摘要： 針對(duì)復(fù)雜電磁環(huán)境下，傳統(tǒng)電子干擾方法對(duì)目標(biāo)信號(hào)識(shí)別困難、干擾效能弱化等問(wèn)題，提出了一種基于自注意力邊界平衡生成對(duì)抗網(wǎng)絡(luò)的干擾信號(hào)生成模型。所提模型利用上采樣模塊來(lái)增強(qiáng)生成數(shù)據(jù)的適應(yīng)度，引入自注意力機(jī)制來(lái)兼顧信號(hào)特征提取的局部性與全局性，既使結(jié)果更精準(zhǔn)，又降低了計(jì)算復(fù)雜度。同時(shí)，利用基于自編碼器架構(gòu)的判別器來(lái)促進(jìn)模型快速穩(wěn)定地收斂。實(shí)驗(yàn)結(jié)果表明，該模型能對(duì)非合作目標(biāo)信號(hào)進(jìn)行自適應(yīng)識(shí)別與學(xué)習(xí)，自動(dòng)生成對(duì)應(yīng)的干擾信號(hào)，且干擾效能優(yōu)于傳統(tǒng)干擾算法及經(jīng)典生成對(duì)抗網(wǎng)絡(luò)模型算法，為基于機(jī)器學(xué)習(xí)的通信對(duì)抗技術(shù)提供了新的研究思路。

關(guān)鍵詞： 通信對(duì)抗; 生成對(duì)抗網(wǎng)絡(luò); 自注意力機(jī)制; 自編碼器; 信號(hào)生成

中圖分類號(hào)： TN 975

文獻(xiàn)標(biāo)志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.34

Generation and efficiency analysis of communication jamming signal based on SABEGAN

XUE Lisha， GE Ruixing， ZHU Yuxuan， BAO Yanfei^*

（Unit 32802 of the PLA， Beijing 100083， China）

Abstract： Aiming at the problems of difficult target signal identification and weakened jamming effectiveness of traditional electronic jamming methods in complex electromagnetic environment， a jamming signal generation model based on self-attentive boundary-balanced generative adversarial network is proposed. The proposed model uses the up-sampling module to enhance the fineness of the generated data， and introduces the self-attention mechanism to take into account the local and global nature of the signal feature extraction， which not only makes the results more accurate， but also reduces the computational complexity. A discriminator based on the self-encoder architecture is also used to facilitate the fast and stable convergence of the model. The experimental results show that the proposed model can adaptively identify and learn the non-cooperative target signals and automatically generate the corresponding jamming signals， and the jamming efficiency is better than the traditional jamming algorithms and the classical generative adversarial network model algorithms， which provides a new research idea for the communication adversarial technology based on machine learning.

Keywords： communication countermeasures; generative adversarial network; self-attention mechanism; self-encoder; signal generation

0 引 言

隨著通信和網(wǎng)絡(luò)技術(shù)的發(fā)展進(jìn)步，無(wú)線通信環(huán)境愈發(fā)復(fù)雜、多樣，電磁信號(hào)呈現(xiàn)模式多樣、制式多變、智能化和高適應(yīng)性等特點(diǎn)^［1］。面對(duì)未知通信體制復(fù)雜信號(hào)，基于信號(hào)識(shí)別分選、參數(shù)估計(jì)提取、干擾信號(hào)生成的傳統(tǒng)通信干擾樣式面臨信號(hào)識(shí)別困難、干擾信號(hào)生成復(fù)雜的難題。

近年來(lái)，機(jī)器學(xué)習(xí)技術(shù)蓬勃發(fā)展，在眾多領(lǐng)域都得到了廣泛應(yīng)用^［2-5］。在通信對(duì)抗領(lǐng)域，也有學(xué)者對(duì)此進(jìn)行了大量研究：劉永貴等^［6］把遺傳算法和數(shù)字射頻儲(chǔ)存技術(shù)融合，有效提升了對(duì)雷達(dá)信號(hào)的欺騙式干擾效果。Amuru等^［7］基于強(qiáng)化學(xué)習(xí)對(duì)干擾成功概率進(jìn)行學(xué)習(xí)，以獲得最優(yōu)干擾策略。Wang等^［8］結(jié)合遺傳算法，提出了一種優(yōu)化的奇異頻譜分解方法，實(shí)現(xiàn)了脈沖信號(hào)的自適應(yīng)提取。然而，上述研究多基于遺傳算法，算法程序?qū)崿F(xiàn)以及模型訓(xùn)練復(fù)雜度高，且交叉率、變異率等參數(shù)多依靠經(jīng)驗(yàn)獲取，算法結(jié)果的質(zhì)量對(duì)參數(shù)選擇依賴性大。

