何雨桐，朱立東，施文軍

(電子科技大學通信抗干擾技術國家級重點實驗室，四川 成都611731)

0 引言

跳頻技術可以在干擾方采用一些單音干擾、多音干擾等情況下，通過變換工作頻率，使信息傳輸避開干擾，保證通信的效率和質量。近年來，跳頻通信技術已得到廣泛應用,為了有效對抗跳頻技術，自適應干擾技術得以發(fā)展，文獻[1]采用了卷積神經(jīng)網(wǎng)絡(CNN)時頻特性對調制方式進行研究，其核心在于研究收發(fā)雙方的跳頻圖案后通過數(shù)據(jù)采集和數(shù)據(jù)處理技術對跳頻圖案進行預測。然而，現(xiàn)在的跳頻系統(tǒng)對于跳頻圖案也進行了諸多優(yōu)化和升級，例如采用偽隨機序列設計的跳頻圖案具有隨機性強、分布廣泛且均勻等特點，極具迷惑性，讓干擾方難以預測。近年來，諸多自適應干擾為了高效破壞跳頻過程，開始利用神經(jīng)網(wǎng)絡來捕獲跳頻系統(tǒng)中的同步頻率集。

同步頻率集是跳頻系統(tǒng)中專門用于同步信息傳遞的頻點集合。在一個跳頻系統(tǒng)中，頻點被分為數(shù)據(jù)跳和同步跳，數(shù)據(jù)跳主要用于傳遞數(shù)據(jù)信息，而同步跳主要用于傳遞同步信息(例如：時間信息、密鑰、用于接收機捕獲和進行抗頻偏處理的一些同步頭等)。通常情況下，出于跳頻同步的功能需要，每個同步跳中的跳頻碼序列都必須具有周期性。在通信過程中，為了時間捕獲、抗頻偏處理和同步保持，需要定期加入同步跳。對于干擾方而言，只要能夠干擾同步跳，就可以阻斷收發(fā)雙方的同步過程，讓接收機無法正確接收信息，一種新的自適應干擾方式由此產(chǎn)生。文獻[2]采用了RBF網(wǎng)絡對跳頻圖案進行分析，在極短的時間內(nèi)分析出跳頻系統(tǒng)的同步過程，找出同步頻率集。由于同步頻率集具有固定周期，其特征非常易于識別，干擾方只需要分析出用于同步的幾個固定頻點，即可對同步跳施加干擾，精準且快速地破壞通信系統(tǒng)[3]?；诖吮尘斑M行研究，提出一種自適應切換同步頻率集方法可以在有效迷惑非合作方的前提下盡可能降低切換速率，有效保障系統(tǒng)性能。

1 跳頻系統(tǒng)幀結構設計

為了應對高動態(tài)大頻偏等復雜的環(huán)境，采用了如下的幀結構設計：假設本系統(tǒng)的工作頻率可能是500 MHz帶寬內(nèi)的任何位置，將500 MHz帶寬均分為50個頻段，每個頻段帶寬為10 MHz。跳速為20 000 hop/s。當系統(tǒng)工作于Ka頻，且多普勒頻移達到600 kHz時，為了捕獲信號設計出如下幀結構：每一同步幀中，有8跳作為數(shù)據(jù)跳，2跳作為同步跳，由此產(chǎn)生跳頻圖案。

通信系統(tǒng)是碼分多址(CDMA)系統(tǒng)，系統(tǒng)中的物理信道配置由復幀、幀和時隙組成：

時隙(slot)：持續(xù)時間為0.6 ms,一個時隙內(nèi)包含10跳；

幀：持續(xù)時間為30 ms,一個幀內(nèi)包含50個時隙；

復幀：持續(xù)時間為600 ms,一個幀內(nèi)包含20個幀。

圖1為跳頻系統(tǒng)的幀結構設計，可以看出，整個跳頻圖案由復雜度低、周期短的同步跳序列與混沌序列組成的數(shù)據(jù)跳序列拼接而成。為了對抗文獻[4]中提出的干擾類型，保護同步跳的安全，設計出如圖2所示的跳頻同步更新模式，以實現(xiàn)抗干擾、抗截獲的目的。

圖1 跳頻系統(tǒng)同步幀結構設計Fig.1 Design of synchronous frame structure for frequency hopping system

圖2 自適應跳頻系統(tǒng)更新方式Fig.2 Adaptive frequency hopping system update method

2 神經(jīng)網(wǎng)絡模型

跳頻圖案實際上是一種復雜的時間序列，而循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network，RNN)是一種能夠處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡模型，其最重要的特點是神經(jīng)元某一時刻的輸出可以作為輸入再次輸入給神經(jīng)元，保留了數(shù)據(jù)之間的依賴關系。因此RNN的串聯(lián)式結構解決了早期神經(jīng)網(wǎng)絡的時序推理問題，可以用于處理跳頻圖案數(shù)據(jù)[5-6]。

