【技术实现步骤摘要】
本专利技术属于无线通信，尤其涉及一种基于相位翻转的鲁棒训练方法。主要涉及对精心设计的对抗扰动的防御，具体是一种基于相位翻转的鲁棒训练框架(pfrtf)，利用创新的相位翻转数据增强技术来丰富不同样本的训练集，同时采用软标签训练策略为模型提供更丰富的不确定性判断空间，通过进一步整合基于随机策略和鲁棒泛化平衡的对抗训练机制增强防御能力。
技术介绍
1、下一代(next-g)消费电子系统的发展，特别是在物联网(iot)框架内，在很大程度上依赖于可信计算的发展。在技术进步的推动下，物联网设备通过提供一系列智能、个性化服务丰富了消费者体验。然而，这种普遍存在带来了重大的安全威胁，例如敏感信息盗窃、身份欺诈和非法入侵，反映出下一代消费电子产品迫切需要可信赖的架构。因此，确保这些设备的安全性和可靠性已成为首要问题。物联网安全的独特挑战是与值得信赖和可持续的下一代消费电子产品的需求密切相关，需要可靠的信号识别技术来进行设备身份验证和完整性检查。除了单纯的设备识别和调制信号分类之外，这些技术的设计必须能够提高物联网的效率和安全性。这包括及时检测异常信号和潜在的安全威胁，同时保持值得信赖和可持续的下一代消费电子产品所必需的完整性、可用性、机密性、可扩展性和稳健性。
2、深度学习在许多机器学习应用中显示出惊人的优势，它擅长处理大批量、高维数据，能够自动提取有效特征，大大提高了信号识别的准确性和效率。尽管深度学习在许多领域取得了优异的成果，但其输出结果很容易受到对抗性扰动的影响，攻击者使用预先设计的对抗扰动来干扰正常样本生成对抗样本，导致了d
3、为了解决上述挑战，一种流行的防御措施是通过在训练期间调整可学习参数(权重和偏差)来增强神经网络。考虑到数据数量和质量在模型性能中的重要作用，数据增强和随机平滑也是增强模型鲁棒性的有效措施。所述一种基于相位翻转的鲁棒训练框架(pfrtf)是一种在自动调制分类领域构建高性能安全模型的有前景的解决方案，采用基于相位翻转的数据增强可以丰富数据集，引入相位特征多样性。采用软标签训练策略可以使模型在训练过程中具有更大范围的不确定性，提高抵御对抗攻击的能力。此外，采用随机策略的对抗训练方案，使模型在训练过程中熟悉各种对抗样本，增强识别不同强度扰动样本的能力。
技术实现思路
1、本专利技术目的在于强化信号分类以提高下一代消费电子产品的可信度，应对基于深度学习的自动调制识别网络容易受到对抗样本攻击这一安全问题，提出了一种基于相位翻转的鲁棒训练方法。该方法利用创新的相位翻转数据增强技术丰富不同样本的训练集，采用软标签训练策略为模型提供更丰富的不确定性判断空间，通过进一步整合基于随机策略和鲁棒泛化平衡的对抗训练机制增强防御能力。
2、本专利技术是通过以下技术方案实现的，本专利技术提出一种基于相位翻转的鲁棒训练方法，所述方法具体步骤为：
3、步骤一、数据增强阶段：
4、1-1、将电子产品数据集中的原始信号样本分为同相和正交i/q两路信号，即信号的实部和虚部；
5、1-2、设置旋转角度θ对两路信号分别进行相位调制；
6、1-3、设原样本的特征为x＝(idata,qdata)，通过步骤1-2对i/q信号数据流进行相位翻转处理，得到增强样本的特征x′＝(inew,qnew)；
7、1-4、将步骤1-3处理完的两路信号合并生成增强样本，增强样本组成的数据集称为增强数据集；
8、步骤二、对抗训练阶段：
9、2-1、将原始数据集的信号样本和步骤一中增强数据集的信号样本根据实验任务的需求按照8:1:1的比例分为训练集、测试集和验证集；
10、2-2、将原始数据集的信号样本标签和步骤一中增强数据集的信号样本标签进行平滑处理，即通过软化原始硬标签ytrue得到一个新的标签ynew，并且使用标签平滑交叉熵损失函数；
11、2-3、将对抗扰动添加到原始数据集和增强数据集上生成对抗样本；对每个小批量中的对抗样本，引入随机扰动强度ε以确保模型在训练过程中可以接触并学习不同的扰动强度；
12、2-4、将原始样本、增强样本及二者对应的对抗样本输入到cnn模型中进行训练，将信号的i/q两路信号视为二维图像，通过cnn对其进行特征提取和分类；
13、2-5、在每个训练步骤计算两个损失：对抗损失ladv和原始损失lori，对两个损失函数进行积分得到最终的总损失函数l，使用总损失函数l更新和优化模型性能；
14、2-6、在测试集上测试所述一种基于相位翻转的鲁棒训练方法在各种攻击场景下的分类准确性。
15、进一步地，步骤1-1所述的数据集有两个，第一个数据集是rml2016.10a，第二个数据集是定制的调制信号数据集，称为高snr数字调制频谱数据集hsdmsd。
