程凱欣，朱 磊，楊煒偉，姚昌華

（1.陸軍工程大學(xué)通信工程學(xué)院，南京 210007；2.陸軍研究院系統(tǒng)工程研究所，北京 100072；3.南京信息工程大學(xué)電子與信息工程學(xué)院，南京 210044）

引 言

電磁頻譜對(duì)抗是指在電磁頻譜空間內(nèi)以控制破壞敵方作戰(zhàn)系統(tǒng)，保護(hù)己方作戰(zhàn)系統(tǒng)為目標(biāo)的作戰(zhàn)行動(dòng)［1］。當(dāng)前，中國(guó)在電磁頻譜對(duì)抗領(lǐng)域面臨的挑戰(zhàn)十分嚴(yán)峻。美軍憑借大數(shù)據(jù)技術(shù)的迅速發(fā)展和全球信息柵格等基礎(chǔ)信息系統(tǒng)的輔助，致力于實(shí)現(xiàn)協(xié)同、交互和共享的地、海、空、天一體化的情報(bào)、監(jiān)視和偵察系統(tǒng)，并通過在電磁頻譜空間進(jìn)行全天候、全天時(shí)的偵察與監(jiān)視，對(duì)我軍導(dǎo)彈、海軍編隊(duì)和潛艇、隱形飛機(jī)等戰(zhàn)術(shù)部署形成威脅和壓制。因此，提升我軍電磁頻譜空間作戰(zhàn)能力刻不容緩。

電磁頻譜作為傳輸媒介與獲取信息的重要手段，在采用無線方式聯(lián)接的網(wǎng)絡(luò)系統(tǒng)、移動(dòng)通信系統(tǒng)、以電磁探頭和雷達(dá)為傳感器的無線電子系統(tǒng)及物聯(lián)網(wǎng)中的無線傳感系統(tǒng)等諸多環(huán)境中發(fā)揮著重要作用。近年來，電磁對(duì)抗環(huán)境下電磁頻譜行為分析的相關(guān)研究發(fā)展迅速［2］，由美國(guó)國(guó)防高級(jí)研究計(jì)劃局（Defense advanced research projects agency，DARPA）發(fā)布的“自適應(yīng)電子戰(zhàn)行為學(xué)習(xí)項(xiàng)目（Behavioral learning for adaptive electronic warfare，BLADE）”［3］指出，電磁頻譜行為分析有助于進(jìn)一步提高自主識(shí)別威脅的能力，從而增強(qiáng)電磁頻譜戰(zhàn)OODA（Observe→orient→decide→act）循環(huán)中的環(huán)境感知能力，進(jìn)而奪取電磁頻譜制勝權(quán)。通信頻譜行為作為電磁頻譜行為的主要組成部分，對(duì)其進(jìn)行深入研究對(duì)把握電磁頻譜態(tài)勢(shì)具有重要意義，本文主要對(duì)電磁對(duì)抗條件下通信系統(tǒng)中的電磁頻譜行為分析研究現(xiàn)狀進(jìn)行綜述，并對(duì)未來發(fā)展趨勢(shì)進(jìn)行探討。

1 通信頻譜行為分析

在電磁對(duì)抗環(huán)境中，無線電通信作為一種重要通信保障方式，能夠有效應(yīng)對(duì)電磁頻譜戰(zhàn)中通信主體的高移動(dòng)性和空間分布不確定性。無線電通信信號(hào)具有的廣播和開放特性使其容易被監(jiān)測(cè)與截獲。因此，分析通信電磁頻譜數(shù)據(jù)中包含的通信行為，識(shí)別推理通信意圖，成為感知戰(zhàn)場(chǎng)通信態(tài)勢(shì)的重要途徑。

行為，在現(xiàn)代漢語詞典中的解釋是：受到內(nèi)在思想支配而表現(xiàn)出來的外在活動(dòng)。其中包含兩個(gè)要素，內(nèi)在思想與外在活動(dòng)。通信行為的內(nèi)涵可以概括為：出于一定通信意圖而表現(xiàn)在傳播媒介中的活動(dòng)。其中內(nèi)在思想對(duì)應(yīng)通信意圖，外在活動(dòng)對(duì)應(yīng)傳播媒介中的活動(dòng)。電磁對(duì)抗場(chǎng)景下無線通信系統(tǒng)中的通信頻譜行為則可以進(jìn)一步解釋為，為了實(shí)現(xiàn)一定戰(zhàn)略、戰(zhàn)術(shù)通信意圖而表現(xiàn)出來的頻譜活動(dòng)。行為特征通常用于描述具有規(guī)律性的活動(dòng)，在電磁頻譜空間中的通信頻譜行為特征則可以表示為通信意圖在頻譜數(shù)據(jù)上反映出的規(guī)律性活動(dòng)［1］。通信頻譜行為特征也是通信頻譜行為分析的研究對(duì)象，主要包括通信主體的用頻特征、輻射源特征、通信主體間的通聯(lián)關(guān)系、層級(jí)關(guān)系和行為特征等。對(duì)應(yīng)的技術(shù)問題包含頻譜感知與預(yù)測(cè)、輻射源個(gè)體識(shí)別、通聯(lián)關(guān)系挖掘、通信行為識(shí)別以及網(wǎng)絡(luò)結(jié)構(gòu)分析等。在電磁對(duì)抗環(huán)境下，不同的通信頻譜行為分析技術(shù)對(duì)應(yīng)具體問題與目標(biāo)。通信頻譜行為分析內(nèi)涵示意圖如圖1 所示。

圖1 通信頻譜行為分析內(nèi)涵示意圖Fig.1 Diagram of contents in communication spectral behavior analysis

本文將通信頻譜行為分析的研究目標(biāo)歸納為：用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別與通信意圖推理3 大類。用頻行為分析指通過學(xué)習(xí)通信主體的用頻特征掌握其用頻行為，進(jìn)一步實(shí)現(xiàn)頻譜資源的感知與調(diào)度，為實(shí)現(xiàn)電磁態(tài)勢(shì)感知打下基礎(chǔ)，涉及的主要技術(shù)問題有頻譜感知與頻譜預(yù)測(cè)。通信網(wǎng)絡(luò)中的拓?fù)渥R(shí)別是通過確定“誰在通信”和“誰與誰通信”，從而感知通信網(wǎng)絡(luò)基本結(jié)構(gòu)，實(shí)現(xiàn)非合作條件下的通信網(wǎng)絡(luò)拓?fù)渥R(shí)別，其對(duì)應(yīng)的技術(shù)問題包括輻射源個(gè)體識(shí)別和通聯(lián)關(guān)系挖掘。通信意圖推理是對(duì)戰(zhàn)場(chǎng)通信態(tài)勢(shì)的更高層次感知，根據(jù)前兩項(xiàng)任務(wù)得到的先驗(yàn)知識(shí)，進(jìn)一步探討網(wǎng)絡(luò)中存在的不同類型通信行為和通信網(wǎng)絡(luò)中存在的層級(jí)結(jié)構(gòu)，從而回答“怎樣通信”和“為何通信”的問題，具體技術(shù)問題包含通信行為識(shí)別與網(wǎng)絡(luò)結(jié)構(gòu)分析。