但是對于跳頻圖案這種較長的時間序列數(shù)據(jù)，RNN在序列交替的反向傳播過程中容易出現(xiàn)梯度消失或者梯度爆炸的問題，這導致在訓練過程中，梯度不能在較長序列中一直傳遞下去，從而使RNN無法捕捉到長距離的影響。

而長短時記憶網(wǎng)絡(Long Short-term Memory，LSTM)是一種特殊的RNN，其具有記憶狀態(tài)單元和“門”結構。這種特殊的結構能夠使LSTM網(wǎng)絡在訓練過程中的誤差在反向傳播過程中不再依次傳遞，從而克服誤差反向傳播時的梯度爆炸問題。同時LSTM網(wǎng)絡通過在RNN隱藏層中加入的3個“門”結構，選擇性地將之前時刻有用的循環(huán)信息長時間記憶、傳遞至以后的訓練模型中，避免因循環(huán)結構產(chǎn)生重復計算，以此解決了傳統(tǒng)RNN在訓練長跳頻序列中存在的梯度消失問題。

LSTM的核心思想是使用遺忘門ft、輸入門it和輸出門ot作為控制開關來實現(xiàn)對跳頻序列信息的提取和處理。LSTM神經(jīng)網(wǎng)絡單元結構如圖3所示。

圖3 LSTM神經(jīng)網(wǎng)絡單元結構圖Fig.3 LSTM neural network unit structure diagram

門控循環(huán)單元(Gate Recurrent Unit,GRU)是LSTM的一種變體，其對LSTM模型進行了改進，和LSTM相比GRU保留了其克服長期依賴問題的能力，同時又減少了“門”的數(shù)量，可以節(jié)省更多訓練時間[7]。

GRU實際上是將LSTM中的遺忘門和輸入門合成一個新的更新門zt，用重置門rt替換LSTM中的輸出門，GRU神經(jīng)網(wǎng)絡單元結構如圖4所示。

圖4 GRU神經(jīng)網(wǎng)絡單元結構圖Fig.4 GRU neural network unit structure diagram

與LSTM網(wǎng)絡相比，GRU同樣能克服傳統(tǒng)RNN的長期依賴問題，保證了預測準確性的同時，門結構數(shù)量的減少，加快了網(wǎng)絡訓練時間。因此，GRU相比于傳統(tǒng)RNN和LSTM，更適合用來處理較長的跳頻圖案序列[8-9]。

表1為LSTM網(wǎng)絡和GRU網(wǎng)絡處理同一組數(shù)據(jù)所耗時間統(tǒng)計。不難看出，使用GRU網(wǎng)絡可以在一定程度上節(jié)約訓練時間，對跳頻系統(tǒng)來說，每秒鐘都會生成數(shù)以萬計的樣本數(shù)據(jù)，所以采用GRU網(wǎng)絡的實時預測能力會明顯優(yōu)于LSTM網(wǎng)絡。

表1 訓練時間與訓練次數(shù)的關系Tab.1 Relationship between training time and training times

3 仿真及結果分析

在跳頻系統(tǒng)中，采用混沌序列的數(shù)據(jù)生成跳頻圖案的流程如圖5所示。

圖5 混沌序列跳頻圖案生成過程Fig.5 Generation process of chaotic sequence frequency hopping pattern

混沌序列是一種復雜的偽隨機序列，從理論上講，它是無理數(shù)，沒有周期。所以，用混沌序列作為跳頻圖案能夠很好地避免非合作方實施的跟蹤干擾[10]。同時，混沌跳頻系統(tǒng)具有系統(tǒng)具備初值敏感性和拓撲傳遞性等優(yōu)勢，混沌序列生成器中的初值、映射方式或者擾動系數(shù)只要有細微的變化，就會使得生成結果相差甚遠，在極大程度上具有優(yōu)良的保密性能。

在預設的跳頻圖案中，數(shù)據(jù)跳采用了Cat序列。Cat 序列是一種二維離散混沌系統(tǒng)，其映射定義式為：

式中，mod1表示取小數(shù)點后的部分，不難發(fā)現(xiàn)xn和yn的范圍都在0～1之間[11]。

對Cat映射作為X和Y的生成映射，即X和Y為兩個混沌序列，按照上述步驟進行仿真。圖6為Cat序列自相關函數(shù)曲線，可見Cat序列不僅隨機性強，遍歷性好，其相關性能也非常良好，十分適合作為跳頻序列使用。

圖6 Cat序列自相關函數(shù)曲線Fig.6 Autocorrelation function curve of cat series

采用GRU網(wǎng)絡對跳頻圖案進行學習并預測本文的跳頻圖案，分析在GRU網(wǎng)絡下傳統(tǒng)跳頻系統(tǒng)的同步頻率集被捕獲的時間，對同步頻率集變換周期進行調整，從而達到對抗自適應干擾的目的[12]。圖7為GRU預測混沌序列下的完整跳頻圖案。不難看出，神經(jīng)網(wǎng)絡對于混沌序列的調頻圖案預測性能非常差，數(shù)據(jù)跳部分的預測結果與實際的跳頻圖案幾乎完全不同?？梢?，Cat序列的隨機性非常好，對于網(wǎng)絡而言，難以預測[13-14]。