2014年，Goodfellow等^［9］首次提出生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks， GAN）的概念。隨后GAN迅速成為了近年來(lái)的研究熱點(diǎn)，在眾多領(lǐng)域都得到了廣泛應(yīng)用^［10-14］。在無(wú)線通信中，GAN主要用于增加數(shù)據(jù)樣本和信號(hào)重構(gòu)，比如Erpek等^［15］使用GAN合成頻譜樣本來(lái)增強(qiáng)訓(xùn)練數(shù)據(jù)集，提升基于強(qiáng)化學(xué)習(xí)的干擾機(jī)性能。Davaslioglu等^［16］利用GAN為頻譜感知問(wèn)題生成訓(xùn)練數(shù)據(jù)。李蓉等^［17］為解決侵徹多層過(guò)載信號(hào)樣本數(shù)量少且仿真難的問(wèn)題，使用Info GAN模型對(duì)其進(jìn)行生成。楊鴻杰等^［18］利用邊界平衡GAN（boundary equilibrium GAN， BEGAN）重構(gòu)了二進(jìn)制相移鍵控（binary phase shift keying， BPSK）和八相移鍵控（8 phase shift keying， 8PSK）信號(hào)。

在通信干擾領(lǐng)域，干擾信號(hào)的干擾效果在一定程度上隨著干擾信號(hào)與目標(biāo)信號(hào)相關(guān)性的提升而變強(qiáng)?；谶@一特性，有些學(xué)者將GAN應(yīng)用于通信干擾信號(hào)的生成：Shi等^［19］利用GAN生成了正交相移鍵控（quadrature phase shift keying， QPSK）無(wú)線欺騙信號(hào)，其欺騙率可以達(dá)到76.2%。趙凡等^［20］使用基礎(chǔ)的GAN模型生成了BPSK、QPSK、16正交幅度調(diào)制（16 quadrature amplitude modulation， 16QAM）和BPSK等調(diào)制方式的干擾信號(hào)，其干擾效果能逼近最佳干擾效果。陳麗等^［21］利用GAN對(duì)電磁擴(kuò)頻信號(hào)頻譜數(shù)據(jù)的分布進(jìn)行學(xué)習(xí)，并生成與其相似的干擾信號(hào)。

然而，傳統(tǒng)GAN均基于卷積網(wǎng)絡(luò)，具有局部性的特點(diǎn)^［22］，其受限于感受野的大小，難以覆蓋目標(biāo)全局信息，導(dǎo)致學(xué)習(xí)到的特征不夠完整。因此，本文考慮引入自注意力機(jī)制^［23］來(lái)彌補(bǔ)上述缺點(diǎn)，通過(guò)將自注意力BEGAN（self-attention BEGAN， SABEGAN）用于通信干擾信號(hào)的生成，對(duì)目標(biāo)信號(hào)進(jìn)行深度學(xué)習(xí)，獲取其潛在分布，進(jìn)而提升干擾信號(hào)與目標(biāo)信號(hào)的相關(guān)性，以解決復(fù)雜電磁環(huán)境下的通信干擾信號(hào)生成問(wèn)題。

1 GAN

1.1 原始GAN

GAN是典型的無(wú)監(jiān)督生成模型，由生成器和判別器構(gòu)成， 其基本結(jié)構(gòu)如圖1所示。

其中，生成器用于對(duì)隨機(jī)數(shù)據(jù)進(jìn)行處理，使數(shù)據(jù)的概率分布逼近真實(shí)數(shù)據(jù)的概率分布。判別器則用于對(duì)輸入數(shù)據(jù)來(lái)自于真實(shí)樣本分布的概率進(jìn)行計(jì)算，識(shí)別數(shù)據(jù)的真假。GAN訓(xùn)練的本質(zhì)是生成器和判別器不斷博弈的過(guò)程，優(yōu)化目標(biāo)如下：

minGmaxD V（D，G）=E_x～Pdata（x）［ln D（x）］+

E_z～Pnoise（z）［ln（1－D（G（z）））］（1）

式中：E代表期望;x為真實(shí)數(shù)據(jù);P_data為真實(shí)數(shù)據(jù)的分布;z為隨機(jī)數(shù)據(jù);P_noise為隨機(jī)數(shù)據(jù)的分布;G（z）表示生成器G生成的數(shù)據(jù);D（G（z））表示判別器D判定生成數(shù)據(jù)是真實(shí)數(shù)據(jù)的概率。D（x）表示判別器D判定真實(shí)數(shù)據(jù)是真實(shí)數(shù)據(jù)的概率。

1.2 BEGAN

雖然GAN生成效果很好，但模式崩潰和訓(xùn)練不平衡等問(wèn)題嚴(yán)重限制了GAN的性能^［24］。為解決這一問(wèn)題，Berthelo等于2017年提出了BEGAN^［25］，其結(jié)構(gòu)如圖2所示。