從以上分析中不難看出，通信頻譜行為分析所包含的用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別和通信意圖推理3 類研究目標(biāo)，在戰(zhàn)術(shù)層面上具有從客觀感知到主觀認(rèn)知的遞進(jìn)關(guān)系。從頻譜對(duì)抗的角度考慮，3 類目標(biāo)逐漸完成了對(duì)通信電磁態(tài)勢(shì)從“感知”到“認(rèn)知”的躍升。

2 通信頻譜行為分析研究現(xiàn)狀

通信系統(tǒng)中的電磁頻譜對(duì)抗“OODA”循環(huán)被劃分為：“觀察”、“判斷”、“決策”、“行動(dòng)”4 個(gè)階段，每個(gè)階段對(duì)應(yīng)頻譜通信行為分析的若干實(shí)際問題［4］，其包含的具體技術(shù)及相互聯(lián)系如圖2 所示。用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別與通信意圖推理分別作為“觀察”、“判斷”、“決策”階段的代表性工作，具有內(nèi)在邏輯聯(lián)系，前者為后者的研究基礎(chǔ)。“觀察”階段的目標(biāo)是初步掌握空間內(nèi)頻譜態(tài)勢(shì)情況，因此更為關(guān)注通信信號(hào)的外部特征，如：頻段、功率和調(diào)制方式等。“觀察”階段的工作是后續(xù)“判斷”的基礎(chǔ)?！芭袛唷彪A段的主要工作包含輻射源個(gè)體識(shí)別、通聯(lián)關(guān)系挖掘，這一階段的工作更為關(guān)注客觀頻譜特征中蘊(yùn)含的內(nèi)在規(guī)律，是將通信電磁對(duì)抗態(tài)勢(shì)的研究從“感知”轉(zhuǎn)為“認(rèn)知”的關(guān)鍵環(huán)節(jié)。其中，對(duì)通信輻射源的識(shí)別和通聯(lián)關(guān)系的挖掘分別可以解決“誰在通信”和“誰與誰通信”的問題?！皼Q策”階段則是利用前期“觀察”與“判斷”得到的信息形成綜合的通信頻譜態(tài)勢(shì)，了解通信行為、獲取網(wǎng)絡(luò)層級(jí)，從而有效推理通信意圖，為下一步的戰(zhàn)略決策做準(zhǔn)備。通信意圖推理是通信頻譜態(tài)勢(shì)感知的目標(biāo)，可以為后續(xù)的“決策”階段提供信息支持，從而為“行動(dòng)”階段提供指導(dǎo)，實(shí)現(xiàn)從“認(rèn)知”到“智能”的跨越。由此可見，以用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別與通信意圖推理為目標(biāo)的3 類通信頻譜行為分析方法共同組成通信電磁對(duì)抗OODA 循環(huán)中的“觀察”、“判斷”、“決策”環(huán)節(jié)，在戰(zhàn)術(shù)層面依次遞進(jìn)，層層深入，共同推進(jìn)實(shí)現(xiàn)電磁對(duì)抗中通信態(tài)勢(shì)從“感知”到“認(rèn)知”，從“認(rèn)知”到“智能”的升級(jí)。

圖2 通信電磁對(duì)抗OODA 循環(huán)中的主要問題Fig.2 Main problems of OODA loop in communication electromagnetic countermeasure environments

當(dāng)前，通信頻譜行為分析相關(guān)技術(shù)已發(fā)展較為完善，這為通信態(tài)勢(shì)感知與意圖推理研究提供了堅(jiān)實(shí)的理論基礎(chǔ)與技術(shù)支持。然而電磁對(duì)抗環(huán)境中的通信行為分析會(huì)面臨以下諸多困難和挑戰(zhàn)：

（1）電磁對(duì)抗環(huán)境難以獲得完整準(zhǔn)確的先驗(yàn)信息；

（2）受非合作監(jiān)測(cè)條件限制，監(jiān)測(cè)數(shù)據(jù)量不足，存在“小樣本”難題；

（3）情報(bào)誤差或復(fù)雜電磁環(huán)境容易導(dǎo)致監(jiān)測(cè)數(shù)據(jù)質(zhì)量差；

（4）高動(dòng)態(tài)的對(duì)抗環(huán)境對(duì)分析方法實(shí)時(shí)性提出較高要求。

當(dāng)前以電磁對(duì)抗為背景的通信頻譜行為分析研究還較為零散，尚未形成體系，且較少顧及對(duì)抗環(huán)境給通信頻譜行為分析帶來的困難。因此，本文聚焦電磁對(duì)抗環(huán)境，將通信頻譜行為分析方法按照用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別和通信意圖推理3 大類進(jìn)行分類，討論通信頻譜行為分析方法的研究現(xiàn)狀，梳理相關(guān)技術(shù)發(fā)展脈絡(luò)，并對(duì)未來的研究方向做出展望。

2.1 用頻行為分析

在電磁對(duì)抗環(huán)境中進(jìn)行用頻行為分析的意義是通過頻譜感知獲取通信主體的用頻特征、進(jìn)行頻譜預(yù)測(cè)，從而分析用頻行為，實(shí)現(xiàn)對(duì)通信頻譜環(huán)境的初步感知，主要技術(shù)包括頻譜感知與頻譜預(yù)測(cè)。頻譜感知的任務(wù)是了解監(jiān)測(cè)區(qū)域內(nèi)通信主體的頻譜使用和存在情況。而頻譜預(yù)測(cè)則是通過感知結(jié)果對(duì)未來頻譜分布作出預(yù)測(cè)，輔助優(yōu)化決策。目前，頻譜感知與頻譜預(yù)測(cè)技術(shù)在民用領(lǐng)域應(yīng)用深廣，但主要研究目的是為了提升頻譜資源利用率，提高傳輸效率，實(shí)現(xiàn)對(duì)頻譜資源的優(yōu)化利用，其在電磁對(duì)抗頻譜行為分析領(lǐng)域的應(yīng)用還有待進(jìn)一步開發(fā)。

