低截获波形生成方法与流程

1.本发明涉及无线通信抗干扰技术领域，尤其涉及一种低截获波形生成方法。


背景技术：

2.通信系统在产生重要的军用和民用应用价值的同时，由于其结构复杂，极易成为被窃听截获的目标。
3.得益于深度学习技术的发展，最强的现有智能模型已经可以以极高的准确率识别频谱信号的调制格式。这种技术具有准确高效、泛化能力强，且用户部署成本很低的特点。然而，对于通信来说，这类技术的发展是一把双刃剑，在带来优秀性能的同时，也为那些恶意使用的人提供了方便，使得现有的通信信号面临严峻的被截获和窃听的风险。
4.中国专利cn112468258a公开了一种全双工端到端自动编码器通信系统及其对抗窃听方法，在存在窃听的无线信道环境下，合法接收器发送对抗扰动信号攻击非法窃听器的网络模型，可减小恶意节点的窃听能力。现有技术没有从通信信号本身这一方面入手对降低通信被窃听和截获的风险进行研究。


技术实现要素：

5.为防止通信系统信号被识别，进而防止传输的信息被截获和窃听，本发明提供一种低截获波形生成方法。
6.为实现上述发明目的，本发明的技术方案是：
7.本发明提供一种低截获波形生成方法，包括以下步骤：
8.s1.生成待发送原始信号，并获取调制识别模型；
9.s2.发送每次扰动更新前的所述原始信号，根据所述调制识别模型对所述原始信号的识别效果，计算并更新梯度；
10.s3.根据所述梯度修改所述原始信号，使所述梯度减小，并得到更新后的期望信号；
11.s4.判断所述期望信号是否收敛，若所述期望信号收敛，则继续执行以下步骤，否则循环迭代所述s2～s4，直至最终获得的所述期望信号收敛；
12.s5.放大所述期望信号，并对其进行离散化处理；
13.s6.发送经所述s5处理后的所述期望信号，并经所述调制识别模型识别后，输出并获得所述期望信号被识别的概率；
14.s7.将所述概率与预设阈值进行比较,当所述概率≤所述阈值时，生成目标低截获信号的波形，当所述概率>所述阈值时，循环重复所述s2～s7，直至最终获得的所述概率≤所述阈值。
15.进一步地，所述s2的所述调制识别模型输入为所述原始信号，其输出为所述原始信号对应分类类别的概率，并根据所述输入与所述输出的关系计算所述梯度的值。
16.进一步地，所述输入与所述输出的关系表示为：
17.y＝f(w
i
)，
18.label＝argmax(y)，
19.其中，i≥0，0≤y≤1，w
i
表示每次扰动更新前的原始信号，y表示各分类类别的概率，label表示原始信号被识别为所属分类类别中对应概率最大的分类标签。
20.进一步地，所述梯度的计算公式为：
[0021][0022]
进一步地，所述s3包括以下步骤：
[0023]
s31.初始化s1的所述原始信号的扰动方向，并设定所述扰动方向为0，扰动幅度为ε；
[0024]
s32.对所述梯度进行归一化处理，所述归一化公式为：
[0025][0026]
s33.更新所述扰动方向，并根据以下关系式进行扰动更新：
[0027][0028]
其中，i≥0，δ
i
表示每次扰动更新前一次的扰动方向，δ
i 1
表示每次扰动更新后的扰动方向，α表示每次更新的学习率；
[0029]
s34.根据判断所述原始信号是否被所述调制识别模型识别来调整所述扰动幅度，当所述原始信号被识别，按照以下关系式(a)调整所述扰动幅度，当所述原始信号没有被识别，按照以下关系式(b)调整所述扰动幅度：
[0030]
ε
i 1
＝(1 γ)ε
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(a)，
[0031]
ε
i 1
＝(1
‑
γ)ε
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(b)，
[0032]
其中，i≥0，γ表示收缩系数，ε
i
表示每次扰动更新前一次的扰动幅度，ε
i 1
表示每次扰动更新后的扰动幅度；
[0033]
s35.根据以下关系式修改并不断更新所述原始信号，得到每次更新后的所述期望信号：
[0034][0035]
其中，w
i 1
表示每次更新后的期望信号；
[0036]
s36.检查所述期望信号，并确保所述期望信号波形的幅度范围满足以下关系式：
[0037]
w
i 1
＝clip(w
i 1
，
‑
1，1)。
[0038]
进一步地，所述期望信号收敛的依据是，相邻两次迭代输出的概率改变幅度小于阈值，即|y
i 1
‑
y
i
|＜a。
[0039]
进一步地，所述阈值的取值为a＝10
‑6。
[0040]
进一步地，将所述期望信号按照以下关系式进行放大：
[0041]
w
i 1
＝w
i
a
·
(w
i 1
‑
w
i
)，
[0042]
其中，a表示常量。
[0043]
进一步地，所述期望信号被识别的概率的计算公式为：
(t)到信道中，接着在信号传输的过程中，由已经训练好的调制识别模型对该原始信号w0(t)进行识别，根据调制识别模型对该原始信号w0(t)的识别效果来计算梯度值。在本实施方式中，由于训练后的resnet神经网络模型具有优秀的识别能力，该原始信号w0(t)能被准确识别。
