一种针对具有未知通信模式电台的干扰策略生成方法

技术领域

本发明属于通信安全技术领域，具体涉及一种针对具有未知通信模式电台的干扰策略生成方法。

背景技术

在安全通信中，干扰信号的优化设计在过去的几十年中得到了广泛的研究，干扰信号的设计方法可分为两类：传统的基于模型的设计和较新的基于机器学习的设计。然而现有研究对于部分已知对方信号模式的干扰研究相对较少。也就是说，干扰机已经部分记录了对方的信号模式，但是在这些模式出现时，有些未知的模式还没有暴露给干扰机。这种情况是至关重要的，特别是在实际应用中，因为干扰方和被干扰方式非合作关系，干扰方不太可能完全获知被干扰方的所有通信模式信息。未知通信模式干扰问题和零样本学习很相似，后者近年来利用图卷积网络在数据挖掘和目标识别等领域取得了成功，图卷积神经网络是一种简单而有效的图神经网络模型，它既能对图的结构进行编码，又能对节点的特征进行编码，它和零样本学习共享了通过挖掘和利用熟悉案例中的已知信息来处理不熟悉案例的思想。

发明内容

针对现有技术中的上述不足，本发明提供的针对具有未知通信模式电台的干扰策略生成方法解决了通信对抗中，被干扰的电台具有并使用未知工作模式时的干扰策略最优化的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种针对具有未知通信模式电台的干扰策略生成方法，包括以下步骤：

S1、搭建用于生成干扰策略的神经网络模型；

S2、利用已知通信模式的通信信号及对应的已知干扰策略对搭建的神经网络模型进行训练；

S3、将未知通信模式的通信信号输入到训练好的神经网络模型中，获得对应的干扰策略。

进一步地，所述步骤S1中，神经网络模型的输入为通信信号对应的频带信号S(t)，其表示为：

式中，s(t)为通信信号对应的基带调制信号，Re{·}表示取实部，e为自然对数函数的底数，j为虚数单位，π为圆周率，t为时间，f

所述基带调制信号s(t)为：

式中，P

神经网络模型的输出为干扰策略w

式中，

所述干扰信号对应的频带信号J(t)为：

所述干扰信号对应的基带调制信号j(t)为：

式中，

进一步地，所述步骤S1中的神经网络模型包括依次连接的特征提取网络、关系提取网络和干扰策略拟合网络，所述特征提取网络的输出端还与所述干扰策略拟合网络的输入端连接；

所述特征提取网络用于提取输出的通信信号中的信号特征；

所述关系提取网络用于基于提取的信号特征挖掘不同通信信号模式之间的关系；

所述干扰策略拟合网络用于基于提取的信号特征和不同通信信号模式之间的关系，生成对应的干扰策略。

进一步地，所述特征提取网络包括依次连接的三层卷积层及两层全连接层，三层所述卷积层的卷积核数量依次为32、64和128，两层所述全连接层的大小依次为128和64；

所述特征提取网络表示为：

x＝φ(s(t),θ

式中，x为特征提取网络从信号s(t)中提取到的特征向量，φ(·)为特征提取网络由输入到输出的映射关系，θ

进一步地，所述关系提取网络包括依次连接的四层卷积层及一层全连接层，四层所述卷积层的卷积核数量依次为128、128、64和64，所述全连接层的大小为64；

所述关系提取网络的输出为大小为L×L的对称矩阵A，作为构建干扰策略拟合网络的邻接矩阵；

所述关系提取网络表示为：

式中，A

相关向量d

式中，

进一步地，所述干扰策略拟合网络基于一个三层的图卷积神经网络构建，其输入为从特征提取网络中提取的特征向量和关系提取网络挖掘到的邻接矩阵A，在构建图卷积神经网络时，在第i个节点的特征向量x

所述干扰策略拟合网络的输出z为：

式中，

进一步地，所述步骤S2中，在对神经网络模型进行训练时，训练数据集T为：

式中，

所述神经网络模型的训练标签Ω为：

式中，

所述神经网络模型训练时的损失函数loss为：

式中，||z

进一步地，所述步骤S3中具体为：

将未知通信模式的通信信号和从训练数据集中随机选取的L-1个已知通信工作模式的通信信号一并输入到训练好的神经网络模型中，输出未知通信模式的对应干扰策略。

本发明的有益效果为：

(1)本发明提供的干扰策略生成方法，让干扰机能够结合已记录的通信方式模式信息，针对当前检测到的通信工作状态参数，调整自身工作参数，生成有效的干扰信号；

(2)本发明方法具有适应性强，性能高等优点，利用本发明方法构建的神经网络模型可以生成针对具有未知通信工作模式电台的有效干扰策略。

(3)本发明方法针对未知目标均进行在线干扰策略生成，同时解决了不可能完全获知被干扰方的所有通信模式信息和离线学习需要耗费大量时间的问题。

附图说明

图1为本发明提供的针对具有未知通信模式电台的干扰策略生成方法流程图。

图2为本发明提供的神经网络模型结构示意图。

图3为本发明提供的特征提取网络结构图。

图4为本发明提供的关系提取网络结构图。

图5为本发明提供的BPSK调制方式在不同干扰策略下的误比特率曲线示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