2.1.1 頻譜感知

在電磁對(duì)抗環(huán)境中，頻譜感知是對(duì)電磁環(huán)境感知的先決任務(wù)，也是用頻行為分析的必要準(zhǔn)備工作。當(dāng)前對(duì)頻譜感知的主要研究集中在以提升頻譜資源利用率為目的的民用場(chǎng)景。在提升頻譜使用率而讓不同優(yōu)先級(jí)用戶共享頻譜資源時(shí)，通過頻譜感知方式搜索空閑信道的模式逐漸取代預(yù)設(shè)替換信道的方式［5］。傳統(tǒng)頻譜感知方法包括：匹配濾波器檢測(cè)［6］、能量檢測(cè)［7］、波形檢測(cè)［8］和循環(huán)平穩(wěn)特征檢測(cè)［9］等。除能量檢測(cè)方法外，其他方法的共同點(diǎn)是對(duì)先驗(yàn)知識(shí)和數(shù)據(jù)質(zhì)量要求較高，并且由于特征分析的針對(duì)性強(qiáng)，導(dǎo)致方法的普適性差，而能量檢測(cè)方法雖然較為簡(jiǎn)單，但存在檢測(cè)性能上的局限性。傳統(tǒng)方法從檢測(cè)帶寬上還可以分為寬帶頻譜感知［10］與窄帶頻譜感知［11］，寬帶頻譜感知相較于傳統(tǒng)窄帶頻譜感知方法，能夠更快地發(fā)現(xiàn)空閑頻譜機(jī)會(huì)，從而提升傳輸速率。然而寬帶頻譜感知方法存在處理時(shí)間長(zhǎng)、硬件成本高和計(jì)算復(fù)雜度高等問題，難以適應(yīng)對(duì)抗條件下的監(jiān)測(cè)條件與高實(shí)時(shí)性需求，為此，壓縮感知技術(shù)被廣泛應(yīng)用于頻譜感知中［12］。使用壓縮感知技術(shù)在信號(hào)稀疏的條件下可以以較低的采樣率進(jìn)行頻譜感知。然而壓縮感知技術(shù)的使用條件較為嚴(yán)苛，對(duì)數(shù)據(jù)和硬件要求高且不適應(yīng)過于嘈雜的真實(shí)環(huán)境。

隨著人工智能的發(fā)展，深度學(xué)習(xí)技術(shù)在頻譜感知領(lǐng)域得到充分的應(yīng)用［13］。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）在低信噪比環(huán)境中有助于提升主用戶信號(hào)檢出率［14］，從而提升頻譜感知能力?；贑NN 的頻譜感知流程主要被分為兩個(gè)階段：數(shù)據(jù)預(yù)處理階段和頻譜感知階段。使用CNN 作為分類器，將經(jīng)過處理的頻譜數(shù)據(jù)送入訓(xùn)練好的CNN 進(jìn)行感知識(shí)別，其流程如圖3 所示。

圖3 基于CNN 的頻譜感知流程Fig.3 Spectrum sensing process based on CNN

深度協(xié)作感知利用深度神經(jīng)網(wǎng)絡(luò)分別學(xué)習(xí)不同頻段中不同用戶的感知模式，從而實(shí)現(xiàn)整體的頻譜感知［15］。類似地，文獻(xiàn)［16］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)頻譜感知算法，與基于模型的頻譜感知算法相比，該學(xué)習(xí)方法僅由數(shù)據(jù)驅(qū)動(dòng)，既不需要信號(hào)噪聲概率模型，也不需要主要用戶活動(dòng)模式模型，極大降低了對(duì)感知環(huán)境中先驗(yàn)信息的需求。

從深度學(xué)習(xí)技術(shù)在頻譜感知中的應(yīng)用可以發(fā)現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)的使用在一定程度上代替了傳統(tǒng)方法中基于信號(hào)處理等方法的特征提取過程，降低了頻譜感知對(duì)先驗(yàn)知識(shí)的依賴程度。然而將深度學(xué)習(xí)方法應(yīng)用在電磁對(duì)抗環(huán)境仍面臨一些困難，例如深度網(wǎng)絡(luò)的訓(xùn)練往往需要大量有標(biāo)簽數(shù)據(jù)的支持，這與對(duì)抗環(huán)境下的“小樣本”問題存在矛盾。同時(shí)，在頻譜感知準(zhǔn)備階段仍需進(jìn)行數(shù)據(jù)預(yù)處理，這與高動(dòng)態(tài)戰(zhàn)場(chǎng)環(huán)境下的實(shí)時(shí)性需求產(chǎn)生矛盾。

2.1.2 頻譜預(yù)測(cè)

頻譜預(yù)測(cè)是在頻譜感知的基礎(chǔ)上，通過分析歷史頻譜數(shù)據(jù)，估計(jì)未來頻譜資源使用情況的技術(shù)，是用頻行為分析中的主要工作。頻譜預(yù)測(cè)是認(rèn)知無線電的重要技術(shù)組成，其在頻率選擇和增強(qiáng)自動(dòng)鏈路建立、抗干擾等方面極具應(yīng)用價(jià)值。

傳統(tǒng)頻譜預(yù)測(cè)方法從時(shí)間、頻率、空間維度出發(fā)，通過頻譜建模的方式利用歷史狀態(tài)推斷未來狀態(tài)［17］。在后續(xù)研究中，部分學(xué)者從編碼與發(fā)射角度兩個(gè)維度研究電磁頻譜預(yù)測(cè)問題［18］，還有以信道、空間相關(guān)性為切入點(diǎn)進(jìn)行頻譜使用情況預(yù)測(cè)的相關(guān)研究［19］。然而，有限維度的相關(guān)性預(yù)測(cè)無法準(zhǔn)確擬合具有多維特征性質(zhì)的頻譜數(shù)據(jù)，因此傳統(tǒng)方法在預(yù)測(cè)準(zhǔn)確率上存在瓶頸，同時(shí)復(fù)雜的建模方式會(huì)給頻譜預(yù)測(cè)帶來較大的響應(yīng)時(shí)延。

深度學(xué)習(xí)技術(shù)同樣在頻譜預(yù)測(cè)領(lǐng)域得到充分應(yīng)用。文獻(xiàn)［20］利用深度信念網(wǎng)絡(luò)（Deep belief net?work，DBN）實(shí)現(xiàn)用戶代理識(shí)別，從而對(duì)空閑頻譜和時(shí)隙進(jìn)行預(yù)測(cè)。為了利用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）在序列特征提取上的優(yōu)勢(shì)，文獻(xiàn)［21］提出了一種基于RNN 的頻譜預(yù)測(cè)方法，利用蜂窩認(rèn)知無線電網(wǎng)絡(luò)中的經(jīng)驗(yàn)頻譜數(shù)據(jù)來獲得頻譜占用概率信息以輔助動(dòng)態(tài)信道分配。針對(duì)電磁對(duì)抗環(huán)境中頻譜數(shù)據(jù)不完全問題，文獻(xiàn)［22］利用殘差網(wǎng)絡(luò)（ResNet）模塊在細(xì)微特征提取上的優(yōu)勢(shì)，提出一種基于頻譜相關(guān)性的ResNet 模型對(duì)時(shí)間譜進(jìn)行預(yù)測(cè)，在數(shù)據(jù)不完全條件下通過頻譜預(yù)測(cè)的方式進(jìn)行數(shù)據(jù)修復(fù)，實(shí)驗(yàn)顯示在90%以上的頻點(diǎn)預(yù)測(cè)均方誤差在0.29 以下。長(zhǎng)短時(shí)記憶（Long short?term mem?ory，LSTM）網(wǎng)絡(luò)因其對(duì)上下文信息的記憶力而適用于長(zhǎng)時(shí)依賴問題，因此也在序列相關(guān)性較強(qiáng)的頻譜預(yù)測(cè)問題有出色表現(xiàn)。為了解決對(duì)抗條件下頻譜數(shù)據(jù)不足給頻譜預(yù)測(cè)帶來的困難，文獻(xiàn)［23］將LSTM與遷移學(xué)習(xí)結(jié)合，利用具有相似用頻特征的不同頻段數(shù)據(jù)進(jìn)行跨頻段的頻譜預(yù)測(cè)?；贚STM 與遷移學(xué)習(xí)的頻譜預(yù)測(cè)方法如圖4 所示，通過不同頻段之間用頻特征相似性，使用遷移學(xué)習(xí)解決待預(yù)測(cè)頻段數(shù)據(jù)缺乏問題，這為電磁對(duì)抗環(huán)境下頻譜預(yù)測(cè)問題的解決帶來一種新思路。

