一种电磁频谱感知的双层级智能对抗方法及系统

communications letters,2019,8(1):213-216.)。zhao等人将nesterov adam迭代法应用在调制信号识别中，并且增加了生成的信号对抗样本与原始信号的波形相似度(zhao h,lin y,gao s,et al.evaluating and improving adversarial attacks on深度神经网络-based modulation recognition[c].globecom 2020-2020ieee global communications conference,2020:1-5.)。lin等人将基于标签计算梯度的四种方法应用到了调制信号识别中，验证了用于将调制信号分类的深度神经网络模型容易受对抗样本的(lin y,zhao h,ma x,et al.adversarial attacks in modulation recognition with convolutional neural networks[j].ieee transactions on reliability,2021,70(1):389-401.)。然而，上述的对抗方法大多是应用在图像识别和信号识别领域，但在电磁频谱感知领域中，还未有报道的研究。
[0005]
通过上述分析，现有技术存在的问题及缺陷为：
[0006]
(1)现有的方法多是基于结构简单的神经网络，由它们产生的对抗样本在高性能的深层感知模型上的性能较差。
[0007]
(2)在迭代过程结束后，产生的对抗样本还不足以诱使高性能的复杂模型或对抗模型感知错误。将导致对抗样本的干扰能力降低，远达不到预期的干扰效果。
[0008]
(3)目前的技术直接生成对抗样本，这样的对抗样本实用性和可迁移性不高。
[0009]
解决以上问题及缺陷的难度为：结构复杂的高性能感知模型本身具有一定的防御性，会削弱传统方法的性能，因此，在波形层面和特征层面的设计，以及两个层面之间的平衡与结合，是电磁频谱感知系统双层级智能对抗的技术难点。
[0010]
解决以上问题及缺陷的意义为：实现电磁频谱感知系统双层级智能对抗系统弥补了针对电磁频谱感知系统对抗领域空白，并且可以为发现感知模型的深度学习网络漏洞提供新的方法，不仅可以增强对感知模型的性能，而且可以从反面促进感知模型的鲁棒性以及对抗性能的提升。


技术实现要素：

[0011]
针对现有技术存在的问题，本发明提供了一种电磁频谱感知的双层级智能对抗方法、系统、介质及设备。
[0012]
本发明是这样实现的，一种电磁频谱感知的双层级智能对抗方法，所述电磁频谱感知的双层级智能对抗方法包括：
[0013]
第一步，波形级：通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形。波形级设计隐藏干扰信息，并能提供较好的干扰能力。
[0014]
第二步，特征级：当深度神经网络训练时，通过直接干预训练数据实现中毒数据插入。特征级设计进一步加深干扰能力，并增强攻击的鲁棒性。
[0015]
第三步，根据设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。通过半自动的方式生成对抗样本，大大增强了方法的实用性和隐蔽性。
[0016]
进一步，所述第一步波形级：通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形具体包括：
[0017]
步骤一：取得电磁信号的协方差矩阵，确定通带阻带，采用确定信号通带阻带的方法：奇异值从小到大，占据总能量低于20％的区域为阻带区域；
[0018]
将通带区域的奇异值替换为零，得到矩阵v如下：
[0019][0020]
其中，δ
nd
＝diag(σ
l+1
,σ
l+2
,
…
,σr)是阻带区域的对角矩阵，σ为对应的特征值；
[0021]
步骤二：初始化种群，对基因进行编码，采用整数编码，一个基因对应一个阻带对角元素σ，个体的基因数能控制在个位数上；
[0022]
步骤三：适应度计算，每个个体基因根据目标函数，计算个体的适应度；拥有最小适应度值的个体被存为一次迭代中的最优个体，目标函数如下：
[0023]
f＝d(x,x
′
)+m
×
loss(x
′
)；
[0024]
其中，x＝x1,
…
,xn表示原始信号向量；x
′
＝x
′1,
…
,x
′n表示当前生成的对抗样本信号向量；d(x,x
′
)表示两者相似度；m是一个远大于d(x,x
′
)的正数，loss(x
′
)为损失函数；
[0025]
当进行非目标攻击时，loss(x
′
)被定义为：
[0026]
loss(x
′
)＝max([f(x
′
)]
r-max([f(x
′
)]
i≠r
),0)；
[0027]
其中，r表示原始样本的类别；[f(x
′
)]r的输出是样本x
′