與GAN的優(yōu)化目標(biāo)不同，BEGAN旨在使生成器生成的數(shù)據(jù)和真實(shí)數(shù)據(jù)的自編碼器誤差分布盡可能接近，從而具有更簡(jiǎn)單的訓(xùn)練過(guò)程。

BEGAN首先引入自編碼器誤差L以衡量自編碼器重構(gòu)數(shù)據(jù)與輸入數(shù)據(jù)的差距，用v表示輸入樣本，D表示自編碼器的函數(shù)：

L（v）=v－D（v）^η，

D∶R^N_x→R^N_x;η∈{1，2};v∈R^N_x（2）

然后，計(jì)算生成器生成數(shù)據(jù)的自編碼器誤差分布μ₁和真實(shí)數(shù)據(jù)的自編碼器誤差分布μ₂之間的Wasserstein距離^［26］的下界值。設(shè)Γ（μ₁，μ₂）為μ₁和μ₂所有耦合的集合，m₁，m₂∈R為μ₁和μ₂各自的均值，公式如下：

W（μ₁，μ₂）=infγ∈Γ（μ₁，μ₂）E_{（x1，x2）～γ}［x₁－x₂］（3）

式中：inf表示下界。

基于Jensen不等式，可以推導(dǎo)W（μ₁，μ₂）的下界：

inf E［x₁－x₂］≥infE［x₁－x₂］=

m₁－m₂（4）

BEGAN中，判別器的目標(biāo)是最大化式（4）中的歐氏距離。

而生成器的目標(biāo)是最小化歐氏距離，它們的損失函數(shù)可分別表示為

L_D=L（x;θ_D）－L（G（z;θ_G）;θ_D）

L_G=L（G（z;θ_G）;θ_D）（5）

式中：x為真實(shí)數(shù)據(jù);z為生成器生成的數(shù)據(jù);θ_G和θ_D為生成器和判別器的參數(shù)，隨訓(xùn)練更新。

理想狀態(tài)下，當(dāng)E［L（x）］=E［L（G（z））］時(shí)，生成器和判別器的訓(xùn)練達(dá)到均衡，但為了平衡生成目標(biāo)的多樣性和質(zhì)量，BEGAN還引入超參數(shù)γ∈（0，1）：

γ=E［L（G（z））］E［L（x）］（6）

BEGAN借鑒比例控制理論平衡E［L（G（z））］=γ·E［L（x）］。使用變量k_t表示在對(duì)L_D梯度下降時(shí)，對(duì)L（G（z_D））計(jì)算的強(qiáng)調(diào)程度，λ_k是k的比例增益。完整的BEGAN損失函數(shù)如下：

L_D=L（x）－k_t·L（G（z_D））

L_G=L（G（z_G））

k_t+1=k_t+λ_k（γL（x）－L（G（z_G）））（7）

此外，BEGAN還提出了一個(gè)衡量全局收斂性的指標(biāo)M，可用于確定網(wǎng)絡(luò)是否發(fā)生模式崩潰或何時(shí)達(dá)到最終狀態(tài)。如下所示：

M=L（x）+γL（x）－L（G（z_G））（8）

M的值越小，表明訓(xùn)練的效果越好。

2 自注意力機(jī)制

注意力機(jī)制源于人類的視覺注意力，其本質(zhì)是識(shí)別出目標(biāo)各項(xiàng)特征的重要性，生成權(quán)重系數(shù)對(duì)輸入進(jìn)行加權(quán)求和，從而有選擇地聚焦重點(diǎn)內(nèi)容，能夠在提升計(jì)算結(jié)果精準(zhǔn)度的同時(shí)，降低計(jì)算的復(fù)雜度。該機(jī)制最初提出于計(jì)算機(jī)視覺領(lǐng)域，在被Rubinstein等^［27］用于圖像分類任務(wù)后，受到了深度學(xué)習(xí)領(lǐng)域的廣泛關(guān)注，隨后又被陸續(xù)運(yùn)用于自然語(yǔ)言處理^［28］（natural language processing，NLP）、機(jī)器翻譯任務(wù)^［29］等領(lǐng)域。注意力機(jī)制的優(yōu)勢(shì)在于它能夠捕獲全局聯(lián)系，且相較于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）等模型更簡(jiǎn)單、參數(shù)更少，還可以實(shí)現(xiàn)并行計(jì)算，訓(xùn)練速度較快。

自注意力機(jī)制是注意力機(jī)制的一種，通過(guò)利用數(shù)據(jù)內(nèi)部固有的特征進(jìn)行注意力交互，既能減少對(duì)外部信息的依賴，又可以捕獲長(zhǎng)距離依賴關(guān)系。其計(jì)算公式為