圖4 基于LSTM 與遷移學(xué)習(xí)的頻譜預(yù)測(cè)方法Fig.4 Spectrum prediction method based on LSTM and transfer learning

當(dāng)前頻譜感知與預(yù)測(cè)相關(guān)研究主要關(guān)注頻譜資源的優(yōu)化問題，對(duì)電磁對(duì)抗環(huán)境中的約束條件考慮較少。從方法的發(fā)展脈絡(luò)中可以發(fā)現(xiàn)，傳統(tǒng)方法大多是從特征工程的角度出發(fā)進(jìn)行頻譜感知與預(yù)測(cè)，在特定條件下效果顯著，但方法普適性不強(qiáng)，對(duì)數(shù)據(jù)質(zhì)量、待解決問題相關(guān)先驗(yàn)知識(shí)的要求高，且往往需要較為繁瑣的數(shù)據(jù)預(yù)處理。而深度學(xué)習(xí)方法能夠通過神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的學(xué)習(xí)自動(dòng)提取所需特征，進(jìn)而實(shí)現(xiàn)分類、感知和預(yù)測(cè)，設(shè)計(jì)思路較為簡(jiǎn)潔且方法具有較強(qiáng)可移植性，但在實(shí)際應(yīng)用中存在對(duì)訓(xùn)練樣本的數(shù)據(jù)量需求大、需要數(shù)據(jù)預(yù)處理等缺陷。

2.2 網(wǎng)絡(luò)拓?fù)渥R(shí)別

網(wǎng)絡(luò)拓?fù)渥R(shí)別的含義是：對(duì)用頻行為分析中得到的通信頻譜態(tài)勢(shì)信息進(jìn)一步分析，從中識(shí)別輻射源個(gè)體，挖掘網(wǎng)絡(luò)通聯(lián)關(guān)系，識(shí)別通信網(wǎng)絡(luò)中存在的拓?fù)?。網(wǎng)絡(luò)拓?fù)渥R(shí)別作為智能頻譜態(tài)勢(shì)感知［24］中的重要一環(huán)，其首要任務(wù)是找到通信網(wǎng)絡(luò)中的通信主體，即對(duì)輻射源個(gè)體的識(shí)別，解決“誰在通信”的問題。其次，需要明確通信系統(tǒng)中，哪些通信主體之間存在通聯(lián)關(guān)系，挖掘網(wǎng)絡(luò)中存在的通聯(lián)關(guān)系，解決“誰與誰通信”的問題。完成通信網(wǎng)絡(luò)中“點(diǎn)”與“邊”的確定，可以大致形成網(wǎng)絡(luò)中的拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)網(wǎng)絡(luò)拓?fù)渥R(shí)別。

2.2.1 輻射源個(gè)體識(shí)別

輻射源個(gè)體識(shí)別，也稱輻射源“指紋”識(shí)別，其概念是：通過分析接收到的電磁信號(hào)，提取可以表現(xiàn)輻射源個(gè)體差異的特征，結(jié)合先驗(yàn)信息實(shí)現(xiàn)不同輻射源的唯一識(shí)別［25］。

傳統(tǒng)輻射源個(gè)體識(shí)別研究聚焦于對(duì)“指紋”特征的提取，“指紋”特征可分類為暫態(tài)特征與穩(wěn)態(tài)特征。暫態(tài)特征指在傳輸開始到穩(wěn)定傳輸?shù)倪^程中無線電發(fā)射機(jī)的獨(dú)特瞬態(tài)特征［26］。提取暫態(tài)特征的主要難點(diǎn)在于暫態(tài)信號(hào)的檢測(cè)分離，對(duì)暫態(tài)信號(hào)起點(diǎn)的確定方法有基于電平突變［27］、相位特征檢測(cè)［28］、基于貝葉斯方法的均值變化檢測(cè)［29］等。由Hilbert?Huang 變換獲得的瞬態(tài)通信信號(hào)時(shí)頻能量分布［30］，以及具有多尺度細(xì)化優(yōu)勢(shì)的小波變換［31］，都有助于暫態(tài)特征的提取并在輔助輻射源個(gè)體識(shí)別工作中取得了較好的效果。然而由于在電磁對(duì)抗環(huán)境中，較難準(zhǔn)確檢測(cè)并采集到帶有暫態(tài)信息的信號(hào)，同時(shí)復(fù)雜電磁環(huán)境給信號(hào)特征的提取也造成了困難，相比之下穩(wěn)態(tài)信號(hào)更易獲取。利用穩(wěn)態(tài)特征進(jìn)行對(duì)抗條件下的輻射源個(gè)體識(shí)別時(shí)，由于穩(wěn)態(tài)階段各元器件疊加現(xiàn)象明顯，輻射源指紋特征與噪聲混雜，為細(xì)微特征的提取造成困難，高階譜變換［32?34］因其能夠去除噪聲影響的同時(shí)保留信號(hào)原始頻率相位形態(tài)，而被應(yīng)用于提取輻射源穩(wěn)態(tài)特征。

然而不論是利用暫態(tài)特征還是穩(wěn)態(tài)特征進(jìn)行輻射源個(gè)體識(shí)別，工作的重點(diǎn)都集中于對(duì)數(shù)據(jù)特征的提取，這樣的處理方式在實(shí)際應(yīng)用中受到的限制多：對(duì)先驗(yàn)知識(shí)要求高，方法的復(fù)雜度高、普適性差，難以適應(yīng)靈活機(jī)動(dòng)的戰(zhàn)場(chǎng)環(huán)境。

