宣 琦,周 晴,崔 慧,顾淳涛,徐东伟,朱佳伟,王 巍,杨小牛,

1浙江工业大学网络空间安全研究院 杭州 中国 310012

2通信信息控制和安全技术重点实验室 嘉兴 中国 314033

1 引言

20世纪以来,电子信息技术飞速发展,使得信号种类及数量呈指数级增长,面对新时期各种多元化的信号,各种不同的分类方法也开始涌现[1]。此外,深度学习[2]逐渐广泛应用于各个领域(生物医学[3-4]、视觉场景[5]、语音识别[6]、自然语言处理[7])。它在通信领域的应用也取得长足进展,O’Shea T J[8]等人对基于深度学习的无线电信号分类方法的性能进行了深入研究,提出了使用更高阶矩和强大的增强梯度树分类的严格基准方法; Mendis G J等人[9]出了一种基于深度学习的智能方法来检测和识别无线电信号,该方法可应用于识别微型无人机系统的认知雷达和航空通信系统; Rajendran S等人[10]提出了一种基于长短期记忆(Long Short-Term Memory,LSTM[11])的数据驱动模型,并发现其对于分类具有不同符号率的调制信号能够发挥出强大的作用。

然而即便深度神经网络已成功应用于处理复杂问题,却不断有研究表明[12-16]它们在强对抗环境下是非常脆弱的。最近,Han X等人[17]开发了一种方法构造平滑的心电图追踪对抗样本,该样本无法被人类专家察觉,却能让应用于医学影像的深度学习模型检测异常。此外,在信号领域,对抗攻击研究工作也有了不少成果。Sadeghi M等人[18]通过在信道上发送利用无线信道的开放性设计的扰动信号,将通信系统的误块率提高了几个数量级……