式中：Q，K，V的概念源于信息檢索系統(tǒng)， 其中Q為查詢向量矩陣，代表樣本的特征;K和V鍵為一一對(duì)應(yīng)的鍵向量矩陣和值向量矩陣，K代表信息庫(kù)中信息的特征，V則是信息的內(nèi)容。點(diǎn)積可以計(jì)算兩個(gè)矩陣的相似度，故QK^T代表查詢向量與鍵向量之間的相似度。softmat（QK^T/d_k）表示各樣本與各信息間相似程度的分布，將其與V相乘可得到Attention（Q，K，V），即值向量的加權(quán)和，也就是自注意力的輸出結(jié)果。

3 SABEGAN網(wǎng)絡(luò)架構(gòu)

本文考慮將自注意力機(jī)制與BEGAN模型進(jìn)行結(jié)合，提出了SABEGAN模型以改善卷積算子的局限性，使模型能兼顧信號(hào)特征提取的局部性與全局性。

目前GAN多用于圖像生成領(lǐng)域^［24］，其訓(xùn)練樣本均為二維矩陣，而數(shù)字信號(hào)生成任務(wù)的樣本為一維，因此在移植前需要進(jìn)行適應(yīng)性調(diào)整。本文針對(duì)通信信號(hào)的屬性設(shè)計(jì)了生成器與判別器，使用BEGAN損失作為損失函數(shù)。

3.1 生成器

SABEGAN的生成器由1層全連接層、6組上采樣模塊、1組自注意力模塊和3層卷積層構(gòu)成。首先向生成器輸入序列為1通道64長(zhǎng)度的隨機(jī)噪聲，經(jīng)過(guò)全連接層后長(zhǎng)度變?yōu)? 048，再調(diào)整變?yōu)?56通道8長(zhǎng)度的序列，并進(jìn)行批歸一化。其次，將數(shù)據(jù)輸入上采樣模塊，輸出為512通道512長(zhǎng)度的序列，接著進(jìn)入自注意力模塊，通道和長(zhǎng)度不變。最后輸入卷積層，輸出1通道512長(zhǎng)度的序列，即為生成信號(hào)。生成器結(jié)構(gòu)如圖3所示。

其中，上采樣模塊包括3個(gè)卷積層，在每個(gè)卷積層后，添加了批歸一化層來(lái)提升模型的收斂速度^［30］，還將上一層的輸出數(shù)據(jù)與每個(gè)上采樣模塊的輸出數(shù)據(jù)進(jìn)行了拼接，從而增強(qiáng)了生成數(shù)據(jù)的細(xì)膩程度。

自注意力模塊的結(jié)構(gòu)如圖4所示。

自注意力模塊首先對(duì)f（x）的輸出進(jìn)行轉(zhuǎn)置，然后和g（x）的輸出相乘，再對(duì)其進(jìn)行softmax歸一化后獲得注意力圖β，β_j，i表示該模塊生成第j個(gè)區(qū)域信息時(shí)第i個(gè)區(qū)域的參與程度：

β_j，i=exp（s_ij）∑Ni=1exp（s_ij）

s_ij=f（x_i）^Tg（x_j）（10）

最后將h（x）的輸出和β相乘，得到注意層的輸出o_j=［o₁，o₂，…，o_j，…，o_N］，表達(dá)式為

o_j=∑Ni=1β_j，ih（x_i）（11）

此外，本文還引入了比例參數(shù)φ，其數(shù)值初始化為0并隨著訓(xùn)練改變，使網(wǎng)絡(luò)在優(yōu)先學(xué)習(xí)局部信息后，利用自注意力機(jī)制來(lái)探索全局信息。因此，自注意力模塊最終的輸出為

y_i=φo_i+x_i（12）

從上述計(jì)算可以看出，每一個(gè)元素的特征提取都與數(shù)據(jù)中所有的元素有關(guān)，這樣網(wǎng)絡(luò)可以提取到數(shù)據(jù)的全局特征。且自注意力模塊使用了加權(quán)求和的方法，權(quán)重由元素之間的相關(guān)性計(jì)算得出，即相關(guān)性較高的元素產(chǎn)生的作用也相應(yīng)較大，使網(wǎng)絡(luò)提取也不易丟掉重要的局部信息。因此，SABEGAN可以兼顧信號(hào)特征提取的全局性和局部性。