為了克服傳統(tǒng)方法的缺陷，深度學(xué)習(xí)技術(shù)被引入到輻射源個(gè)體識(shí)別［35］。深度模型強(qiáng)大的特征表征能力可以代替人工提取特征的過程，通過學(xué)習(xí)大量訓(xùn)練樣本捕捉數(shù)據(jù)之間的細(xì)微特征差異，從而進(jìn)行輻射源個(gè)體識(shí)別，最為簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)就可以通過時(shí)域信號(hào)完成輻射源識(shí)別任務(wù)［36］。文獻(xiàn)［37］使用改進(jìn)的AlexNet 對(duì)采集的原始IQ 數(shù)據(jù)進(jìn)行學(xué)習(xí)，在無需解碼、特征工程和協(xié)議的條件下，在0.6 m～15 m 的接收距離范圍內(nèi)能夠達(dá)到90%～99%的識(shí)別精度。深度學(xué)習(xí)技術(shù)在輻射源個(gè)體識(shí)別領(lǐng)域展現(xiàn)出超強(qiáng)的適應(yīng)性，相關(guān)研究層出不窮，后續(xù)研究的主要?jiǎng)?chuàng)新點(diǎn)集中于網(wǎng)絡(luò)結(jié)構(gòu)的改良或結(jié)合數(shù)據(jù)特點(diǎn)進(jìn)行適當(dāng)預(yù)處理，例如多采樣卷積神經(jīng)網(wǎng)絡(luò)［38］的提出解決了對(duì)興趣區(qū)域有偏好的輻射源識(shí)別問題、利用ResNet［39］可以提升對(duì)輻射源特征希爾伯特譜的識(shí)別效率。深度學(xué)習(xí)方法大大降低了輻射源個(gè)體識(shí)別工作在前期特征提取過程中的難度和復(fù)雜度，只需簡(jiǎn)單的數(shù)據(jù)預(yù)處理即可通過訓(xùn)練得到具有良好分類能力的識(shí)別網(wǎng)絡(luò)。然而，深度網(wǎng)絡(luò)對(duì)大規(guī)模訓(xùn)練樣本和標(biāo)簽的需求成為將其應(yīng)用于對(duì)抗環(huán)境下的最大制約。傳統(tǒng)輻射源個(gè)體識(shí)別方法與基于深度學(xué)習(xí)的輻射源個(gè)體識(shí)別方法對(duì)比如圖5 所示。

圖5 傳統(tǒng)與基于深度學(xué)習(xí)的輻射源個(gè)體識(shí)別方法對(duì)比Fig.5 Comparison between traditional and deep learning based specific emitter identification methods.

2.2.2 通聯(lián)關(guān)系挖掘

通聯(lián)關(guān)系指不同通信實(shí)體進(jìn)行數(shù)據(jù)交換而產(chǎn)生的關(guān)系［40］。電磁對(duì)抗中的通聯(lián)關(guān)系挖掘研究根據(jù)方法可以分為基于先驗(yàn)知識(shí)、基于聚類和基于深度學(xué)習(xí)方法3 類。

在基于先驗(yàn)知識(shí)的研究中，通常是在已知通信網(wǎng)絡(luò)中通信規(guī)則、通信協(xié)議的前提下，對(duì)頻譜監(jiān)測(cè)數(shù)據(jù)進(jìn)行時(shí)域、頻域和空域的特征提取進(jìn)而根據(jù)規(guī)則進(jìn)行統(tǒng)計(jì)分析［41］。文獻(xiàn)［42］基于無線通信規(guī)則模擬頻譜監(jiān)測(cè)數(shù)據(jù)，通過統(tǒng)計(jì)分析獲得通聯(lián)關(guān)系，并利用路徑損耗模型推理節(jié)點(diǎn)位置，從而確定通信網(wǎng)絡(luò)結(jié)構(gòu)。文獻(xiàn)［43］提出一種基于超短波電臺(tái)通信規(guī)則的通聯(lián)關(guān)系挖掘方法，該方法通過提取甚高頻范圍內(nèi)監(jiān)測(cè)到的超短波電臺(tái)頻譜數(shù)據(jù)特征，根據(jù)通信規(guī)則分析找到超短波電臺(tái)之間的通聯(lián)關(guān)系，為進(jìn)一步從頻譜數(shù)據(jù)中推斷敵方通信網(wǎng)絡(luò)的結(jié)構(gòu)奠定了基礎(chǔ)。然而，電磁對(duì)抗環(huán)境中對(duì)敵先驗(yàn)知識(shí)不足導(dǎo)致基于先驗(yàn)知識(shí)的通聯(lián)關(guān)系挖掘方法較難開展。

聚類方法可以從未知數(shù)據(jù)集中發(fā)現(xiàn)某些具有相似特征的集群從而識(shí)別新的結(jié)構(gòu)和知識(shí)，一些改進(jìn)的方法甚至可以在無需人工指導(dǎo)的情況下自主確定集群數(shù)量［44］。因此，聚類方法非常適用于解決先驗(yàn)知識(shí)匱乏條件下的通聯(lián)關(guān)系挖掘問題。文獻(xiàn)［45］提出了一種基于改進(jìn)的空間密度聚類（Density?based spatial clustering of applications with noise，DBSCAN）的通信關(guān)系挖掘方法，該方法基于跳頻周期、信號(hào)平均功率和時(shí)間的特征，研究頻譜信號(hào)的物理特性和統(tǒng)計(jì)規(guī)律，從不完整的頻譜監(jiān)測(cè)數(shù)據(jù)中發(fā)現(xiàn)無線電臺(tái)的通聯(lián)關(guān)系。文獻(xiàn)［46］提出一種基于關(guān)聯(lián)分析的通信關(guān)系挖掘方法。該方法提出一種改進(jìn)的峰值密度聚類算法，研究頻譜信號(hào)的分布規(guī)律和統(tǒng)計(jì)信息，然后將聚類結(jié)果在時(shí)域范圍進(jìn)行相關(guān)性分析，從而挖掘出混沌和丟失頻譜信號(hào)之間的通聯(lián)關(guān)系。文獻(xiàn)［47］基于已提取的頻譜特征數(shù)據(jù)，從時(shí)間、頻率、帶寬和功率等特征維度分別進(jìn)行聚類分析，而后對(duì)聚類結(jié)果匹配分析得到網(wǎng)絡(luò)中的通聯(lián)關(guān)系。

綜上可知，基于聚類的通聯(lián)關(guān)系挖掘方法基本脫離了對(duì)先驗(yàn)知識(shí)的依賴，通過分析頻譜數(shù)據(jù)特征的聚類結(jié)果得到通聯(lián)關(guān)系。然而，此類方法弊端在于需要先進(jìn)行特征提取操作獲得各維度特征，再?gòu)亩嗵卣骶S度出發(fā)進(jìn)行聚類分析或相關(guān)性分析，無法直接利用監(jiān)測(cè)到的頻譜數(shù)據(jù)。特征提取的時(shí)間成本與電磁對(duì)抗條件下的實(shí)時(shí)性要求相悖。同時(shí)，聚類方法的準(zhǔn)確性較為依賴數(shù)據(jù)集數(shù)量和質(zhì)量，但由于對(duì)抗環(huán)境中頻譜數(shù)據(jù)的監(jiān)測(cè)易受干擾，高質(zhì)量監(jiān)測(cè)數(shù)據(jù)較為稀缺，因此難以支持高準(zhǔn)確率的聚類分析。

深度學(xué)習(xí)方法也被應(yīng)用于通聯(lián)關(guān)系挖掘問題。文獻(xiàn)［48］基于ResNet 設(shè)計(jì)的深度網(wǎng)絡(luò)通過學(xué)習(xí)通信頻譜數(shù)據(jù)中包含的通聯(lián)關(guān)系特征，實(shí)現(xiàn)了較高精度的識(shí)別，在測(cè)試數(shù)據(jù)集上達(dá)到99.02%的識(shí)別準(zhǔn)確率?；谙闰?yàn)知識(shí)、基于聚類方法與基于深度學(xué)習(xí)的通聯(lián)關(guān)系挖掘方法對(duì)比如圖6 所示。通過對(duì)比可以發(fā)現(xiàn)，深度學(xué)習(xí)方法由于無需過多先驗(yàn)知識(shí)與復(fù)雜的人工特征提取過程，非常適用于電磁對(duì)抗環(huán)境下的通聯(lián)關(guān)系挖掘工作，其在通聯(lián)關(guān)系挖掘上的應(yīng)用還存在相當(dāng)大的發(fā)展空間。