被识别为类别r的概率；[f(x
′
)]
i≠r
的输出是样本x
′
被识别为不是类别r的概率；
[0028]
步骤四：采用均匀交叉，对随机的两个个体，每个基因各自独立地按照概率p进行交叉；
[0029]
步骤五：结合待求解问题，采用高斯变异算法，式：
[0030]
x
mutation
＝x
origin
±
gauss(m,s)；
[0031]
其中，x
origin
表示原始基因，x
mutation
表示变异基因，gauss(m,s)表示高斯噪声，m为高斯噪声的均值，s为高斯噪声的标准差；
[0032]
在变异过程中，将个体中的基因随机加上高斯噪声gauss(m,s)；
[0033]
步骤六：终止判断，如果算法满足终止条件则退出循环迭代，否则返回到步骤三。
[0034]
进一步，有信号干扰在信道有信号时进行添加并干扰系统，设计时选取频谱感知信道中的信号混杂着噪音进行迭代；无信号干扰在信道无信号时进行添加并干扰系统，设计时选取频谱感知信道中无信号时的纯噪音进行迭代；有信号干扰和无信号干扰采用步骤一至步骤六处理。
[0035]
进一步，所述第二步特征级：当深度神经网络训练时，通过直接干预训练数据来实现中毒数据插入具体包括：
[0036]
步骤一：建立数据投毒模型。采用中毒数据插入时，加入限定数量的中毒特征向量，数据投毒从一个干净的训练数据集开始，将数据集表示为d0，并将它转化为另一个中毒数据集d；学习算法在d上进行训练，目的是诱导目标实例集s中特征向量集合的目标决策；在向数据集投毒时折中两个问题：达到恶意目标和最小化修改代价；将前一项表示为攻击者的一般风险函数ra(d,s)，函数随学习参数ω变化；ω是在中毒训练数据d上训练模型得到的参数；同时，代价函数表示为c(d0,d)：
[0037]
优化问题表示为：
[0038][0039]
s.t.c(d0,d)≤c
[0040]
其中，c是指定的修改代价预算，定义攻击者的效用为ua(d,s)＝-ra(d,s)；将风险问题转化为求效用的最大值；电磁频谱感知有两种情况，一种为感知有信号，标签定为1；另一种为感知无信号，标签定为0；
[0041]
步骤二：对有信号信道进行中毒数据插入，在深度神经网络训练时，当进行有信号信道采集并制作训练集时，将设计好的无信号干扰和纯噪音进行结合并向目标天线发送，目标天线接收后，混杂中毒数据的原始数据会被制作为训练集，中毒数据为无信号干扰加纯噪音，标签为1，供深度神经网络训练；
[0042]
步骤三：对无信号信道进行中毒数据插入，在深度神经网络训练时，当进行无信号信道采集并制作训练集时，将有信号信道误检测为无信号信道，将设计好的有信号干扰和信号进行结合并向目标天线发送，目标天线接收后，混杂中毒数据的原始数据会被制作为训练集，中毒数据为有信号干扰加信号，标签为0，供深度神经网络训练；中毒数据占据原始信号的15％到20％。
[0043]
进一步，所述第三步根据所设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰具体包括：
[0044]
步骤一：发射干扰，在信道有信号时，发射有信号干扰；在信道无信号时，发射无信号干扰；
[0045]
步骤二：干扰接收，目标天线接收端会收到有信号干扰加信号和无信号干扰加纯噪音两种信号；
[0046]
步骤三：对抗样本生成，两种信号通过滤波、采样、协方差矩阵计算目标接收方在将信号放入深度神经网络前的所有处理后，大量的数据就隐蔽地生成最终的对抗样本。
[0047]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述电磁频谱感知的双层级智能对抗方法的步骤。
[0048]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述电磁频谱感知的双层级智能对抗方法的步骤。
[0049]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述电磁频谱感知的双层级智能对抗方法。
[0050]
本发明的另一目的在于提供一种实施所述电磁频谱感知的双层级智能对抗方法的双层级智能对抗系统，所述双层级智能对抗系统包括：
[0051]
波形级模块，用于通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形；
[0052]
特征级模块，用于当深度神经网络训练时，通过直接干预训练数据来实现中毒数据插入；
[0053]
对抗样本生成模块，用于根据所设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。
[0054]
本发明的另一目的在于提供一种所述电磁频谱感知的双层级智能对抗方法在无线通信中的应用。