3.2 判別器

GAN的判別網(wǎng)絡(luò)是一個(gè)二元分類器，在訓(xùn)練時(shí)需要真實(shí)樣本和生成網(wǎng)絡(luò)產(chǎn)生的負(fù)樣本，不能單獨(dú)訓(xùn)練。本文中的判別器使用自編碼器架構(gòu)，不再直接判斷輸入數(shù)據(jù)是否來(lái)自真實(shí)數(shù)據(jù)集，而是首先將數(shù)據(jù)進(jìn)行重構(gòu)，然后根據(jù)重構(gòu)的誤差來(lái)進(jìn)行判斷。因此，判別器可以被提前獨(dú)立訓(xùn)練，也能指導(dǎo)生成器很快進(jìn)步，促進(jìn)模型快速且穩(wěn)定的收斂。

判別器的結(jié)構(gòu)如圖5所示，由編碼和解碼兩大模塊組成，解碼模塊與生成器結(jié)構(gòu)一樣，編碼模塊由6層卷積層、1組自注意力模塊和2層全連接層構(gòu)成。

判別器的輸入為1通道512長(zhǎng)度的序列，經(jīng)過(guò)6個(gè)卷積層后輸出256通道8長(zhǎng)度的序列，接著進(jìn)入自注意力模塊，通道和長(zhǎng)度不變。隨后經(jīng)過(guò)兩個(gè)全連接層后變?yōu)椋蓖ǖ?4長(zhǎng)度的序列，然后輸入解碼器模塊，最終輸出1通道512長(zhǎng)度的序列。

4 實(shí)驗(yàn)與結(jié)果

本文仿真試驗(yàn)所使用的操作系統(tǒng)為Windows 10，電腦的配置是Intel（R） Xeon（R） Silver 4210R（CPU）和 NVIDIA GeForce RTX 2 080 Ti（GPU）。深度學(xué)習(xí)環(huán)境使用的是python3.8.8，pytorch1.12.0。模型訓(xùn)練使用Adam優(yōu)化函數(shù)作為優(yōu)化器，訓(xùn)練時(shí)使用的超參數(shù)如表1所示，其中l(wèi)_G表示生成器的學(xué)習(xí)率，l_D表示判別器的學(xué)習(xí)率。

4.1 泛化能力測(cè)試

選取典型BPSK和QPSK信號(hào)制作訓(xùn)練數(shù)據(jù)集，對(duì)SABEGAN模型的應(yīng)用效果做實(shí)驗(yàn)探究，驗(yàn)證其泛化能力。仿真試驗(yàn)使用的訓(xùn)練樣本具體生成流程如圖6所示。

圖7為使用BPSK信號(hào)數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，生成的干擾信號(hào)的時(shí)域波形圖和星座圖。圖7（a）為信噪比（signal to noise ratio， SNR）等于20 dB時(shí)實(shí)際信號(hào)和生成干擾信號(hào)的時(shí)域波形圖，其中紅線表示實(shí)部波形，藍(lán)線表示虛部波形;圖7（b）為SNR等于20 dB時(shí)實(shí)際信號(hào)和生成干擾信號(hào)的星座圖。

從信號(hào)波形來(lái)看，生成的干擾信號(hào)波形連續(xù)性好，且與實(shí)際信號(hào)類似，實(shí)部波形幅度較大，虛部波形幅度較小;從星座圖來(lái)看，數(shù)據(jù)點(diǎn)集中在兩個(gè)相對(duì)于縱軸對(duì)稱的區(qū)域，與BPSK信號(hào)星座圖具有一定的相似性。

因此，SABEGAN模型生成的BPSK干擾信號(hào)從信號(hào)波形和星座圖層面均符合生成要求。

進(jìn)一步使用QPSK信號(hào)數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，圖8（a）為SNR等于20 dB時(shí)實(shí)際信號(hào)和生成干擾信號(hào)的時(shí)域波形圖，其中紅線表示實(shí)部波形，藍(lán)線表示虛部波形;圖8（b）為SNR等于20 dB時(shí)實(shí)際信號(hào)和生成干擾信號(hào)的星座圖。

從信號(hào)波形來(lái)看，生成的干擾信號(hào)波形連續(xù)性好，且與實(shí)際信號(hào)類似，實(shí)部波形和虛部波形幅度相似;從星座圖來(lái)看，數(shù)據(jù)點(diǎn)集中在4個(gè)相對(duì)于原點(diǎn)對(duì)稱的區(qū)域，符合QPSK調(diào)制特征。