16、进一步地，步骤1-2所述的相位翻转相当于一个复数乘以一个单位复数ejθ，其中θ为相位翻转角，可以理解为在复平面上逆时针旋转θ角；根据欧拉公式，ejθ＝cos(θ)+jsin(θ)，相位调制过程的表达式如下所示：
17、
18、公式(1)中，θ是设置的相位翻转角；这种转换相当于在复平面上旋转原始信号，对应于信号相位的变化。
19、进一步地，步骤2-2中所述的标签平滑过程如下所示：
20、
21、公式(2)中，i∈0,1,...,c-1表示类别号，α是平滑参数，用于控制原始标签信息和均匀分布的权重。
22、进一步地，步骤2-2中所述的标签平滑交叉熵损失函数如下所示：
23、
24、公式(3)中，n表示样本数，c表示类别数，ynew,ij和ypred,ij分别表示第i个样本的真实概率分布和预测概率分布。
25、进一步地，步骤2-3中所述的对抗扰动制作过程的表达式如下所示：
26、
27、公式(4)中，x为原始信号，y为正确类别，θ为模型参数，扰动δ用来放大修改信号的损失函数l，模型的损失函数l是根据参数θ和扰动输入x+δ定义的，其中信号x+δ不得超过指定的边界。
28、进一步地，步骤2-3中所述的生成对抗样本的方法如下所示：
29、(1)使用快速梯度符号法fgsm生成对抗样本可以描述如下：
30、
31、公式(5)中，x′表示对抗性示例，∈表示小的预定义扰动量，是l关于输入x的梯度；
32、(2)使用基本迭代方法bim创建对抗样本可以描述如下：
33、
34、公式(6)中，clip{x-,x+，·}表示裁剪操作，保证xi′+1的每个元素都本文档来自技高网...
【技术保护点】
1.一种基于相位翻转的鲁棒训练方法，其特征在于，所述方法具体步骤为：
2.根据权利要求1所述的方法，其特征在于：步骤1-1所述的数据集有两个，第一个数据集是RML2016.10a，第二个数据集是定制的调制信号数据集，称为高SNR数字调制频谱数据集HSDMSD。
3.根据权利要求1所述的方法，其特征在于：步骤1-2所述的相位翻转相当于一个复数乘以一个单位复数ejθ，其中θ为相位翻转角，可以理解为在复平面上逆时针旋转θ角；根据欧拉公式，ejθ＝cos(θ)+jsin(θ)，相位调制过程的表达式如下所示：
4.根据权利要求1所述的方法，其特征在于：步骤2-2中所述的标签平滑过程如下所示：
5.根据权利要求1所述的方法，其特征在于：步骤2-2中所述的标签平滑交叉熵损失函数如下所示：
6.根据权利要求1所述的方法，其特征在于：步骤2-3中所述的对抗扰动制作过程的表达式如下所示：
7.根据权利要求1所述的方法，其特征在于：步骤2-3中所述的生成对抗样本的方法如下所示：
8.根据权利要求1所述的方法，其特征在于
9.根据权利要求1所述的方法，其特征在于：步骤2-4中专为自动调制分类而设计的CNN模型设计思路具体为：将信号的IQ二路视为二维图像，通过CNN对其进行特征提取和分类；在网络架构中，特征提取是通过卷积层和最大池化层的组合来执行的；最初，通过三个卷积阶段从输入中提取特征，每个阶段都包含ReLU激活函数和批量归一化以增强稳定性；随后将最大池化应用于下采样特征并降低计算复杂度，该过程重复两次；该结构的最后部分由用于对特征进行分类的全连接网络组成，全连接网络由三层组成，具有Tanh激活函数，最后一个全连接层的神经元数量等于预定义的调制类别，从而能够输出类别概率分布；该模型通过卷积层提取信号特征，并通过全连接网络实现信号的自动调制分类。
10.根据权利要求1所述的方法，其特征在于：步骤2-5中所述的原始损失Lori表达式如下所示：
...【技术特征摘要】
1.一种基于相位翻转的鲁棒训练方法，其特征在于，所述方法具体步骤为：
2.根据权利要求1所述的方法，其特征在于：步骤1-1所述的数据集有两个，第一个数据集是rml2016.10a，第二个数据集是定制的调制信号数据集，称为高snr数字调制频谱数据集hsdmsd。
3.根据权利要求1所述的方法，其特征在于：步骤1-2所述的相位翻转相当于一个复数乘以一个单位复数ejθ，其中θ为相位翻转角，可以理解为在复平面上逆时针旋转θ角；根据欧拉公式，ejθ＝cos(θ)+jsin(θ)，相位调制过程的表达式如下所示：
4.根据权利要求1所述的方法，其特征在于：步骤2-2中所述的标签平滑过程如下所示：
5.根据权利要求1所述的方法，其特征在于：步骤2-2中所述的标签平滑交叉熵损失函数如下所示：
6.根据权利要求1所述的方法，其特征在于：步骤2-3中所述的对抗扰动制作过程的表达式如下所示：
7.根据权利要求1所述的方法，其特征在于：步骤2-3中所述的生成对抗样...
【专利技术属性】
技术研发人员：包志达，林云，徐东伟，张海超，刘洁，杨晨，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。