圖6 3 類通聯(lián)關(guān)系挖掘方法對(duì)比Fig.6 Comparison of three communication relationship discovery methods

從以上的研究現(xiàn)狀中可以發(fā)現(xiàn)，用頻行為分析和網(wǎng)絡(luò)拓?fù)渥R(shí)別兩類研究都在按照從以特征工程為著眼點(diǎn)的傳統(tǒng)方法到基于深度學(xué)習(xí)的新方法的發(fā)展進(jìn)程演化，深度學(xué)習(xí)方法因其強(qiáng)大的特征表征能力在解決通信頻譜行為分析問題中具有較強(qiáng)優(yōu)勢(shì)。但同時(shí)也需注意，深度學(xué)習(xí)方法對(duì)樣本數(shù)據(jù)量和標(biāo)簽量的要求相對(duì)較高，因此需要更具適應(yīng)性的改進(jìn)才能適用于電磁對(duì)抗環(huán)境中。

2.3 通信意圖推理

用頻行為分析和網(wǎng)絡(luò)拓?fù)渥R(shí)別分別回答了通信態(tài)勢(shì)感知任務(wù)中“誰在通信”和“誰與誰通信”的問題，而通信意圖推理則旨在回答“如何通信”與“為何通信”，以實(shí)現(xiàn)對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)更高層次的感知。通信行為識(shí)別和通信網(wǎng)絡(luò)結(jié)構(gòu)分析是實(shí)現(xiàn)通信意圖推理的主要技術(shù)支持，通過了解通信行為與通信層級(jí)結(jié)構(gòu)，明晰當(dāng)前局勢(shì)輔助決策部署。

2.3.1 通信行為識(shí)別

在電磁對(duì)抗環(huán)境下的通信網(wǎng)絡(luò)中，不同通信主體由于職責(zé)劃分、業(yè)務(wù)性質(zhì)和層級(jí)部署的不同，在通信行為上也顯示出不同的特征。對(duì)通信網(wǎng)絡(luò)拓?fù)渥R(shí)別可以完成通信網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)的建立，在此基礎(chǔ)上對(duì)通信實(shí)體間的通信行為進(jìn)行識(shí)別，可以進(jìn)一步感知當(dāng)前通信態(tài)勢(shì)，實(shí)現(xiàn)通信意圖推理。本文中通信行為是相對(duì)于通信頻譜行為的狹義概念，指通信主體在通信過程中表現(xiàn)出的與通信意圖相關(guān)的活動(dòng)特征，例如：通信頻次、通信時(shí)長(zhǎng)、通聯(lián)規(guī)律和交互行為規(guī)律等。最傳統(tǒng)直觀的通信行為識(shí)別和通信意圖推理方法是監(jiān)聽與破譯，通過監(jiān)聽方式截獲信號(hào)［49?52］，然后對(duì)所截獲信號(hào)的內(nèi)容進(jìn)行分析和識(shí)別。此類方法的優(yōu)點(diǎn)是可以準(zhǔn)確把握通信行為甚至理解通信內(nèi)容，獲得深層次的情報(bào)信息，但此類方法也存在諸多問題。首先，對(duì)監(jiān)測(cè)數(shù)據(jù)的質(zhì)量要求較高，這對(duì)監(jiān)測(cè)環(huán)境、監(jiān)測(cè)設(shè)備皆有極高要求。同時(shí)，技術(shù)方法復(fù)雜，實(shí)際操作困難，對(duì)監(jiān)聽數(shù)據(jù)進(jìn)行破譯通常需要冗長(zhǎng)而復(fù)雜的分析過程，難以適用于缺乏先驗(yàn)信息并具有高實(shí)時(shí)性需求的電磁頻譜對(duì)抗環(huán)境。為此，文獻(xiàn)［53］證明了在不了解通信內(nèi)容的前提下，僅憑監(jiān)測(cè)到的物理層頻譜感知數(shù)據(jù)進(jìn)行通信行為識(shí)別的可行性。這意味著在未知信號(hào)內(nèi)容、信號(hào)形式等具體技術(shù)細(xì)節(jié)的條件下，可以利用頻譜感知數(shù)據(jù)所呈現(xiàn)出的特征實(shí)現(xiàn)對(duì)通信行為的識(shí)別。

在通信行為識(shí)別問題研究中以深度學(xué)習(xí)為代表的人工智能方法在近期得到了快速的發(fā)展［54］。面對(duì)電磁對(duì)抗條件下監(jiān)測(cè)數(shù)據(jù)不完全、數(shù)據(jù)量匱乏等問題，深度神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)等技術(shù)在解決各類數(shù)據(jù)困境上都展現(xiàn)出不俗的效果。

為直接利用物理層通信行為監(jiān)測(cè)數(shù)據(jù)，文獻(xiàn)［55］將通信行為識(shí)別問題轉(zhuǎn)化為圖像識(shí)別問題，利用DenseNet 進(jìn)行通信行為識(shí)別。文獻(xiàn)［56］使用改進(jìn)的Lenet 對(duì)雙譜特征矩陣進(jìn)行識(shí)別，從而實(shí)現(xiàn)非合作條件下的短波電臺(tái)通信行為識(shí)別。由于深度學(xué)習(xí)對(duì)訓(xùn)練數(shù)據(jù)量要求高，而電磁頻譜對(duì)抗條件下的監(jiān)測(cè)數(shù)據(jù)往往面臨“小樣本”難題，生成對(duì)抗網(wǎng)絡(luò)方法（Generative adversarial network，GAN）［57］被廣泛應(yīng)用于“小樣本”條件下頻譜數(shù)據(jù)的增強(qiáng)。輔助分類生成對(duì)抗網(wǎng)絡(luò)（Auxiliary classifier GAN，ACGAN）能夠有效增強(qiáng)非合作短波電臺(tái)的通信連接建立行為數(shù)據(jù)，實(shí)驗(yàn)表明，在“小樣本”條件下經(jīng)過ACGAN 進(jìn)行數(shù)據(jù)增強(qiáng)的樣本可以提升相同網(wǎng)絡(luò)模型的通信行為識(shí)別準(zhǔn)確率［58］。當(dāng)所研究頻段的樣本數(shù)據(jù)匱乏，而其他頻段具有相似通信行為的樣本數(shù)據(jù)充足時(shí)，可以將GAN 技術(shù)與遷移學(xué)習(xí)融合，通過一種聯(lián)合框架解決頻譜數(shù)據(jù)稀缺的問題［59］。在識(shí)別以用戶交互方式為特征的通信行為時(shí)，為應(yīng)對(duì)稀缺頻譜數(shù)據(jù)帶來的“小樣本”難題，文獻(xiàn)［60］提出基于深度卷積生成對(duì)抗網(wǎng)絡(luò)（Deep convolutional GAN，DCGAN）的數(shù)據(jù)增強(qiáng)通信行為識(shí)別方案以應(yīng)對(duì)數(shù)據(jù)稀缺帶來的識(shí)別困難，其識(shí)別結(jié)果如圖7 所示。橫坐標(biāo)表示基于DCGAN 數(shù)據(jù)增強(qiáng)方法進(jìn)行數(shù)據(jù)增強(qiáng)后加入訓(xùn)練樣本的數(shù)據(jù)量，即增強(qiáng)樣本數(shù)據(jù)量。縱坐標(biāo)中是原始樣本與增強(qiáng)樣本共同訓(xùn)練的通信行為識(shí)別網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率。不同顏色與圖標(biāo)表示不同的原始樣本量。從結(jié)果上看在原始樣本量不足情況下，通信行為識(shí)別準(zhǔn)確率會(huì)隨著增強(qiáng)樣本量的增加而顯著增加，因?yàn)樵鰪?qiáng)樣本的加入改善了因樣本量不足所導(dǎo)致的網(wǎng)絡(luò)欠擬合問題。原始樣本經(jīng)增強(qiáng)后能夠逼近甚至超越10 倍原始數(shù)據(jù)量才能實(shí)現(xiàn)的識(shí)別準(zhǔn)確率。同時(shí)，作者對(duì)使用GAN 方法所帶來的時(shí)間、空間復(fù)雜度進(jìn)行了討論，其中使用基于DCGAN 的數(shù)據(jù)增強(qiáng)識(shí)別方案對(duì)比只使用CNN 識(shí)別網(wǎng)絡(luò)在時(shí)間復(fù)雜度和空間復(fù)雜度上分別增加2 和1 個(gè)數(shù)量級(jí)。這說明雖然GAN 技術(shù)的應(yīng)用緩解了由數(shù)據(jù)稀缺帶來的通信行為識(shí)別準(zhǔn)確率低的問題，卻增加了識(shí)別算法中的計(jì)算復(fù)雜度和時(shí)間復(fù)雜度。