因此，SABEGAN模型生成的QPSK干擾信號(hào)從信號(hào)波形和星座圖層面均符合生成要求。

上述結(jié)果表明，本文設(shè)計(jì)的SABEGAN具有較好的泛化能力，可以用于不同體制目標(biāo)信號(hào)的通信干擾。

4.2 干擾效能驗(yàn)證

為了驗(yàn)證使用本文SABEGAN模型生成的干擾信號(hào)的干擾效能，將生成的干擾信號(hào)、單音干擾信號(hào)和BPSK干擾信號(hào)分別用于干擾BPSK通信鏈路，在SNR等于5 dB和SNR等于20 dB的高斯信道下進(jìn)行仿真試驗(yàn)。以誤比特率作為評(píng)估標(biāo)準(zhǔn)，對(duì)干擾效果的驗(yàn)證情況如圖9所示。仿真結(jié)果表明，在干信比（jamming to signal ratio， JSR）小于0 dB的情況下，SABEGAN模型生成的干擾信號(hào)效果最佳;在0 dBlt;JSRlt;2 dB的情況下，單音干擾信號(hào)效果最佳，SABEGAN模型生成的干擾信號(hào)其次，BPSK干擾信號(hào)稍差。在JSR＞2 dB的情況下，3種干擾信號(hào)的干擾效果基本一致。

需要注意的是，雖然理論上頻率等于信號(hào)載頻的單音信號(hào)能最大化BPSK相干接收的誤碼率，但單音干擾信號(hào)的頻譜過(guò)于單一^［31］，很容易被通信方偵測(cè)和消除，在實(shí)際通信對(duì)抗中不宜采用。而基于SABEGAN模型生成的干擾信號(hào)頻譜比較復(fù)雜且不易被消除，且在JSR較高時(shí)干擾效果與單音干擾差距很小，在JSR較低時(shí)干擾效果甚至優(yōu)于單音干擾。

同理，將生成的干擾信號(hào)、QPSK干擾信號(hào)和高斯白噪聲干擾信號(hào)加入建立的QPSK通信鏈路中，分別使用SNR等于5 dB和SNR等于20 dB的高斯信道進(jìn)行仿真試驗(yàn)。其中，由于高斯白噪聲一般用于壓制式干擾，故將其JSR增加10 dB以增加比較可信度，其JSR在9～16 dB之間變化，以誤比特率作為評(píng)估標(biāo)準(zhǔn)，對(duì)干擾效果的驗(yàn)證情況如圖10所示。以往研究認(rèn)為QPSK信號(hào)的最佳干擾為QPSK信號(hào)^［32］，仿真結(jié)果表明，基于SABEGAN模型生成的干擾信號(hào)的干擾效果比QPSK干擾信號(hào)更優(yōu)。

上述結(jié)果表明，本文設(shè)計(jì)的SABEGAN生成的干擾波形可以達(dá)到良好的干擾效果。

考慮到在實(shí)際通信對(duì)抗中，存在采集到的目標(biāo)信號(hào)質(zhì)量較差、波形失真較嚴(yán)重的情況，SABEGAN模型不一定能從中學(xué)習(xí)到原本目標(biāo)信號(hào)的特征，從而生成有效的干擾波形，因此本文進(jìn)一步對(duì)SABEGAN模型的使用邊界進(jìn)行了研究，如圖11所示。

本文選取SNR等于-10 dB至5 dB的QPSK信號(hào)作為訓(xùn)練數(shù)據(jù)集，以誤比特率為標(biāo)準(zhǔn)，將模型生成的干擾信號(hào)和白噪聲信號(hào)加入建立的QPSK通信鏈路中，在SNR等于20 dB的高斯信道下進(jìn)行仿真試驗(yàn)。對(duì)比模型針對(duì)不同SNR目標(biāo)信號(hào)生成干擾波形的有效性。

結(jié)果表明，隨著目標(biāo)信號(hào)SNR的降低，SABEGAN模型生成的干擾信號(hào)干擾效果減弱，在SNR為-10 dB時(shí)與白噪聲的干擾效果基本一致，達(dá)到了算法的使用邊界。

4.3 對(duì)比實(shí)驗(yàn)

本文選取QPSK信號(hào)作為訓(xùn)練數(shù)據(jù)集，以誤比特率為標(biāo)準(zhǔn)，選擇GAN和BEGAN兩種GAN經(jīng)典模型與本文提出的SABEGAN模型進(jìn)行了干擾效果對(duì)比實(shí)驗(yàn)，仿真結(jié)果如圖12所示。

可以看出，當(dāng)JSR相同時(shí)，SABEGAN模型生成的干擾信號(hào)引起的誤比特率最高， BEGAN模型次之，GAN模型較低。這是因?yàn)樵糋AN模型由全連接層構(gòu)成，結(jié)構(gòu)比較簡(jiǎn)單，不適用于復(fù)雜的信號(hào)生成任務(wù)，SABEGAN模型相對(duì)于BEGAN模型添加了自注意力機(jī)制，對(duì)卷積結(jié)構(gòu)進(jìn)行了補(bǔ)充，能夠更全面地提取信號(hào)數(shù)據(jù)的特征。

