一种样本攻击防御效果可解释驱动的电磁信号感知方法技术

本申请实施例涉及无线通信技术领域，特别涉及一种样本攻击防御效果可解释驱动的电磁信号感知方法，包括：获取原始电磁信号的IQ数据，并基于所述IQ数据，生成正常样本；对IQ数据添加攻击，得到攻击后的IQ数据，并基于攻击后的IQ数据，生成对抗样本；基于对抗样本，从模型失败的角度检验神经网络内部的特征表示，对电磁信号感知过程中样本的攻击效果进行解释，验证对抗样本生成成功；基于深度神经网络模型，通过对抗训练进行对抗防御，采用基于梯度的类激活映射方法，从可解释角度对使用对抗训练进行对抗防御验证进行验证。本申请提供的样本攻击防御效果可解释驱动的电磁信号感知方法，能够实现攻击防御效果都可解释的电磁信号样本智能感知。智能感知。智能感知。

【技术实现步骤摘要】
一种样本攻击防御效果可解释驱动的电磁信号感知方法


[0001]本申请实施例涉及无线通信
，特别涉及一种样本攻击防御效果可解释驱动的电磁信号感知方法。

技术介绍

[0002]无线电频谱是通信领域的基础性资源，而且这种资源非常稀有且不可再生。无线通信业务在生活中越来越重要，并且通信技术对频谱带宽的需求也在增加，这都使得有限的频谱资源变得越来越少，频谱资源短缺的问题也随之而来。频谱感知能帮助用户找出空闲的频谱资源，并重复利用空闲的频谱资源。频谱感知的效果直接影响了电磁频谱的使用效率，对于缓解频谱资源稀缺的现状具有重要意义。
[0003]深度学习成为研究热点为调制信号频谱感知带来了极大的便利，然而人工智能模型面临着来自对抗样本严重的威胁，这大大降低了深度机器学习任务执行的高可靠性和安全性。攻击者可以根据深度神经网络的梯度信息，在原始干净样本上添加微小的像素扰动来欺骗深度学习模型，使得模型的性能显著降低，深度神经网络本身的黑盒特性以及使深度神经网络失效的对抗样本，使得它们难以直接应用到医疗决策等高风险领域中。因此，深度网络的可解释性备受关注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种样本攻击防御效果可解释驱动的电磁信号感知方法，其特征在于，包括以下步骤：获取原始电磁信号的IQ数据，并基于所述IQ数据，生成正常样本；对所述IQ数据添加攻击，得到攻击后的IQ数据，并基于所述攻击后的IQ数据，生成对抗样本；基于所述对抗样本，从模型失败的角度检验神经网络内部的特征表示，对电磁信号感知过程中样本的攻击效果进行解释，验证所述对抗样本生成成功；基于深度神经网络模型，通过对抗训练进行对抗防御，采用基于梯度的类激活映射方法，从可解释角度对使用对抗训练进行对抗防御验证进行验证。2.根据权利要求1所述的样本攻击防御效果可解释驱动的电磁信号感知方法，其特征在于，基于所述IQ数据，生成正常样本，包括：基于所述IQ数据，绘制循环谱图；基于所述循环谱图，生成正常样本；其中，所述绘制循环谱图包括以下步骤：对原始电磁信号的自相关函数进行傅里叶展开处理，其中，展开处理后的自相关函数的系数为循环自相关函数；将所述循环自相关函数进行傅里叶变换，得到循环谱函数；将所述原始电磁信号进行离散化处理，离散化处理后时域相卷对应频域相乘，时域的相关采用DFT变成频域的逐点相乘来计算，从频域获得循环谱，得到循环谱图。3.根据权利要求1所述的样本攻击防御效果可解释驱动的电磁信号感知方法，其特征在于，采用快速梯度符号攻击方法对所述IQ数据添加攻击。4.根据权利要求1所述的样本攻击防御效果可解释驱动的电磁信号感知方法，其特征在于，基于所述对抗样本，从模型失败的角度检验神经网络内部的特征表示，对电磁信号感知过程中样本的攻击效果进行解释，验证所述对抗样本生成成功，包括以下步骤：通过基于梯度的类激活映射方法，并通过全局平均梯度来计算权重，得到特征图；对所述特征图对应的权重进行加权求和，以热力图的方式对神经网络的区别区域进行可视化处理，对电磁信号感知过程中样本的攻击效果进行解释，验证所述对抗样本生成成功。5.根据权利要求4所述的样本攻击防御效果可解释驱动的电磁信号感知方法，其特征在于，所述基于梯度的类激活映射方法，包括以下步骤：在分类情况下，深度神经网络在最终输出层之前，对卷积特征映射进行池化处理，并将所述卷积特征用作产生所需输出的全连接层的特征；计算反向传播过...

【专利技术属性】
技术研发人员：齐佩汉，张亚欣，姜涛，李赞，周小雨，孟永超，尹凯，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：