[0056]
具体地，本实施方式先在调制识别模型中输入原始信号w0(t)，之后，该调制识别模型输出原始信号w0(t)被识别为所有可能的所属分类类别对应的不同概率。根据该输入与输出的关系计算梯度值。其中，输入与输出满足以下关系：
[0057]
y＝f(w0)，
[0058]
label＝argmax(y)，
[0059]
其中，0≤y≤1，y表示原始信号w0(t)对应各分类类别的概率，label表示原始信号w0(t)被识别为所属分类类别中对应概率最大的分类标签。这里，原始信号w0(t)被调制识别模型识别出的最终分类标签label反映了上述s2中的识别效果。梯度值的计算公式为：
[0060][0061]
上述梯度值的计算公式反映出输出概率与输入信号之间的依赖关系。梯度值越大，表示两者关联越强，也就是说，梯度值越大，表示输入信号被准确识别为对应的所属分类类别的概率越大。
[0062]
所以，需要执行s3，通过修改原始信号w0(t)得到更新后的期望信号w1(t)，使其通过调制识别模型后的梯度值减小，降低原始信号w0(t)被识别的概率，从而降低信息被截获和窃听的概率，保证通信的可靠性、安全性。s3中通过修改原始信号w0(t)来更新梯度的具体过程包括：
[0063]
s31.初始化原始信号w0(t)的扰动方向，并将扰动方向设定为0，扰动幅度设为ε；在本实施方式中，取ε＝0.01；
[0064]
s32.对s2的梯度进行归一化处理，其中，归一化公式为：
[0065][0066]
s33.更新对原始信号w0(t)的扰动方向，并根据以下关系式进行扰动更新：
[0067][0068]
其中，δ0表示初始化的扰动方向，即δ0＝0，δ1表示第一次扰动更新后的扰动方向，α表示学习率；
[0069]
s34.根据判断原始信号w0(t)是否被调制识别模型识别来调整扰动幅度，当原始信号w0(t)被识别，按照以下关系式(a1)调整扰动幅度，当原始信号w0(t)没有被识别，按照以下关系式(b1)调整扰动幅度：
[0070]
ε1＝(1 γ)ε0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(a1)，
[0071]
ε1＝(1
‑
γ)ε0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(b1)，
[0072]
其中，γ表示收缩系数，ε0表示初始化的扰动幅度，即ε0＝ε，ε1表示第一次扰动更新后的扰动幅度；
[0073]
s35.根据以下关系式对原始信号w0(t)进行第一次修改，得到第一次更新后的期
望信号：
[0074][0075]
其中，w1表示第一次更新后的期望信号w1(t)；
[0076]
s36.检查期望信号w1(t)，并确保期望信号w1(t)波形的幅度范围满足以下关系式：
[0077]
w1＝clip(w1，
‑
1，1)。
[0078]
接着，执行s4，判断上述s3输出的期望信号w1(t)是否收敛，如果该期望信号w1(t)满足收敛的条件，则继续执行s5～s7，如果该期望信号w1(t)不满足收敛的条件，则继续循环迭代s2～s4，直至最终获得期望信号满足收敛的条件。其中，收敛的条件为期望信号通过调制识别模型输出的损失改变幅度小于阈值a，即相邻两次迭代输出的概率y的改变幅度小于阈值a，即|y
i 1
‑
y
i
|＜a。
[0079]
当期望信号w1(t)满足收敛的条件时，则继续执行s5～s7。其中，s5为将s4输出的期望信号w1(t)放大和离散化处理的过程，具体是将期望信号w1(t)按照以下关系式进行放大，
[0080]
w1＝w0 a
·
(w1‑
w0)，
[0081]
其中，a表示常量。s5之后继续执行s6，将放大、离散化后的期望信号w1(t)发送，经过调制识别模型识别后，输出并获得该期望信号w1(t)被识别的概率。该概率的计算公式为：
[0082][0083]
最后执行s7，将期望信号w1(t)被识别的概率与预设的阈值进行比较，当概率≤阈值时，生成目标低截获信号的波形。当概率＞阈值时，循环重复s2～s7，直至最终获得的概率≤阈值。
[0084]
当期望信号w1(t)不满足收敛的条件时，则继续循环迭代s2～s4。在每次循环迭代的过程中，都将上一次迭代过程输出的期望信号作为下一次迭代过程的原始信号，也就是作为每次扰动更新前的原始信号。那么，本实施方式将期望信号w1(t)作为第二次迭代、扰动更新前的原始信号，继续循环迭代s2～s4。同理，在本实施方式中，s2将原始信号w
i
(t)输入调制识别模型，然后输出该原始信号w
i
(t)被识别为所有可能的所述分类类别对应的不同概率，再计算梯度值。具体地，输入与输出满足以下关系：
[0085]
y＝f(w
i
)，
[0086]
label＝argmax(y)，
[0087]
其中，i≥0，0≤y≤1，w
i
表示每次扰动更新前的原始信号，y表示原始信号w
i