圖7 基于DCGAN 數(shù)據(jù)增強(qiáng)的通信行為識(shí)別方法準(zhǔn)確率Fig.7 Accuracy of DCGAN based communication behavior recognition method

可見，利用深度學(xué)習(xí)方法可以應(yīng)對(duì)電磁對(duì)抗條件下數(shù)據(jù)稀缺和先驗(yàn)知識(shí)不足的問題，但是在應(yīng)用中存在知識(shí)、數(shù)據(jù)條件與模型復(fù)雜度之間的匹配問題。先驗(yàn)知識(shí)的不足可以利用深度學(xué)習(xí)的特征提取能力彌補(bǔ)，但要以大規(guī)模的訓(xùn)練樣本為代價(jià)。當(dāng)數(shù)據(jù)量不足時(shí)，使用深度網(wǎng)絡(luò)中的數(shù)據(jù)增強(qiáng)模型能夠一定程度地緩解困境，但與之相應(yīng)的是模型計(jì)算成本的大幅增加。因此，根據(jù)實(shí)際場(chǎng)景中的知識(shí)、數(shù)據(jù)條件，提出與之匹配的通信頻譜行為分析方案是電磁頻譜行為分析問題中的全新挑戰(zhàn)。

2.3.2 網(wǎng)絡(luò)結(jié)構(gòu)分析

在電磁對(duì)抗環(huán)境中，通信網(wǎng)絡(luò)結(jié)構(gòu)分析是在已知通信主體與通聯(lián)關(guān)系的基礎(chǔ)上，結(jié)合通信行為特征，對(duì)通信網(wǎng)絡(luò)中組織架構(gòu)、層級(jí)結(jié)構(gòu)進(jìn)行的歸納整合，是通信意圖推理研究中的重點(diǎn)環(huán)節(jié)。

社團(tuán)結(jié)構(gòu)是現(xiàn)實(shí)世界網(wǎng)絡(luò)的重要特征，可以揭示網(wǎng)絡(luò)的結(jié)構(gòu)和動(dòng)態(tài)特征。社團(tuán)結(jié)構(gòu)檢測(cè)是指根據(jù)網(wǎng)絡(luò)中相互作用節(jié)點(diǎn)的結(jié)構(gòu)特性來識(shí)別它們的過程［61］。電磁對(duì)抗環(huán)境中，在完成通信行為識(shí)別的前序工作后可以掌握通信網(wǎng)絡(luò)中大量通信行為相關(guān)特征，從而對(duì)通信網(wǎng)絡(luò)中的社團(tuán)結(jié)構(gòu)進(jìn)行檢測(cè)。

現(xiàn)存的各類社團(tuán)檢測(cè)方法同樣適用于通信網(wǎng)絡(luò)。文獻(xiàn)［62］從層次分析法的角度提出一種基于可達(dá)通信距離排序的社團(tuán)檢測(cè)算法。通過構(gòu)建多分辨率的通信密度嵌入樹，可以顯示社團(tuán)內(nèi)的層次結(jié)構(gòu)和關(guān)鍵成員。通過修剪嵌入樹，可以降低社團(tuán)檢測(cè)和層次結(jié)構(gòu)分析過程中的計(jì)算復(fù)雜度。文獻(xiàn)［63］提出一種基于IP 節(jié)點(diǎn)之間通信行為相似性的社團(tuán)結(jié)構(gòu)檢測(cè)方法，通過分析網(wǎng)絡(luò)節(jié)點(diǎn)之間的通信關(guān)系和交互頻率，將具有最高相似度的節(jié)點(diǎn)迭代添加到社團(tuán)中，以形成最終的社團(tuán)劃分結(jié)果，實(shí)驗(yàn)顯示在4 類網(wǎng)絡(luò)數(shù)據(jù)集上的誤差均小于5%。文獻(xiàn)［64］基于已有的關(guān)系譜分析方法，利用節(jié)點(diǎn)分布和高維空間中的坐標(biāo)特征，結(jié)合計(jì)算機(jī)視覺分析方法在構(gòu)建全局拓?fù)浣Y(jié)構(gòu)的過程中對(duì)節(jié)點(diǎn)和邊界進(jìn)行篩選和過濾，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)拓?fù)涞奶剿骱涂梢暬?。由于網(wǎng)絡(luò)的多樣性，任何社團(tuán)結(jié)構(gòu)檢測(cè)算法都無法通用于所有類型的網(wǎng)絡(luò)［65?66］，適應(yīng)一種網(wǎng)絡(luò)類型的算法可能在另一種網(wǎng)絡(luò)類型中的性能就會(huì)較差。傳統(tǒng)社團(tuán)檢測(cè)中存在的困難包括混合類型數(shù)據(jù)的聚類、評(píng)估困難、全局信息可用性、瞬時(shí)社團(tuán)檢測(cè)和社團(tuán)數(shù)量估計(jì)等，這些問題同樣存在于通信網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)檢測(cè)，也是電磁對(duì)抗條件下網(wǎng)絡(luò)結(jié)構(gòu)分析需要關(guān)注的問題。

