一种基于无线电信号分类的对抗增强方法

技术领域

本发明涉及信号增强技术领域，特别是涉及一种基于无线电信号分类的对抗增强方法。

背景技术

目前，无线电信号识别广泛应用于通信领域，包括干扰识别、频谱感知和电子对抗等。信号的调制识别问题本质上是一种典型的模式识别问题，其目的是识别检测到的信号的调制类型。早期的信号识别方法主要利用人工设计的特征进行信号判定，精确度无法保证。深度学习技术具有从数据中自动学习“特征”的能力，为解决信号识别这一问题提供了有效的方法，越来越多的学者使用深度学习技术进行信号调制样式识别的研究。然而，在深度学习领域，绝大部分的模型需要大量数据进行训练和学习，随着更多应用场景的涌现，我们越来越面临着样本数量不足的问题。在信号识别中，典型的挑战是真实存在在各种环境中的，标记数据困难，因此样本集有限，不能很好地建立一个可靠的数据库，样本集将直接影响训练效果。

此外，近几年来随着人工智能浪潮再次涌来，研究者发现深度神经网络很容易受到对抗样本的攻击，攻击者可以通过向良性数据中添加特定的扰动，生成对抗样本，使模型出错。虽然这些伪造的样本对人类的判断没有影响，但是对于深度学习模型来说是一个致命性的误导。最近，在图像领域成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。图像数据一般为二维数据，而信号数据一般为一维时序数据，虽然它们的本质含义有着很大的差别，但是表现形式却类似。因此，可以将图像领域的攻击方法应用于无线电信号领域，对抗防御技术的研究引起了通信领域学者们越来越多的关注。现有技术中，申请号为201910694936.1的专利公开一种基于ACGAN的小样本无线电信号增强识别方法，该方法首先通过长短期记忆网络(Long Short Term Memory,LSTM)网络对无线电信号进行分类，进一步的使用辅助式生成对抗网络(Auxiliary Classifier enerativeAdversarial Networks,ACGAN)生成数据扩充小样本数据集，进而增强识别模型，完成小样本无线电信号增强识别。该项技术应用于无线电信号数据增强技术，然而ACGAN的训练很不稳定，往往需要大量的训练技巧。其次，针对数据增强的工作，当下在图像领域已经有较为完善的分析方法，但针对信号领域的应用非常少。Huang L等人根据无线电信号先验知识，在保持已知信息的前提下，对原始数据进行适当变换达到扩充数据集的效果，具体到分类任务，在保持数据类别不变的前提下，对训练集中的每个样本进行一定程度内的随机旋转、左右翻转，然而这些变换对应着同一个目标在不同角度的观察结果，增强效果有限。随后，Tang等人将无线电信号数据集预处理，转换为可以表征样本点密度信息的星座图，进一步的通过生成式对抗网络生成带标签的星座图样本从而扩充数据集，完成无线电信号调制类型的增强识别。然而生成式对抗网络的训练很不稳定，且对数据进行预处理转化为特殊的星座图需要专业领域知识，耗费大量的人力物力。

发明内容

为了解决上述技术问题，提供一种基于无线电信号分类的对抗增强方法，通过引入对抗训练思想，通过控制eps、iteration参数，在样本上添加算法精心设计的细微扰动，生成边界样本，将边界样本与原训练样本混合，在增强模型防御能力的同时提高模型的分类精度。