[0055]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明可以有效实现未知目标模型的详细信息时对该模型的干扰，且在较小对抗扰动的条件下仍然具有较好的性能，并保持较高的鲁棒性和实用性。填补了业内对于智能频谱感知对抗领域的空白；首次引入了双层级的概念，将传统方法和新兴方法进行了结合。
附图说明
[0056]
图1是本发明实施例提供的电磁频谱感知的双层级智能对抗方法流程图。
[0057]
图2是本发明实施例提供的电磁频谱感知的双层级智能对抗系统的结构示意图。
[0058]
图3是本发明实施例提供的电磁频谱感知的双层级智能对抗方法的实现流程图。
[0059]
图4是本发明实施例提供的仿真实验示意图。
[0060]
图中：1、波形级模块；2、特征级模块；3、对抗样本生成模块。
具体实施方式
[0061]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
针对现有技术存在的问题，本发明提供了一种电磁频谱感知的双层级智能对抗方法、系统、介质及设备，下面结合附图对本发明作详细的描述。
[0063]
如图1所示，本发明提供的电磁频谱感知的双层级智能对抗方法包括以下步骤：
[0064]
s101：波形级：通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形；
[0065]
s102：特征级：当深度神经网络训练时，通过直接干预训练数据来实现中毒数据插入；
[0066]
s103：根据所设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。
[0067]
本发明提供的电磁频谱感知的双层级智能对抗方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的电磁频谱感知的双层级智能对抗方法仅仅是一个具体实施例而已。
[0068]
如图2所示，本发明提供的电磁频谱感知的双层级智能对抗系统包括：
[0069]
波形级模块1，用于通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形。
[0070]
特征级模块2，用于当深度神经网络训练时，通过直接干预训练数据来实现中毒数据插入。
[0071]
对抗样本生成模块3，用于根据所设计的波形和数据投毒，生成最终的对抗样本，
且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。
[0072]
下面结合附图对本发明的技术方案作进一步的描述。
[0073]
如图3所示，本发明提供的电磁频谱感知的双层级智能对抗方法具体包括以下步骤：
[0074]
第一步，在波形级，通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形；具体包括：
[0075]
步骤一：取得电磁信号的协方差矩阵，确定其通带阻带。由于只有线性调频信号才有明显的通带阻带的区别，所以基于此提出确定信号通带阻带的方法：奇异值从小到大，占据总能量低于20％的区域为阻带区域。
[0076]
将通带区域的奇异值替换为零，可以得到矩阵v如下：
[0077][0078]
其中，δ
nd
＝diag(σ
l+1
,σ
l+2
,
…
,σr)是阻带区域的对角矩阵。σ为对应的特征值。
[0079]
步骤二：初始化种群。对基因进行编码，采用整数编码，即一个基因对应一个阻带对角元素σ，个体的基因数能控制在个位数上，大大减少了后续计算量。
[0080]
步骤三：适应度计算。每个个体基因根据目标函数，计算该个体的适应度。由于这里是一个最小化问题，所以值越小，表示个体的适应度越高。之后，拥有最小适应度值的个体被存为一次迭代中的最优个体。目标函数如下：
[0081]
f＝d(x,x
′
)+m
×
loss(x
′
)；
[0082]
其中，x＝x1,
…
,xn表示原始信号向量；x
′
＝x
′1,
…
,x
′n表示当前生成的对抗样本信号向量；d(x,x
′
)表示两者相似度；m是一个远大于d(x,x
′
)的正数，loss(x
′
)为损失函数。
[0083]
当进行非目标攻击时(非目标攻击是指攻击者只希望神经网络模型可以将对抗样本误分类即可)，loss(x
′
)被定义为：
[0084]
loss(x
′
)＝max([f(x
′
)]
r-max([f(x
′
)]
i≠r
),0)；
[0085]
其中，r表示原始样本的类别；[f(x
′
)]r的输出是样本x
′
被识别为类别r的概率；[f(x
′
)]
i≠r
的输出是样本x
′
被识别为不是类别r的概率。
[0086]
步骤四：交叉。这里采用均匀交叉，即对随机的两个个体，每个基因各自独立地按照概率p进行交叉。由于每个个体携带的基因数量较多，均匀交叉能够有更大概率产生新的基因组合，期望将更多有益基因组合起来，遗传算法的搜索能力得以提高。
[0087]
步骤五：变异。为了加快遗传算法的搜索能力，结合待求解问题的特点，采用高斯变异算法，如式:
