[发明专利]主动诱骗式智能抗干扰方法

说明书

本发明公开的一种主动诱骗式智能抗干扰方法，具有较低的训练复杂度和较高的资源利用率。本发明通过下述技术方实现：首先根据黑箱环境模块接收的通信波形和当前全频带感知信号强度以及下一次感知一起构造环境状态，基于观察智能干扰源的干扰行为构造样本标签模块，生成对抗样本信号的训练数据集和诱骗决策深度神经网络，以最小化干扰源的干扰期望回报值和干扰效果为目标，将诱惑样本攻击过程建模为一个关于干扰时机和干扰样本值两个变量；对更新干扰行为的观察进行迭代训练参数，计算攻击时机变量和攻击样本变量，进行干扰行为决策和攻击网络训练；引入迷惑样本，诱骗智能干扰源做出错误的干扰决策，输出对应行为的Q值和对抗样本信号。

技术领域

本发明属于无线通信领域，具体是一种可应用于通信抗干扰的基于迷惑样本攻击的主动诱骗智能抗干扰方法。

背景技术

伴随着互联网的高速发展和迅速普及，网络系统的复杂度、规模和速度与日俱增，其开放性和安全漏洞带来的风险也无时不在。欺骗技术和诱骗算法的相关研究已经受到足够的重视。但传统的诱骗技术存在欺骗质量较差、人工干预过多。欺骗信号相对于压制干扰信号来说更具威胁，因为其在使受欺骗目标产生错误定位的同时不会引起被欺骗目标的察觉，且信号播发功率远低于压制干扰，易于实现，设备成本低。通常，欺骗式干扰方法被分为“产生式”和“转发式”两种。产生式欺骗干扰是根据侦察得到的扩频伪随机码结构，产生与其相关性最大的伪随机码，然后调制与导航电文格式完全相同的假导航电文，修改了某些星历、时钟等数据，使接收方上当，但需要知道真实卫星信号的扩频码型以及当时卫星电文数据，对加密的军码干扰很难实现。现有网络诱骗技术需要过多人工参与且无法保障诱骗效率和准确度。近年来，随着以深度强化学习为代表的人工智能技术的发展和演进，人工智能技术在智能通信干扰与智能通信抗干扰两方面都得到了应用。在通信干扰方面，通过深度强化学习等智能算法的引入，智能干扰源能够以“试错”的方式，通过环境交互来学习通信抗干扰的策略信息，从而持续实现对通信系统的有效干扰，破坏其关键能力。由于以深度强化学习为代表的人工智能技术在智能干扰决策的应用，传统基于扩跳频的抗干扰方法很容易被智能干扰源学习并形成针对性干扰。现有基于人工智能的抗干扰方法需要更高的智能程度才能实现对智能干扰源的暴力碾压，存在高的运算复杂度和低资源利用率等缺陷。在通信抗干扰方面，人工智能与认知域抗干扰技术相结合，提出智能化的认知抗干扰技术，赋予通信系统智能感知周围电磁环境、智能决策和自主抗干扰波形生成的能力；但是它只能检测到信号的有无，不能检测出信号的类型。

在通信干扰对抗领域，由于以深度强化学习为代表的人工智能技术在智能干扰决策的应用，传统基于扩跳频的抗干扰方法很容易被智能干扰源学习并形成针对性干扰。现有基于人工智能的抗干扰方法需要更高的智能程度才能实现对智能干扰源的暴力碾压，存在高的运算复杂度和低资源利用率等缺陷。针对智能干扰，已有研究基于更高智能的抗干扰算法，结合高维度的抗干扰策略进行联合决策能够实现对智能干扰的暴力碾压，保证通信系统的关键能力。然而，此类方法存在诸多缺陷。首先，在无法获取智能干扰源具体参数时，无法评估对方智能程度，无法保证己方算法具有更高的智能程度。其次，采用更高智能程度的抗干扰算法训练复杂度高，运算资源开销大，存在抗干扰决策滞后等问题。除此之外，为了保证能够实现对智能干扰算法的暴力碾压，决策往往需要对多域抗干扰资源进行联合决策，资源参数调整范围大，资源利用率低下。针对这些问题，现有技术提出了一个面具有容侵特性的主动诱骗算法，分为服务移植和诱骗机制2个阶段，服务移植主要完成可疑信息重定向和可信信息访问恢复，实现目标系统的安全隔离；诱骗子网主要实现攻击信息的主动诱骗、特征分析和自律联想学习。借用生命智能中的自律神经系统的原理，将入侵者引入一个可以控制的范围内，为正常连接时，服务移植模块实时完成重定向操作的逆过程，用这种技术能够有效地弥补现有网络安全机采制的不足。但传统的诱骗技术存在欺骗质量较差、人工干预过多等问题。

在认知抗干扰通信系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。现有的抗干扰通信系统的智能决策多采用遗传算法、人工蜂群算法等,面对日益复杂的电磁环境,通常这些算法不具有对新干扰的泛化能力。

发明内容