5 結(jié) 論

本文針對(duì)復(fù)雜電磁環(huán)境下的通信干擾信號(hào)生成問(wèn)題，提出了一種基于SABEGAN的干擾信號(hào)生成模型。本文面向時(shí)域通信干擾信號(hào)生成場(chǎng)景，對(duì)GAN進(jìn)行了改進(jìn)：首先，通過(guò)添加上采樣模塊，增強(qiáng)了生成數(shù)據(jù)的細(xì)膩程度;其次，引入自注意力機(jī)制，兼顧信號(hào)特征提取的局部性與全局性，在提升生成結(jié)果逼真性的同時(shí)降低了計(jì)算的復(fù)雜度;進(jìn)一步選用基于自編碼器架構(gòu)的判別器來(lái)促進(jìn)模型快速且穩(wěn)定的收斂。最后，本文選取典型BPSK和QPSK信號(hào)作為數(shù)據(jù)集，驗(yàn)證了所提信號(hào)生成模型的泛化能力，比較了所生成干擾信號(hào)與傳統(tǒng)干擾信號(hào)及經(jīng)典GAN模型生成信號(hào)的干擾效能。結(jié)果表明，本文所提模型具有良好的泛化能力，且相比傳統(tǒng)通信干擾信號(hào)生成模式與典型GAN模型具有更好的干擾效能。

參考文獻(xiàn)

［1］張君毅， 李淳， 楊勇. 認(rèn)知通信對(duì)抗關(guān)鍵技術(shù)研究［J］. 無(wú)線電工程， 2020， 50（8）： 619-623.

ZHANG J Y， LI C， YANG Y. A study on key techniques in cognitive communication countermeasures［J］. Radio Engineering， 2020， 50（8）： 619-623.

［2］SARKER I H. Machine learning： algorithms， real-world applications and research directions［J］. SN Computer Science， 2021， 2（3）： 160.

［3］GREENER J G， KANDATHIL S M， MOFFAT L， et al. A guide to machine learning for biologists［J］. Nature Reviews Molecular Cell Biology， 2022， 23（1）： 40-55.

［4］BENOS L， TAGARAKIS A C， DOLIAS G， et al. Machine learning in agriculture： a comprehensive updated review［J］. Sensors， 2021， 21（11）： 3758.

［5］RAI R， TIWARI M K， IVANOV D， et al. Machine learning in manufacturing and industry 4.0 applications［J］. International Journal of Production Research， 2021， 59（16）： 4773-4778.

［6］劉永貴， 胡國(guó)平. 基于 DRFM 的遺傳算法干擾技術(shù)研究［J］. 無(wú)線電工程， 2009， 39（6）： 31-33.

LIU Y G， HU G P. Research on DRFM jamming rechnology based on genetic algorithm［J］. Radio Engineering， 2009， 39（6）： 31-33.

［7］AMURU S， BUEHRER R M. Optimal jamming using delayed learning［C］∥Proc.of the IEEE Military Communications Conference， 2014： 1528-1533.

［8］WANG X， ZHANG S N， ZHU L Z， et al. Research on anti-narrowband AM jamming of ultra-wideband impulse radio detection radar based on improved singular spectrum analysis［J］. Measurement， 2022， 188： 110386.

［9］GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］∥Proc.of the 27th International Conference on Advances in Neural Information Processing Systems， 2014： 2672-2680.

［10］GUI J， SUN Z N， WEN Y G， et al. A review on generative adversarial networks： algorithms， theory， and applications［J］. IEEE Trans.on Knowledge and Data Engineering， 2021， 35（4）： 3313-3332.

［11］TOSHPULATOV M， LEE W， LEE S. Generative adversarial networks and their application to 3D face generation： a survey［J］. Image and Vision Computing， 2021， 108： 104119.

［12］WANG Z W， SHE Q， WARD T E. Generative adversarial networks in computer vision： a survey and taxonomy［J］. ACM Computing Surveys， 2021， 54（2）： 1-38.

［13］SINGH N K， RAZA K. Medical image generation using generative adversarial networks： a review［M］∥PATGIRI R， BISWAS A， ROY P， ed. Health informatics： A Computational Perspective in Healthcare， 2021： 77-96.

［14］PENG J， ZHOU Y Y， SUN X S， et al. Knowledge-driven ge-nerative adversarial network for text-to-image synthesis［J］. IEEE Trans.on Multimedia， 2021， 24： 4356-4366.

［15］ERPEK T， SAGDUYU Y E， SHI Y. Deep learning for launching and mitigating wireless jamming attacks［J］. IEEE Trans.on Cognitive Communications and Networking， 2018， 5（1）： 2-14.

［16］DAVASLIOGLU K， SAGDUYU Y E. Generative adversarial learning for spectrum sensing［C］∥Proc.of the IEEE international Conference on Communications， 2018.