[0088]
x
mutation
＝x
origin
±
gauss(m,s)；
[0089]
其中，x
origin
表示原始基因，x
mutation
表示变异基因，gauss(m,s)表示高斯噪声，m为高斯噪声的均值，s为高斯噪声的标准差。
[0090]
在变异过程中，将个体中的基因随机加上高斯噪声gauss(m,s)。由于最终生成的对抗样本必须与输入样本有较高的相似度，待求解问题的可行解也必然在附近，降低了求
加纯噪音两种信号，由于在深度神经网络训练阶段进行了中毒数据插入攻击，所以目标接收器不易将干扰识别为异常信号；
[0104]
步骤三：对抗样本生成。这两种信号通过滤波、采样、协方差矩阵计算等目标接收方在将信号放入深度神经网络前的所有处理后，大量的数据就隐蔽地生成了最终的对抗样本。此对抗样本能大大降低电磁频谱感知系统的感知准确率，并具有较强的鲁棒性。
[0105]
下面结合仿真对本发明的技术效果作详细的描述。
[0106]
在仿真实验中，考虑一种电磁频谱感知的双层级智能对抗系统，待感知的模型为卷积神经网络模型。仿真实验在波形级采取100次迭代的仿真，特征级在数量级为20000的数据中插入了4000的中毒数据，其性能如图4所示。图4的(a)给出了经过波形级设计后的干扰信号的性能，由图4的(a)可以看出，随着虚警概率的增加，本发明所提方法的性能会出现一个弧形的波动，但是能让系统的检测准确率处于26％到55％之间，已经具备较好的对抗成功率。图4的(b)给出了经过双层级设计后生成的对抗样本的性能，由图4的(b)可以看出，被加入中毒数据训练后的网络，对于正常的频谱感知的准确率仍是十分可观。由原来的95％下降到了94％，可以说性能并没有太多的降低。反而因为多了中毒数据的训练，在低虚警概率时，有比原网络更高的检测准确率。本发明所提方法能将原本的高检测准确率下降到接近0％。说明加入特征级后，对抗效果大大增强，且不易被侦测为异常信号，增强了鲁棒性。
[0107]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0108]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种电磁频谱感知的双层级智能对抗方法，其特征在于，所述电磁频谱感知的双层级智能对抗方法包括：第一步，波形级：通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形；第二步，特征级：当深度神经网络训练时，通过直接干预训练数据实现中毒数据插入；第三步，根据设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。2.如权利要求1所述的电磁频谱感知的双层级智能对抗方法，其特征在于，所述第一步波形级：通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形具体包括：步骤一：取得电磁信号的协方差矩阵，确定通带阻带，采用确定信号通带阻带的方法：奇异值从小到大，占据总能量低于20％的区域为阻带区域；将通带区域的奇异值替换为零，得到矩阵v如下：其中，δ
nd
＝diag(σ
l+1
,σ
l+2
,
…
,σ
r
)是阻带区域的对角矩阵，σ为对应的特征值；步骤二：初始化种群，对基因进行编码，采用整数编码，一个基因对应一个阻带对角元素σ，个体的基因数能控制在个位数上；步骤三：适应度计算，每个个体基因根据目标函数，计算个体的适应度；拥有最小适应度值的个体被存为一次迭代中的最优个体，目标函数如下：f＝d(x,x
′
)+m
×
loss(x
′
)；其中，x＝x1,
…
,x
n
表示原始信号向量；x
′
＝x
′1,
…
,x
′
n
表示当前生成的对抗样本信号向量；d(x,x
′
)表示两者相似度；m是一个远大于d(x,x
′
)的正数，loss(x
′
)为损失函数；当进行非目标攻击时，loss(x
′
)被定义为：loss(x
′
)＝max([f(x
′
)]
r-max([f(x
′
)]
i≠r
),0)；其中，r表示原始样本的类别；[f(x
′
)]
r
的输出是样本x
′
被识别为类别r的概率；[f(x
′
)]
i≠r
的输出是样本x
′
被识别为不是类别r的概率；步骤四：采用均匀交叉，对随机的两个个体，每个基因各自独立地按照概率p进行交叉；步骤五：结合待求解问题，采用高斯变异算法，式：x
mutation
＝x
origin
±
gauss(m,s)；其中，x
origin
表示原始基因，x
mutation
表示变异基因，gauss(m,s)表示高斯噪声，m为高斯噪声的均值，s为高斯噪声的标准差；在变异过程中，将个体中的基因随机加上高斯噪声gauss(m,s)；步骤六：终止判断，如果算法满足终止条件则退出循环迭代，否则返回到步骤三。3.如权利要求2所述的电磁频谱感知的双层级智能对抗方法，其特征在于，有信号干扰在信道有信号时进行添加并干扰系统，设计时选取频谱感知信道中的信号混杂着噪音进行
