摘要
近年来，深度神经网络广泛运用于各个领域并取得了不错效果，其在无线电信号分类领域也建树颇多。但是越来越多的研究表明深度神经网络极容易受到对抗攻击，所以研究无线电信号对抗样本的检测方法，不仅能有效减少这一领域因为遭受攻击而造成的损失，还有助于深度神经网络在无线电信号领域的进一步发展。目前国内从机器学习角度研究无线电信号对抗样本检测的团队较少，本文从机器学习角度的研究也进一步弥补了这一缺失。本文首先提出了基于LID（LocalIntrinsicDimensionalit）特征的无线电信号对抗样本检测方法，通过LID特征来区分无线电信号干净样本和对抗样本。接着设计深度神经网络检测器来检测对抗样本。最后提出了基于输入空间划分的对抗样本检测方法，此方法能有效应对自适应攻击。本文主要研究内容如下： （1）从样本的特征角度提出了一种基于LID特征的无线电信号对抗样本检测方法。从无线电信号样本的特征提取角度出发，提取无线电信号的LID特征，接着用此特征进一步进行分类。实验结果表明基于LID特征的方法能有效地检测对抗样本，最高检测精度接近90%。 （2）从深度学习角度设计深度神经网络检测器用于检测无线电信号对抗样本和干净样本。其包括两个方面：使用深度神经网络检测无线电信号对抗样本；使用无线电信号星座图密度分布特征与深度神经网络结合的方式检测无线电信号对抗样本。实验结果表明本文使用的深度神经网络检测器能有效检测对抗样本，在检测高信噪比数据时最高检测精度接近100%。无线电信号星座图密度分布特征与深度神经网络结合用于无线电信号对抗样本检测的方法可以使得深度神经网络的检测能力大幅提升。最后用残差神经网络检测器检测了对抗样本的攻击方法。 （3）考虑到自适应攻击情形，本文从机器学习领域提出了一种基于输入空间划分的检测方法。该方法从分类系统得到子空间，并在这些子空间中检测对抗样本。实验结果表明此方法能有效地应对自适应攻击，同时实验也证明了此方法具有良好的鲁棒性。
NETL