具体包括如下步骤：

S1：将无线电信号作为样本数据集进行预处理，并将所述样本数据集进行划分；

S2：通过划分后的样本数据集，对分类模型进行预训练；

S3：对预训练后的样本数据集进行攻击和计算，得到对抗样本；基于所述分类模型的决策边界面，并在所述对抗样本上引入细微扰动，得到边界样本和强对抗样本；

S4：对所述边界样本、强对抗样本进行筛选；

S5：将筛选后的边界样本和强对抗样本进行融合，重新训练分类模型，得到增强后的分类模型；

S6：将增强的识别模型用于识别无线电信号，完成调试识别。

优选地，所述步骤S1具体为：

S11：将若干个无线电信号作为样本数据，得到电信号样本数据集；

S12：将所述电信号样本数据集进行最大最小归一化处理；

S13：将预处理后的数据按照1:2比例划分为训练集和测试集。

优选地，所述分类模型是采用残差神经网络1D-RESNET来对电信号调制类型进行分类。

优选地，所述步骤3具体为：

S31：对所述样本数据集进行目标攻击，并指定目标标签；

S32：攻击后的样本数据集进行多次迭代计算，得到对抗样本；

S33：在迭代前引入较小的系数和控制迭代次数，并在所述对抗样本上添加扰动；

S34：基于所述分类模型的决策边界面，将攻击成功为目标标签的样本称为弱对抗样本，将所述对抗样本前一次迭代的样本为边界样本。

优选地，所述目标攻击是用BIM攻击算法进行攻击的。

优选地，所述迭代方法是通过clip函数进行计算的，具体迭代方法如下：

X

其中，X为原始样本，对抗样本X

优选地，所述较小的系数为eps参数，所述控制迭代次数是通过引入控制迭代次数的参数Iteration来控制迭代次数的。

优选地，所述S4是采用每类样本间的距离L

其中，g(v)是softmax层生成的分类模型的输出向量，V

与现有技术相比，本发明的有益效果为：

(1)本发明通过比较近些年基于深度学习的信号分类模型，均衡分类精度与时间复杂度，使用1D-ResNet信号分类模型，并将对抗训练方法引入信号领域，引入eps、iteration参数，在样本上添加算法精心设计的细微扰动生成边界样本，实现数据增强，提升模型的识别准确率；

(2)本发明将筛选后的逼近但未越过决策边界的边界样本与原始样本一并放入模型中训练，增强模型的鲁棒性。使用梯度攻击的方法生成强对抗样本对增强前后的模型进行攻击，验证对抗增强方法的防御性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于无线电信号分类的对抗增强方法流程图；

图2为本发明基于无线电信号分类的对抗增强方法总体架构图；

图3为本发明残差堆栈单元框架图；

图4为本发明1D-ResNet分类模型网络框架；

图5为本发明原样本与生成样本的波形对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1～2所示，本发明提出一种基于无线电信号分类的对抗增强方法，具体包括以下步骤：

S1：使用无线电信号作为样本数据，将数据集进行预处理，并按2:1的比例划分训练集与测试集；

首先，本发明使用两个无线电信号数据集进行评估，数据集选用爱丁堡大学公开的调制信号数据集RML2016.10a，它使用GNU Radio合成信号样本，它包含11种调制类型，信号信噪比(SNR,Signal-to-noise ratio)范围从-20dB到18dB，间隔2dB均匀分布。每个无线电信号样本的尺寸为128x2，训练集样本数为176000，测试集样本数为44000。数据集由团队仿真Sig2019-12生成，并在仿真时考虑了一个真实通信系统存在的一些影响，它包含12种调制类型：BPSK、QPSK、8PSK、OQPSK、2FSK、4FSK、8FSK、16QAM、32QAM、64QAM、4PAM和8PAM。无线电信号数据以随机方式产生，从而保证传输比特等概率取值。脉冲成形滤波器采用升余弦滤波器，滚降系数在[0.2,0.7]范围内随机取值。相位偏差在[-π,π]范围内随机取值，归一化载波频偏(相对于采样频率)在[-0.1,0.1]范围内随机选择。SNR范围从-20dB到30dB，间隔2dB均匀分布。每个数据样本包含64个符号，每个符号的采样点数为8，因此每个样本的采样点数为512。训练集和测试集的大小分别为312,000和156,000，每类调制信号样本量相同；

然后对信号数据集进行最大最小归一化预处理，并将信号数据划分为训练集与测试集，相同性噪比的每类调制类型仅有1000个训练集样本。

S2：使用训练集预训练1D-RESNET分类模型；

利用搭建的残差神经网络1D-RESNET进行信号的调制类型分类。参照图3所示，在残差块的基础上，构建了残差堆栈单元，每个残差堆栈单元包括一个用于在通道维度上做计算的卷积核大小为1×1的卷积层，此外还包含两个残差块，以及一个最大池化层。参照图4所示，整个分类模型中包含6个残差堆栈单元，数据每经过一个残差堆栈单元维度减半，模型中所有卷积层的卷积核数量均为32。在网络的全连接层中采用自归一化神经网络，缩放指数线性单位(SELU)激活函数，平均响应缩放初始化(MRSA)和Alpha Dropout。首先使用整个训练集来训练模型，然后在每个SNR的测试样本上给出识别精度。