本发明采取以图神经网络为核心的深度学习的方法，将信号数据与先验知识相结合，利用神经网络挖掘未知工作模式和已有先验知识之间的关系，通过图神经网络进行嵌入表征，最后由嵌入空间映射到干扰策略空间实现对未知工作模式的最佳干扰策略生成。本方法如图1所示，包括以下步骤：

S1、搭建用于生成干扰策略的神经网络模型；

S2、利用已知通信模式的通信信号及对应的已知干扰策略对搭建的神经网络模型进行训练；

S3、将未知通信模式的通信信号输入到训练好的神经网络模型中，获得对应的干扰策略。

本实施例的步骤S1中，神经网络模型的输入为通信信号对应的频带信号S(t)，其表示为：

式中，s(t)为通信信号对应的基带调制信号，Re{·}表示取实部，e为自然对数函数的底数，j为虚数单位，π为圆周率，t为时间，f

所述基带调制信号s(t)为：

式中，P

神经网络模型的输出为干扰策略w

式中，

所述干扰信号对应的频带信号J(t)为：

所述干扰信号对应的基带调制信号j(t)为：

式中，

本实施例中构建的神经网络模型如图2所示，包括依次连接的特征提取网络、关系提取网络和干扰策略拟合网络，所述特征提取网络的输出端还与所述干扰策略拟合网络的输入端连接；

所述特征提取网络提取输出的通信信号中的信号特征，输入为信号，输出为对应的特征向量；

所述关系提取网络用于基于提取的信号特征挖掘不同通信信号模式之间的潜在关系，输入为信号的特征向量，输出为邻接矩阵；

所述干扰策略拟合网络用于基于提取的信号特征和不同通信信号模式之间的关系，生成对应的干扰策略，该网络基于经典的图神经网络改良得到，实现从特征空间到干扰策略空间的映射，其输入为特征向量及邻接矩阵，输出为相应的干扰策略。

如图3所示，本实施例中的特征提取网络包括依次连接的三层卷积层及两层全连接层，三层所述卷积层的卷积核数量依次为32、64和128，两层所述全连接层的大小依次为128和64；

所述特征提取网络表示为：

x＝φ(s(t),θ

式中，x为特征提取网络从信号s(t)中提取到的特征向量，φ(·)为特征提取网络由输入到输出的映射关系，θ

如图4所示，本实施例中的关系提取网络包括依次连接的四层卷积层及一层全连接层，四层所述卷积层的卷积核数量依次为128、128、64和64，所述全连接层的大小为64；

所述关系提取网络的输出为大小为L×L的对称矩阵A，作为构建干扰策略拟合网络的邻接矩阵；

所述关系提取网络表示为：

式中，A

相关向量d

式中，

图2中的干扰策略拟合网络基于一个三层的图卷积神经网络构建，并在其基础上进行了一部分修改，使其更能适应干扰拟合的任务，其输入为从特征提取网络中提取的特征向量和关系提取网络挖掘到的邻接矩阵A，在构建图卷积神经网络时，在第i个节点的特征向量x

所述干扰策略拟合网络的输出z为：

式中，

在本实施例的步骤S2中，在对神经网络模型进行训练时，将叠加了噪声的已知通信工作模式的通信信号采样片段作为网络的输入，将对应的已知干扰策略作为训练标签，将网络输出和标签之间的距离作为损失函数，通过特定优化方法优化网络参数，进过多次迭代后最终得到完成训练的网络。基于此，神经网络模型训练过程中的训练数据集T为：

式中，

所述神经网络模型的训练标签Ω为：

式中，

所述神经网络模型训练时的损失函数loss为：

式中，||z

本实施例中步骤S3中具体为：

将未知通信模式的通信信号和从训练数据集中随机选取的L-1个已知通信工作模式的通信信号一并输入到训练好的神经网络模型中，输出未知通信模式的对应干扰策略。

实施例2：

本实施例中提供了利用本发明方法生成干扰策略的实例，表1给出了信噪比＝20dB时不同干扰策略的平均误码率。为了比较，本方法还对未知模式使用强化学习算法来获得“真实”标签。“脉冲高斯”和“随机干扰”与该方法相同，只是前者用高斯噪声代替干扰符号，后者从F中随机选择载波频率，从S中随机选择干扰符号。从表1可以看出，该方法的性能接近强化学习，而后者的干扰效果是在假设所有通信工作模式均为已知的条件下进过大量迭代所得到的。在高调制电平下，本方法的干扰效果远比“脉冲高斯”和“随机干扰”好。

表1：平均误比特率对比

图5展示了BPSK调制方式在不同干扰策略下的误比特率曲线。从图中可以看出随信噪比的升高，脉冲高斯干扰和随机干扰的效果下降得非常厉害，但是本方法产生的干扰策略适应性很强。需要注意到的是，在进行强化学习时，所有的样本均假设为已知的，即对强化学习算法而言，不存在未知的工作模式。强化学习通过大量迭代得到的离线结果可以看作是对未知工作模式的理想干扰策略，然而在实际非合作的场景下，既不可能提前获取未知工作模式的信息，也不可能耗费大量时间进行迭代。本方法则是对未知目标均进行在线干扰策略生成，同时解决了不可能完全获知被干扰方的所有通信模式信息和离线学习需要耗费大量时间的问题。