［17］李蓉， 房安琪. 基于TransUnet的侵徹多層過(guò)載信號(hào)生成［J］. 測(cè)試技術(shù)學(xué)報(bào)， 2023， 37（1）： 43-53.

LI R， FANG A Q. Penetration multilayer oerload signal generation based on TansUnet［J］. Journal of Test and Measurement Technology， 2023， 37（1）： 43-53.

［18］楊鴻杰， 陳麗， 張君毅. 基于生成對(duì)抗網(wǎng)絡(luò)的數(shù)字信號(hào)生成技術(shù)研究［J］. 電子測(cè)量技術(shù)， 2020， 43（20）： 127-132.

YANG H J， CHEN L， ZHANG J Y. Research on digital signal generation technology based on generative adversarial network［J］. Electronic Measurement Technology， 2020， 43（20）： 127-132.

［19］SHI Y， DAVASLIOGLU K， SAGDUYU Y E. Generative adversarial network in the air： deep adversarial learning for wireless signal spoofing［J］. IEEE Trans.on Cognitive Communications and Networking， 2020， 7（1）： 294-303.

［20］趙凡， 金虎. 基于GAN的通信干擾波形生成技術(shù)［J］. 系統(tǒng)工程與電子技術(shù)， 2021， 43（4）： 1080-1088.

ZHAO F， JIN H. Communication jamming waveform generation technology based on GAN［J］. Systems Engineering and Electronics， 2021， 43（4）： 1080-1088.

［21］陳麗， 方梓涵， 梅立泉. 基于GAN的直擴(kuò)信號(hào)生成算法［J］. 系統(tǒng)工程與電子技術(shù)， 2023， 45（5）： 1544-1552.

CHEN L， FANG Z H， MEI L Q. DSS signal generation algorithm based on GANs［J］. Systems Engineering and Electro-nics， 2023， 45（5）： 1544-1552.

［22］ARJOVSKY M， CHINTALA S， BOTTOU L. Wasserstein generative adversarial networks［C］∥Proc.of the International Conference on Machine Learning， 2017： 214-223.

［23］VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］∥Proc.of the 31st Conference on Neural Information Processing Systems， 2017.

［24］梁俊杰， 韋艦晶， 蔣正鋒. 生成對(duì)抗網(wǎng)絡(luò)GAN綜述［J］. 計(jì)算機(jī)科學(xué)與探索， 2020， 14（1）： 1-17.

LIANG J J， WEI J J， JIANG Z F. Generative adversarial networks GAN overview［J］. Journal of Frontiers of Computer Science and Technology， 2020， 14（1）： 1-17.

［25］BERTHELOT D， SCHUMM T， METZ L. BEGAN： boundary equilibrium generative adversarial networks［EB/OL］. ［2023-02-27］. https：∥arxiv.org/abs/1703.10717.

［26］RUBNER Y， TOMASI C， GUIBAS L J. The earth mover’s distance as a metric for image retrieval［J］. International Journal of Computer Vision， 2000， 40： 99-121.

［27］RUBINSTEIN R. The cross-entropy method for combinatorial and continuous optimization［J］. Methodology and Computing in Applied Probability， 1999， 1： 127-190.

［28］HU D C. An introductory survey on attention mechanisms in NLP problems［C］∥Proc.of the Intelligent Systems and Applications： Proceedings of the Intelligent Systems Conference， 2020： 432-448.

［29］CHOI H， CHO K， BENGIO Y. Fine-grained attention mechanism for neural machine translation［J］. Neurocomputing， 2018， 284： 171-176.

［30］IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift［C］∥Proc.of the International Conference on Machine Learning， 2015： 448-456.

［31］眭惠巧. 對(duì)BPSK相干接收最佳干擾的研究［J］. 無(wú)線電通信技術(shù)， 2001（6）： 33-34.

SUI H Q. Research on optimal jamming for coherent reception of BPSK［J］. Radio Communications Technology， 2001（6）： 33-34.

［32］秦偉， 王可人， 金虎， 等. 不同干擾對(duì)QSPK解調(diào)性能的影響分析［J］. 火力與指揮控制， 2017， 42（4）： 128-132.

QIN W， WANG K R， JIN H， et al. Analysis on different jamming effects on QPSK demodulation performance［J］. Fire Control amp; Command Control， 2017， 42（4）： 128-132.

作者簡(jiǎn)介

薛麗莎（1994—），女，碩士研究生，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)、通信電子對(duì)抗。

葛瑞星（1993—），男，工程師，博士，主要研究方向?yàn)橥ㄐ烹娮訉?duì)抗。

朱宇軒（1992—），男，工程師，博士，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)、通信電子對(duì)抗。

鮑雁飛（1977—），男，高級(jí)工程師，碩士，主要研究方向?yàn)橥ㄐ烹娮訉?duì)抗。