S3：根据现有的模型决策边界，通过引入eps、iteration参数，使用BIM梯度攻击的方法对预训练好的模型进行攻击生成边界样本、强对抗样本；

本发明对样本进行目标攻击，指定目标标签为概率分布中排第二的标签。发明最终选用BIM攻击算法生成边界样本，BIM是一个小步迭代的攻击方法，可以通过控制超参数ε生成任意无穷范数距离的对抗样本，在每一次迭代中为了避免大的改变，使用clip函数进行计算，经过多次迭代后获得对抗样本。

通常将对抗样本作为扩充的数据集进行训练时，即对抗训练，在增强模型抗干扰能力的同时会降低模型的分类精度，为了使生成的样本更加靠近原模型的决策边界面，得到对增强模型更有效的样本，本发明在扰动前添加一个较小的系数(eps，0.004～0.006)减小扰动，随后通过迭代形式在输入样本上有方向的添加扰动。为了避免生成一个样本时间太长，引入控制迭代次数的参数(Iteration，0～60)。迭代方法如下:

X

其中，X为原始样本，对抗样本X

结合分类模型的决策边界面，本发明提出边界样本、弱对抗样本、强对抗样本概念。本发明将攻击成功为目标标签的样本称为弱对抗样本，对抗样本前一次迭代的样本为边界样本。边界样本非常接近于该任务的决策边界但未越过决策边界，在有效增强模型的同时还可以增加模型的泛化能力。

强对抗样本与边界样本生成方式相同，选用BIM攻击算法生成样本，但不使用eps参数，仅使用Iteration参数控制样本生成时间。同时，为了避免添加的扰动过大，扰动限制在5％以内。

S4：通过样本筛选机制，分别保存边界样本集、强对抗样本集；

边界样本需要与原样本标签一致，在极少数情况下，前一次样本可能被攻击到其他边界，然后在最后一次攻击到目标类别边界，因此需要删去边界样本预测标签与真实标签不同的样本。

对于强对抗样本，由于是多分类问题，边界的不唯一性，要保证弱对抗样本与强对抗样本处于同一预测标签。

S4.3：计算样本间的L

为了保证与原数据集的特征相似性，原样本与生成的样本的波形图肉眼几乎不可分辨。为了验证每类样本的距离有一定区分度，经过初步筛选之后，对四类样本进行L

其中，g(v)是softmax层生成的分类模型的输出向量。L

S5：将边界样本与训练样本混合，重新训练分类模型；

将边界样本与原数据集混合，重新训练1D-ResNet分类模型，得到增强识别的分类精度。为了保证公平性，增强前后分类模型的网络结构、测试集、学习率、训练次数等参数将保持一致。

参照图5所示，在模型训练完成之后，用强对抗样本进行对抗样本的攻击实验。使用强对抗样本分别测试原模型与增强识别的模型，将对抗样本攻击两个模型后的识别精度进行对比，验证了本发明的防御性能。

S6：将增强的识别模型用于识别无线电信号，完成调试识别。

将不同调制类型的无线电信号输入增强的识别模型，完成不同调制类型的信号识别，进而完成干扰识别、频谱感知和电子对抗等任务。

综上，本发明通过比较近些年基于深度学习的信号分类模型，均衡分类精度与时间复杂度，使用1D-ResNet信号分类模型，并将对抗训练方法引入信号领域，引入eps、iteration参数，在样本上添加算法精心设计的细微扰动生成边界样本，实现数据增强，提升模型的识别准确率；将筛选后的逼近但未越过决策边界的边界样本与原始样本一并放入模型中训练，增强模型的鲁棒性。使用梯度攻击的方法生成强对抗样本对增强前后的模型进行攻击，验证对抗增强方法的防御性能。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。