[发明专利]基于生成对抗网络的对抗信号检测方法、装置及电子设备

说明书

在本申请公开了一种基于生成对抗网络的对抗信号检测方法方法、装置及电子设备。该方法包括：获取信号训练样本；基于信号训练样本，利用生成对抗网络生成信号训练样本对应的第一重构样本；利用预设分类模型分别对信号训练样本和第一重构样本进行分类，得到信号训练样本的分类结果和第一重构样本的分类结果；根据信号训练样本的分类结果和第一重构样本的分类结果，确定对抗信号检测阈值；根据对抗信号检测阈值检测对抗信号。本申请的基于生成对抗网络的对抗信号检测方法能够准确的检测到对抗信号，减少了在信号解调过程中由于对抗信号的存在所造成的误导与损失，有效降低了对抗信号带来的风险，加强了信号传输过程的安全性和隐秘性。

技术领域

本申请涉及信号检测技术领域，具体涉及一种基于生成对抗网络的对抗信号检测方法、装置及电子设备。

背景技术

随着科学进步与硬件技术的发展，大数据时代伴随而来，人工智能、机器学习等话题已经成为当下讨论热点。尤其是近几年深度学习模型对数据的特征提取方面取得了巨大的成功。

相关研究表明，针对已知的深度学习模型可以设计出细微扰动的、对抗性的样本，使得模型识别和分类错误，虽然这些伪造的样本对人类的判断没有丝毫影响，但是对于深度学习模型来说是一个致命性的误导，通常使得深度模型做出人类无法预料的结果。如在信号调制类型分类领域中分类模型将QAM16调制信号的标签判断为QAM64调制类型的标签。最近，在现实世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此对抗样本检测技术的研究引起了机器学习和安全领域研究者越来越多的关注，尤其在深度学习上的研究和探索对以后的应用和实践有着良好的引导作用。

尽管深度神经网络(Deep Neural Networks，简称DNN)在语音识别、信号调制类型分类等一些复杂的问题上有着良好的性能表现，但它们容易受到精心设计的扰动的影响。通常情况下，这些扰动是人类无法察觉的，但是它们可以使模型有较高置信度的错误判断。例如在实际应用中，信号发射基站对目标基站发送无线电信号，这些信号具有极大的应用价值，若中途被恶意拦截并利用机器学习手段判断对该信号进行精心的调整后再次发送(称这种信号为对抗信号)，这势必给信号的接收者带来巨大的潜在威胁，因此如何检测出哪些信号是对抗信号是至关重要的。

发明内容

有鉴于此，本申请的主要目的在于提供了一种基于生成对抗网络的对抗信号检测方法、装置及电子设备，用于解决现有技术中对抗信号的检测不够准确的技术问题。

依据本申请的第一方面，提供了一种基于生成对抗网络的对抗信号检测方法，包括：

获取信号训练样本；

基于所述信号训练样本，利用所述生成对抗网络生成所述信号训练样本对应的第一重构样本；

利用预设分类模型分别对所述信号训练样本和所述第一重构样本进行分类，得到所述信号训练样本的分类结果和所述第一重构样本的分类结果；

根据所述信号训练样本的分类结果和所述第一重构样本的分类结果，确定对抗信号检测阈值；

根据所述对抗信号检测阈值检测对抗信号。

可选地，所述生成对抗网络通过如下方式训练得到：

获取所述信号训练样本，所述信号训练样本包括训练数据标签；

基于所述训练数据标签和随机噪声数据，利用所述生成对抗网络的生成器生成第二重构样本；

利用所述生成对抗网络中的判别器对所述信号训练样本和所述第二重构样本进行判别，得到判别结果；

根据所述判别结果更新所述生成对抗网络的参数，得到训练后的生成对抗网络。

可选地，所述训练数据标签包括多个信号训练样本的训练数据标签，所述基于所述训练数据标签和随机噪声数据，利用所述生成对抗网络的生成器生成第二重构样本包括：