圖7 GRU預測混沌序列下的完整跳頻圖案Fig.7 GRU neural network predicts frequency hopping pattern of chaotic sequence

圖8為同步頻率集變換周期為500跳變換一次時，導入跳頻圖案的前2 000跳作為樣本進行訓練后GRU網(wǎng)絡預測出的跳頻圖案。在GRU網(wǎng)絡下，雖然由混沌序列生成的數(shù)據(jù)跳跳頻圖案難以預測，復雜度低的同步跳還是易于預測，且對同步跳的圖案預測準確率高達95%以上[15]。圖中方框處重合部分正是表示同步跳頻圖案已經(jīng)被GRU網(wǎng)絡預測到。在通信系統(tǒng)中，此時如果不對同步跳進行自適應變換，非合作方只需要定時針對同步頻率集進行干擾，就足以破壞整個通信過程[16]。

圖8 GRU網(wǎng)絡預測跳頻圖案Fig.8 GRU neural network predicts complete frequency hopping patterns

圖9為同步頻率集每500跳切換一次時LSTM網(wǎng)絡輸入2 000跳數(shù)據(jù)作為學習樣本預測傳統(tǒng)跳頻圖案的結果。不難看出，傳統(tǒng)LSTM網(wǎng)絡通過學習依然可以輕松預測出同步跳的跳頻圖案。

圖9 LSTM網(wǎng)絡預測跳頻圖案Fig.9 LSTM network predicts frequency hopping patterns

為應對這種自適應干擾，自適應跳頻系統(tǒng)可以將GRU網(wǎng)絡準確預測同步跳頻圖案的頻率作為訓練樣本，自適應更改切換一次同步頻率集的時間間隔，這更有利于安全穩(wěn)定的傳輸信號[17]。降低神經(jīng)網(wǎng)絡可訓練的樣本數(shù)量后，其預測的效率會大大降低。

圖10為LSTM網(wǎng)絡預測自適應的跳頻圖案，此時，同步頻率集切換間隔變?yōu)?00跳。不難發(fā)現(xiàn)當更新映射方式，自適應地使用200跳切換同步頻率集后，LSTM網(wǎng)絡在學習2 000跳后依然無法準確預測跳頻圖案。

圖11為GRU網(wǎng)絡預測自適應跳頻圖案，在導入2 000跳作為學習樣本后，GRU網(wǎng)絡預測頻點序號的絕對誤差小于LSTM網(wǎng)絡，但在100跳的圖案中，GRU網(wǎng)絡依然沒有成功預測到同步跳頻圖案。

圖12為LSTM網(wǎng)絡和GRU網(wǎng)絡對預測同步頻率集不同切換周期時的精度。

圖10 LSTM網(wǎng)絡預測自適應的跳頻圖案Fig.10 LSTM network predicts frequency hopping patterns

圖11 GRU網(wǎng)絡預測自適應跳頻圖案Fig.11 GRU network predicts adaptive frequency hopping pattern

圖12 LSTM網(wǎng)絡和GRU網(wǎng)絡對預測同步頻率集不同切換周期時的精度Fig.12 Accuracy comparison between LSTM network and GRU network for predicting synchronization frequency sets with different switching periods

經(jīng)過仿真驗證，在本系統(tǒng)條件下低于每200跳更換一次同步頻率集，GRU預測的準確率幾乎為零。在時鐘信息高位部分跳頻同步模式下，通常在幾秒鐘內(nèi)都不會更新同步頻率集，GRU網(wǎng)絡可以輕易地預測出同步跳頻圖案。通過基于GRU網(wǎng)絡的抗截獲技術研究，在干擾方使用GRU網(wǎng)絡對系統(tǒng)施加跟蹤干擾時，自適應地根據(jù)信道環(huán)境，結合模擬非合作方捕獲系統(tǒng)的跳頻圖案，找出適宜的同步頻率集切換速度，既不會很大程度上提高系統(tǒng)復雜度，還可以達到抗截獲和自適應跟蹤干擾的目的[18]。

4 結論

本文針對基于神經(jīng)網(wǎng)絡的跟蹤干擾問題，對其原理進行了簡要介紹，并提出了兩種先進的網(wǎng)絡進行測試。與傳統(tǒng)RNN網(wǎng)絡相比，LSTM網(wǎng)絡和GRU網(wǎng)絡的訓練成本低，用于預測同步跳頻圖案的效果顯著。LSTM的檢測效果與GRU網(wǎng)絡差距較小，但是其復雜度更高，用GRU網(wǎng)絡預測同步跳頻圖案成為了一個很好的參考方式。在此基礎上進行一系列自適應同步跳頻圖案切換方案研究可以有效避免基于神經(jīng)網(wǎng)絡的跟蹤干擾，提高通信系統(tǒng)的抗干擾和抗截獲能力。同時，也在安全基礎上最大程度降低了同步頻率集切換速度，得到一個對抗GRU網(wǎng)絡預測的最優(yōu)切換速率，使得系統(tǒng)性能在最大程度上得到保障。