網(wǎng)絡(luò)結(jié)構(gòu)分析在前序工作的基礎(chǔ)上進(jìn)行，電磁對(duì)抗環(huán)境中頻譜數(shù)據(jù)的局限性雖然不直接作用于其分析結(jié)果，但前序工作的誤差仍然會(huì)影響網(wǎng)絡(luò)結(jié)構(gòu)分析的準(zhǔn)確度，過于復(fù)雜的分析過程和嚴(yán)苛的先驗(yàn)信息條件也會(huì)降低方法在對(duì)抗環(huán)境中的適應(yīng)性。考慮結(jié)合模糊理論分析前序結(jié)果確信度，形成具有決策導(dǎo)向的結(jié)論，同時(shí)對(duì)算法復(fù)雜度的考量也應(yīng)納入分析方法評(píng)價(jià)體系。當(dāng)前電磁對(duì)抗條件下的網(wǎng)絡(luò)結(jié)構(gòu)分析研究還存在較大可探索空間。

3 結(jié)束語

本文對(duì)電磁頻譜對(duì)抗條件下通信頻譜行為相關(guān)研究進(jìn)行綜述，從用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別和通信意圖推理3 個(gè)方面，總結(jié)各類方法的發(fā)展現(xiàn)狀。從研究現(xiàn)狀上看，當(dāng)前電磁頻譜行為分析正在完成由“認(rèn)知”向“智能”的轉(zhuǎn)變，以深度學(xué)習(xí)為代表的人工智能技術(shù)在頻譜數(shù)據(jù)增強(qiáng)、特征提取、模式識(shí)別等方面的融合應(yīng)用，在解決實(shí)際頻譜對(duì)抗條件下的數(shù)據(jù)不完全、“小樣本”難題等實(shí)際困難上具有良好效果。表1 分別展示了用頻行為分析、網(wǎng)絡(luò)拓?fù)渥R(shí)別和通信意圖推理對(duì)應(yīng)技術(shù)方法的總結(jié)與比較。

表1 通信頻譜行為分析方法總結(jié)與比較Table 1 Comparison of communication spectral behavior analysis methods

從整體上看，傳統(tǒng)方法的主要缺點(diǎn)是對(duì)先驗(yàn)信息的要求高，且大多技術(shù)難度較高、處理過程較為漫長(zhǎng)。而基于深度學(xué)習(xí)的方法通過訓(xùn)練深度模型自動(dòng)提取特征，憑借對(duì)細(xì)微特征的提取能力在識(shí)別任務(wù)中具有較高的精度，并且能以數(shù)據(jù)增強(qiáng)的方式緩解數(shù)據(jù)量不足帶來的特征學(xué)習(xí)困難問題，但隨之而來的是算法復(fù)雜度的上升。對(duì)通信頻譜行為分析方法的選擇主要取決于知識(shí)與數(shù)據(jù)條件。較強(qiáng)的先驗(yàn)知識(shí)和高質(zhì)量的監(jiān)測(cè)頻譜數(shù)據(jù)可以使用簡(jiǎn)單的分析方法，缺乏先驗(yàn)知識(shí)或監(jiān)測(cè)數(shù)據(jù)的情況則需要選擇較為復(fù)雜的模型，犧牲復(fù)雜度以換取高性能的分析。在不同的數(shù)據(jù)條件下，應(yīng)根據(jù)實(shí)際需求進(jìn)行權(quán)衡，采用適宜的電磁通信頻譜行為分析策略?；仡櫳衔膶?duì)通信頻譜行為分析研究現(xiàn)狀的綜述，結(jié)合電磁對(duì)抗環(huán)境中存在的挑戰(zhàn)，當(dāng)前通信頻譜行為分析方法的研究中仍存在諸多局限：

（1）頻譜行為分析領(lǐng)域聚焦通信意圖推理的研究較少。頻譜感知與預(yù)測(cè)技術(shù)在民用領(lǐng)域影響廣泛，但在以通信意圖推理為目的的頻譜行為分析領(lǐng)域尚存空白。當(dāng)前對(duì)通信網(wǎng)絡(luò)拓?fù)渥R(shí)別的研究大多停留在通信網(wǎng)絡(luò)中的通聯(lián)關(guān)系層面，解決了“有無通信”、“誰在通信”的問題，但對(duì)不同通信行為（包括通信的意圖、性質(zhì)等）的關(guān)注較少，缺乏從點(diǎn)到面的全局視野。然而，實(shí)現(xiàn)以通信意圖推理為目標(biāo)的通信頻譜行為分析是明晰當(dāng)前局勢(shì)、決策行動(dòng)部署的關(guān)鍵依據(jù)，其對(duì)提升頻譜偵察能力、增強(qiáng)電磁頻譜戰(zhàn)的核心戰(zhàn)斗力至關(guān)重要。

（2）對(duì)電磁對(duì)抗環(huán)境下電磁頻譜行為分析過程的時(shí)效性關(guān)注不夠。利用深度網(wǎng)絡(luò)學(xué)習(xí)通信頻譜行為時(shí)，不論是行為分析模型還是數(shù)據(jù)增強(qiáng)模型，其訓(xùn)練過程都極為耗時(shí)，與實(shí)戰(zhàn)條件下實(shí)時(shí)決策的需求產(chǎn)生矛盾。如何在不影響通信頻譜行為分析準(zhǔn)確性的前提下，盡可能提高網(wǎng)絡(luò)訓(xùn)練速度，實(shí)現(xiàn)高效化生成、識(shí)別有待進(jìn)一步探究。

（3）對(duì)電磁對(duì)抗環(huán)境下知識(shí)、數(shù)據(jù)條件的關(guān)注較少。在實(shí)際頻譜對(duì)抗中，不同時(shí)間、地點(diǎn)和環(huán)境中獲得的知識(shí)、數(shù)據(jù)條件是不同的。知識(shí)、數(shù)據(jù)條件的不同決定了對(duì)數(shù)據(jù)的運(yùn)用方式的差異，當(dāng)前研究把注意力更多地放在頻譜數(shù)據(jù)的分析方法上，而對(duì)其所利用的數(shù)據(jù)條件關(guān)注較少。如何適應(yīng)性地綜合利用數(shù)據(jù)條件，選擇與之適配的方法進(jìn)行電磁頻譜行為分析是值得進(jìn)一步研究的方向。

綜上，展望未來電磁對(duì)抗環(huán)境下的電磁通信頻譜行為分析研究，需要在智能化背景下，關(guān)注行為邏輯，落腳通信意圖，提升分析結(jié)果的決策輔助力；優(yōu)化網(wǎng)絡(luò)模型，提升方法時(shí)效性，尋求識(shí)別準(zhǔn)確率與效率之間的平衡；增強(qiáng)運(yùn)用不同知識(shí)、數(shù)據(jù)條件的能力，設(shè)計(jì)實(shí)用、高效的頻譜行為分析方案。最終實(shí)現(xiàn)通信電磁頻譜態(tài)勢(shì)從“感知”到“認(rèn)知”，從“認(rèn)知”到“智能”的跨越，提升我軍在未來電磁頻譜戰(zhàn)中的核心戰(zhàn)斗力。