[发明专利]用于对抗深度学习的无线电信号伪造方法

说明书

本发明提供了一种用于对抗深度学习的无线电信号伪造方法，解决了人工智能与电子对抗技术领域，基于深度学习的信号分类器难以对抗的技术问题。实现包括：对调制后的无线电信号随机生成候选对抗信号，将候选对抗信号作为初始父代种群，通过基于视觉限制的差分进化方法生成信号干扰方案集；采用基于深度学习的无线电信号分类器评估获得干扰信号和对抗信号，完成对抗信号伪造。本发明伪造的信号和原无线电信号具有极高的相似性，有效对抗基于深度学习的信号分类器，降低无线电信号调制类型分类精度。本发明伪造的信号在干扰信号未知的情况下，基本不影响无线电信号内容理解。用于军事领域电子对抗，防止无线电信号调制类型被识别。

技术领域

本发明属于人工智能与电子对抗技术领域，更进一步涉及无线电信号的伪造生成，具体是一种专门用于对抗深度学习的无线电信号伪造方法。在电子对抗中，可有效干扰敌方深度神经网络分类器对我方信号调制类型的识别，进一步隐蔽己方企图和提高设备的生存能力。本发明可用于军事通信安全领域的应用与研究。

背景技术

随着深度学习的发展，基于深度学习的信号分类器得到了显著的发展，例如，对低信噪比的无线电调制信号的调制方式分类的准确率已达到90％以上。然而，在电子对抗中，无线电调制信号的调制方式分类精度的提升将使更多的无线电调制信号被敌方破解，威胁军事通信安全。例如，敌方可以通过基于深度学习的信号分类器识别无线电调制信号的调制方式，非法解调无线电调制信号，解析通信内容。因此，如何对抗基于深度学习的信号分类器已成为当前迫在眉睫的研究重点。

最近，很多方法被提出来对抗基于深度学习的模型。例如Goodfellow等人于2016年提出对抗性机器学习，用于生成对抗性样本来深度学习模型。Seyed-Mohsen等人于2017年在深度学习顶级会议CVPR上，提出了形式化普遍视觉摄动的概念，并设计了估计这种摄动的方法，用于对抗基于深度学习的模型。Su等人提出了一种单像素攻击方法，通过修改图像中的几个像素来对抗基于CNN的图像分类器。现有方法通过在原样本上添加噪声，用以对抗基于深度学习的模型，相关工作取得很好的效果。然而，现有方法集中于计算机视觉领域，用于伪造无线电调制信号时，伪造的对抗信号和原信号之间会出现显著的视觉差异，敌方可肉眼识别对抗信号的存在，降低了对抗信号的欺骗性。因此，现有用于对抗深度学习的数据伪造理论无法直接迁移到信号领域。

根据调研，现有方法主要用于对抗视觉领域的图像分类器。然而，由于伪造信号和原信号的视觉差异较大，易被察觉，因此，现有方法无法直接迁移到信号领域。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种消除原无线电调制信号与对抗信号之间视觉差异的用于对抗深度学习的无线电信号伪造方法，降低分类器对信号调制类型的分类精度，增强通信安全，同时不影响解析通信内容。

本发明是一种用于对抗深度学习的无线电信号伪造方法，其特征在于：包括有以下步骤：

(1)生成无线电调制信号x：生成无线电调制信号x，将该无线电信号表示为x＝[x₁,...,x_i,...,x_l]，其中，l是x的总长度，1≤i≤l；x_i＝[a_i,b_i]是x的第i个数据点，a_i和b_i分别表示x_i的实部和虚部。