1.一种基于生成式对抗网络的信号调制类型识别攻击的防御方法,其特征在于,所述方法包括以下步骤:(1)根据原始信号数据集,搭建生成式对抗网络,过程如下:搭建的生成网络G包括全连接层、逆卷积层和卷积层,输入数据为随机噪声,输出为与原始信号维度一致的假信号,搭建的判别网络D包括卷积层、全连接层,输入为生成网络G生成的假信号和原始信号,输出为对假信号和原始信号的判别结果,采用对抗训练的方法对该生成式对抗网络进行训练,获得无线电信号生成式对抗网络;
(2)利用训练完成的生成式对抗网络进行信号样本重构,过程如下:*
选择训练完成的生成式对抗网络中的生成网络G,不改变其结构和参数,输入为随机噪声z,进行R次随机重启,计算R个输出与信号样本之间的误差,采用梯度下降法使其误差最小化,选取R个误差中最小的误差;由于重构得到的样本符合原始信号样本的数据分布,因此将其输入分类模型后得到的分类精度明显高于信号样本输入分类模型后的分类精度;
所述步骤(1)的步骤如下:
(1.1)根据信号数据集,搭建生成式对抗网络,包含一层全连接层,三层逆卷积层和一层卷积层,全连接层的数学表示为:(i) T (i) (i)
z =wx +b
(i) T (i) (i)
其中,z 为神经元的线性计算,w为神经元权重矩阵,x 表示神经元特征向量,b 表示神经元偏置;
逆卷积层的数学表示为:
Hout=(Hin‑1)stride‑2padding+kernel_sizeWout=(Win‑1)stride‑2padding+kernel_size其中,Hout为逆卷积层输出的宽度,Wout为逆卷积层输出的长度,Hin为输入逆卷积层的宽度,Win为输入逆卷积层的长度,stride为卷积步长,padding为输入的每一条边补充0的层数,kernel_size为卷积核大小;
(1.2)判别网络包含三层卷积层和两层全连接层;
卷积层的数学表达为:
Hout=(Hin+2padding‑kernel_size)/stride+1Wout=(Win+2padding‑kernel_size)/stride+1其中,Hout为卷积层输出的宽度,Wout为卷积层输出的长度,Hin为输入卷积层的宽度,Win为输入卷积层的长度,padding为输入的每条边补充0的层数,stride为卷积步长,kernel_size为卷积核尺寸;
(1.3)生成式对抗网络对抗训练的过程如下:
1.3.1:固定生成式对抗网络的生成网络,将随机噪声z输入到生成网络G中,得到输出G(z),将G(z)与原始信号xori作为判别网络的输入,将判别网络D的输出与置信度0或1进行交叉熵计算损失,通过最小化损失函数训练判别网络D的参数,其中生成网络G生成的假信号G(z)的置信度为0,原始信号xori的置信度为1,该训练过程的优化目标为:其中,D(·)表示判别网络的输出,G(·)表示生成网络的输出,xori表示原始信号,z表示随机噪声,x~Pdata(xori)表示x采样自原始信号,z~Pz(z)表示z采样自随机噪声,E(·)表示数学期望;
1.3.2:固定生成式对抗网络的判别模型D,将随机噪声z输入到生成网络G中,得到输出G(z),将G(z)作为判别网络D的输入,将判别网络D的输出与置信度0进行交叉熵计算损失,通过最小化损失函数训练生成网络的参数,该训练过程的优化目标为:
1.3.3:重复步骤1.3.1和步骤1.3.2,直到生成式对抗网络达到纳什均衡或达到设定的*最大迭代次数,将训练完成的生成网络记为G。
2.如权利要求1所述的基于生成式对抗网络的信号调制类型识别攻击的防御方法,其特征在于,所述步骤(2)的步骤如下:*
(2.1):选择训练好的生成式对抗网络中的生成网络G,固定其结构和参数不变;
* *
(2.2):对于生成网络G ,输入随机噪声z,得到输出G (z)与信号样本xsig计算均方误差MSE,通过最小化MSE训练输入的随机噪声z,该训练过程的优化目标为:*
其中,Gt(·)表示经过(2)中训练后得到的生成网络G ,xsig表示信号样本,x~Pdata(xsig)表示x采样自信号样本,E(·)为数学期望,θ为大于0的常数;
(2.3):重复(2.2),直到均方误差小于设定的阈值θ,或达到最大迭代次数L,即:(2.4):重复步骤(2.2)和步骤(2.3),进行R次随机重启信号样本重构,选取R次随机重*启重构中误差最小时的z ,即:
3.如权利要求2所述的基于生成式对抗网络的信号调制类型识别攻击的防御方法,其特征在于,所述步骤(2)还包括以下步骤:(2.5)测试防御性能的过程如下:将原始信号样本* *xori和经过重构后得到的样本G (z)分别输入分类模型,测试其分类精度,两者的分类精度越接近,则表示防御性能越好。