(t)对应各分类类别的概率，label表示原始信号w
i
(t)被识别为所属分类类别中对应概率最大的分类标签。梯度值的计算公式为：
[0088][0089]
在本实施方式中，s3通过修改原始信号w
i
(t)得到更新后的期望信号w
i 1
(t)，使其通过调制识别模型后的梯度值减小，降低原始信号w
i
(t)被识别的概率，从而降低信息被截获和窃听的概率，保证通信的可靠性、安全性。s3中通过修改原始信号w
i
(t)来更新梯度的
具体过程包括：
[0090]
s32.对s2获得的梯度进行归一化处理，其中，归一化公式为：
[0091][0092]
s33.更新对原始信号w
i
(t)的扰动方向，并根据以下关系式进行扰动更新：
[0093][0094]
其中，i≥0，δ
i
表示每次扰动更新前一次的扰动方向，δ
i 1
表示每次扰动更新后的扰动方向，α表示每次更新的学习率；
[0095]
s34.根据判断原始信号w
i
(t)是否被调制识别模型识别来调整扰动幅度，当原始信号w
i
(t)被识别，按照以下关系式(a)调整扰动幅度，当原始信号w
i
(t)没有被识别，按照以下关系式(b)调整扰动幅度：
[0096]
ε
i 1
＝(1 γ)ε
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(a)，
[0097]
ε
i 1
＝(1
‑
γ)ε
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(b)，
[0098]
其中，i≥0，γ表示收缩系数，ε
i
表示每次扰动更新前一次的扰动幅度，ε
i 1
表示每次扰动更新后的扰动幅度；
[0099]
s35.根据以下关系式修改并不断更新原始信号w
i
(t)，得到每次更新后的期望信号：
[0100][0101]
其中，w
i 1
表示每次更新后的期望信号w
i 1
(t)；
[0102]
s36.检查期望信号w
i 1
(t)，并确保期望信号w
i 1
(t)波形的幅度范围满足以下关系式：
[0103]
w
i 1
＝clip(w
i 1
，
‑
1，1)。
[0104]
在本实施方式中，上述s3梯度更新的整个过程利用深度学习中典型对抗样本优化技术，其中，具体体现了ddn对抗样本优化技术的思想，智能化水平高，可自适应各类应用场景。除此以外，本实施方式还可使用fgsm、pgd、deepfool、cw等对抗样本生成思想。
[0105]
在本实施方式中，s4判断期望信号w
i 1
(t)是否收敛，如果该期望信号w
i 1
(t)满足收敛的条件，则继续执行s5～s7，如果该期望信号w
i 1
(t)不满足收敛的条件，则再继续循环迭代s2～s4，直到最终获得的期望信号满足收敛的条件。优选地，本实施方式中收敛条件判断中的阈值a＝10
‑6。也就是说，当相邻两次迭代过程分别得到的概率非常接近，且该相邻两次输出的概率改变值趋向于10
‑6时，此时获得的期望信号的低截获性能已经达到极限，基本上达到最优。即使使相邻两次输出的概率改变值进一步变小，即小于10
‑6，上述期望信号的低截获性能的改变非常小。
[0106]
当期望信号w
i 1
(t)满足收敛的条件时，执行s5，将期望信号w
i 1
(t)按照以下关系式进行放大，然后进行离散化处理。
[0107]
w
i 1
＝w
i
a
·
(w
i 1
‑
w
i
)，
[0108]
其中，a表示常量。继续执行s6，将放大、离散化后的期望信号w
i 1
(t)发送，经过调制识别模型识别后，输出并获得该期望信号w
i 1
(t)被识别的概率。最后执行s7，将期望信号
w
i 1
(t)被识别的概率与预设的阈值进行比较，当概率≤阈值时，生成目标低截获信号的波形。当概率＞阈值时，循环重复s2～s7，直至最终获得的概率≤阈值。当该阈值设定为不同的值时，本实施方式的低截获波形生成方法可应用在具有防截获和防窃听需求的不同场景。
[0109]
图2和图3分别示意性表示本发明的一种实施方式的低截获波形生成方法在理想状态下和在模拟环境下信号的低截获效果图。
[0110]
如图2所示，在理想状态下，与发送的原始信号w0(t)相比，无论信噪比怎样变化，本实施方式的低截获波形生成方法最后生成的目标低截获信号被调制识别模型识别的概率为0，此时通信系统中传输的信息低截获的效果最好，可有效防止信息被截获和窃听。
[0111]
如图3所示，在通信模拟的复杂信道环境中，本实施方式的低截获波形生成方法最后生成并输出的目标低截获信号被调制识别模型识别的准确率保持在40％以下。当信噪比为0时，准确率接近40％；当信噪比低于0或高于0时，准确率都低于40％，但是信噪比低于0时的信号被识别准确率比信噪比高于0时的更低。所以，通过修改原始信号w0(t)，增加噪声干扰的方式可以有效地降低通信信息被截获和窃听的概率，增加通信系统的安全、可靠性。
[0112]
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。