层，选取全局最大值进行保存，得到输入的最高层次的特征；所述归一化指数函数层将所述最高层次的特征经归一化处理，得到与输入对应的一维序列的概率分布，所述概率分布用于表征将输入分类成四种不同结果的概率；所述输入为对干扰信号进行采样生成的一维时间序列数据；所述四种不同结果为单音干扰信号、多音干扰信号、跳频干扰信号以及线性扫频干扰信号。
[0010]优选地，所述步骤S3，包括：步骤S31：获取待发送的干扰信号，为所述待发送的干扰信号对应的对抗性扰动因
子编码，形成编码向量，所述编码向量的形式为，表示有2d个归一化后的元素，前d个元素是归一化后的脉冲添加位置的索引，指示了脉冲添加的位置，后d个元素表示对应与前d个索引位置上的归一化后的脉冲幅值；随机初始化N
p
个编码向量a
num
，0<num<N
p
+1；设置迭代停止阈值及最大更新次数num1，初始化当前迭代次数g为0；步骤S32：定向扰动生成中，若判断：基于所述约束模型得到的编码向量对应的脉冲扰动，在添加至所述待发送的干扰信号后得到的对抗样本分类到指定类别的概率大于预先设定的第一停止阈值，且非定向扰动生成中，对抗样本分类到真实类别的概率小于预先设定的第二停止阈值；或num2等于最大更新次数num1；则将此时得到的编码向量作为差分进化算法的求解结果，即包括干扰脉冲添加位置以及干扰脉冲幅度的对抗性扰动因子，并将所述对抗性扰动因子添加到所述待发送的干扰信号中，形成对抗样本，方法结束；否则，进入步骤S33；步骤S33：将各个编码向量a
num
，按更新公式进行更新，更新公式为
[0011][0012]其中， 表示a<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线电干扰识别的对抗样本生成方法，其特征在于，所述方法包括：步骤S1：构建无线电干扰信号识别模型，所述无线电干扰信号识别模型用于仿真无线电干扰信号的识别装置；对所述无线电干扰信号识别模型进行训练，具体包括：获取多个干扰信号，所述干扰信号包括多个单音干扰信号、多个多音干扰信号、多个跳频干扰信号以及多个线性扫频干扰信号；基于所述干扰信号构建数据集，基于所述数据集对所述无线电干扰信号识别模型进行训练，得到训练完毕的无线电干扰信号识别模型；步骤S2：构建用于确定干扰脉冲添加位置以及干扰脉冲幅度的约束模型，所述约束模型为：
ꢀꢀꢀꢀꢀꢀꢀ
（1）
ꢀꢀꢀꢀꢀꢀꢀ
（2）其中，公式（1）用于定向的扰动生成，公式（2）用于非定向的扰动生成，X
n
表示对未添加扰动的原始信号进行数据采样得到的一维序列数据，e(x
n
)为干扰脉冲，f
T
表示添加干扰脉冲后的对抗样本属于指定类别的概率，f
Y
表示添加干扰脉冲后的对抗样本属于其真实类别的概率，表示的0范数，0范数表示向量中非零元素的个数，d表示干扰脉冲的最大数量；步骤S3：获取待发送的干扰信号，将所述约束模型作为目标约束函数，对训练完毕的所述无线电干扰信号识别模型进行差分进化算法求解，得到包括干扰脉冲添加位置以及干扰脉冲幅度的对抗性扰动因子，将所述对抗性扰动因子添加到所述待发送的干扰信号中，形成对抗样本。2.如权利要求1所述的方法，其特征在于，所述无线电干扰信号识别模型包括第一卷积模块、第二卷积模块、第三卷积模块以及归一化指数函数层，所述第一卷积模块、第二卷积模块及第三卷积模块均包括一维卷积核、批规范化层、激活函数层和池化层，第一卷积模块接收对干扰信号进行采样生成的一维时间序列数据，第二卷积模块及第三卷积模块接收上一级卷积模块输出的特征；所述第一卷积模块及第二卷积模块中包含的一维卷积核用于对输入进行特征提取，将提取后的特征通过批归一化层进行批归一化，再由激活函数层进行非线性变化激活，得到神经元的激活值，将该激活值发送给池化层处理，得到下采样后的特征，并将下采样后得到的特征输入到下一级卷积模块；所述第三卷积模块中的一维卷积核用于对输入进行特征提取，将提取后的特征通过批归一化层进行批归一化，再由激活函数层进行非线性变化激活，得到神经元的激活值，将该激活值发送给池化层处理；所述第三卷积模块的池化层为全局最大池化层，选取全局最大值进行保存，得到输入的最高层次的特征；所述归一化指数函数层将所述最高层次的特征经归一化处理，得到与输入对应的一维序列的概率分布，所述概率分布用于表征将输入分类成四种不同结果的概率；所述输入为对干扰信号进行采样生成的一维时间序列数据；所述四种不同结果为单音干扰信号、多音干扰信号、跳频干扰信号以及线性扫频干扰信号。
3.如权利要求2所述的方法，其特征在于，所述步骤S3，包括：步骤S31：获取待发送的干扰信号，为所述待发送的干扰信号对应的对抗性扰动因子编码，形成编码向量，所述编码向量的形式为，表示有2d个归一化后的元素，前d个元素是归一化后的脉冲添加位置的索引，指示了脉冲添加的位置，后d个元素表示对应与前d个索引位置上的归一化后的脉冲幅值；随机初始化N
p
个编码向量a
num
，0&lt;num&lt;N
p
+1；设置迭代停止阈值及最大更新次数num1，初始化当前迭代次数g为0；步骤S32：定向扰动生成中，若判断：基于所述约束模型得到的编码向量对应的脉冲扰动，在添加至所述待发送的干扰信号后得到...

【专利技术属性】
技术研发人员：杨星，王阳阳，陆俊，温震宇，周叶剑，洪榛，许颢砾，胡书隆，郑豪杰，万锦昊，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：