迭代；无信号干扰在信道无信号时进行添加并干扰系统，设计时选取频谱感知信道中无信号时的纯噪音进行迭代；有信号干扰和无信号干扰采用步骤一至步骤六处理。4.如权利要求1所述的电磁频谱感知的双层级智能对抗方法，其特征在于，所述第二步特征级：当深度神经网络训练时，通过直接干预训练数据来实现中毒数据插入具体包括：步骤一：建立数据投毒模型，采用中毒数据插入时，加入限定数量的中毒特征向量，数据投毒从一个干净的训练数据集开始，将数据集表示为d0，并将它转化为另一个中毒数据集d；学习算法在d上进行训练，目的是诱导目标实例集s中特征向量集合的目标决策；在向数据集投毒时折中两个问题：达到恶意目标和最小化修改代价；将前一项表示为攻击者的一般风险函数r
a
(d,s)，函数随学习参数ω变化；ω是在中毒训练数据d上训练模型得到的参数；同时，代价函数表示为c(d0,d)：优化问题表示为：s.t.c(d0,d)≤c其中，c是指定的修改代价预算，定义攻击者的效用为u
a
(d,s)＝-r
a
(d,s)；将风险问题转化为求效用的最大值；电磁频谱感知有两种情况，一种为感知有信号，标签定为1；另一种为感知无信号，标签定为0；步骤二：对有信号信道进行中毒数据插入，在深度神经网络训练时，当进行有信号信道采集并制作训练集时，将设计好的无信号干扰和纯噪音进行结合并向目标天线发送，目标天线接收后，混杂中毒数据的原始数据会被制作为训练集，中毒数据为无信号干扰加纯噪音，标签为1，供深度神经网络训练；步骤三：对无信号信道进行中毒数据插入，在深度神经网络训练时，当进行无信号信道采集并制作训练集时，将有信号信道误检测为无信号信道，将设计好的有信号干扰和信号进行结合并向目标天线发送，目标天线接收后，混杂中毒数据的原始数据会被制作为训练集，中毒数据为有信号干扰加信号，标签为0，供深度神经网络训练；中毒数据占据原始信号的15％到20％。5.如权利要求2所述的电磁频谱感知的双层级智能对抗方法，其特征在于，所述第三步根据所设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰具体包括：步骤一：发射干扰，在信道有信号时，发射有信号干扰；在信道无信号时，发射无信号干扰；步骤二：干扰接收，目标天线接收端会收到有信号干扰加信号和无信号干扰加纯噪音两种信号；步骤三：对抗样本生成，两种信号通过滤波、采样、协方差矩阵计算目标接收方在将信号放入深度神经网络前的所有处理后，大量的数据就隐蔽地生成最终的对抗样本。6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～5任意一项所述电磁频谱感知的双层级智能对抗方法的步骤。7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使
得所述处理器执行权利要求1～5任意一项所述电磁频谱感知的双层级智能对抗方法的步骤。8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～5任意一项所述电磁频谱感知的双层级智能对抗方法。9.一种实施权利要求1～5任意一项所述电磁频谱感知的双层级智能对抗方法的双层级智能对抗系统，其特征在于，所述双层级智能对抗系统包括：波形级模块，用于通过嵌入式通信设计一种隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形；特征级模块，用于当深度神经网络训练时，通过直接干预训练数据来实现中毒数据插入；对抗样本生成模块，用于根据所设计的波形和数据投毒，生成最终的对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。10.一种如权利要求1～5任意一项所述电磁频谱感知的双层级智能对抗方法在无线通信中的应用。

技术总结
本发明属于电磁频谱感知中智能对抗技术领域，公开了一种电磁频谱感知的双层级智能对抗方法及系统，双层级分为波形级和特征级；在波形级，通过嵌入式通信设计隐蔽的对抗波形，以自然进化算法设计有信号和无信号的两种隐蔽对抗波形，能够实现有效降低智能频谱感知系统的感知准确率；在特征级，当深度神经网络训练时，通过直接干预训练数据实现中毒数据插入，提高对抗的鲁棒性；根据设计的波形和数据投毒，生成最终对抗样本，且分为有信号和无信号两类：当信道有信号时，释放有信号干扰；当信道无信号时，释放无信号干扰。本发明有效地实现电磁频谱感知智能对抗，且在较小对抗扰动的条件下具有良好性能，并保持较强鲁棒性。并保持较强鲁棒性。并保持较强鲁棒性。


技术研发人员：刘明骞 张洪弋 李进 张俊林 葛建华
受保护的技术使用者：西安电子科技大学
技术研发日：2022.01.29
技术公布日：2022/5/25