杨俊安 ，黄科举

（1.国防科技大学电子对抗学院，合肥，230037；2.安徽省电子制约技术重点实验室，合肥，230037）

引 言

在认知无线电和认知电子战领域，识别目标网络的介质访问控制(Medium access control,MAC)协议具有重要意义。对于认知无线电，利用主用户的MAC协议信息，可以预测频谱空穴随时间的变化情况，在充分利用频谱资源的同时降低对主用户的干扰[1]。例如，当主用户的MAC协议分别为载波侦听多路访问 (Carrier sense multiple access，CSMA)和时分复用 (Time division multiple access，TDMA)时，为了最大化频谱资源利用率，认知无线电用户应采用不同的接入机制[2-3]。在认知电子战领域，干扰目标的MAC协议信息能够用于决定最佳干扰时机[4]，针对不同的MAC协议采取特定的干扰方式，有助于提高干扰效能[5-7]。认知无线电和认知电子战的相关研究均假定已知目标的MAC协议和参数，事实上，由于次用户相对于主用户的透明特性、干扰方与被干扰方的非合作特性，系统无法直接获取目标的MAC协议信息，需要研究基于目标网络功率变化情况的MAC协议识别方法。

认知无线电技术赋予无线电台感知频谱环境以及推理学习的能力[8]，机器学习是实现认知无线电的学习、决策过程的重要途径[9]。利用机器学习中的分类算法，根据目标的功率变化进行MAC协议分类具有一定的可行性。

Hu等人[10]通过提取目标无线网的信号功率、信道空闲时间和信道占用时间的统计特征，训练支持向量机(Support vector machine,SVM)分类器，实现对TDMA、CSMA/CA、ALOHA、S-ALOHA四种协议的分类。但该方法假定网络中不同节点的功率和数据包长度均相同，在实际应用中具有一定的局限性。……