1.一种深度学习信号识别分类器对抗攻击样本的产生方法，其特征在于，包括以下步骤：S1、采用VT‑CNN2作为分类模型，基于用于调制分类的开源信号数据集将模型训练至收敛；

S2、从开源信号数据集中选择一批类别相同的信号样本作为被攻击的样本集合X，样本信噪比为SNR、数量为N，样本特征数量为l；从X中随机选取Nsample个样本 及其对应的分类标签 作为通用对抗样本生成算法的输入，Nsample≤N，给定对抗样本的功率预算Pmax、模型的损失函数 通用对抗样本生成算法的学习率η、最终剩余学习率比例b、每轮次迭代次数epochs和蒙特卡罗仿真次数it_num；

S3、初始化用于保存蒙特卡罗仿真搜索过程中的最优攻击样本的向量delta_UAP＝0和此时的模型在被攻击样本集合X上的识别准确率acc＝1.0，初始化循环计数器i＝1；

S4、初始化用来保存每轮次迭代过程中找到的最优解对应的模型识别准确率变量acc1＝1.0和最优解向量delta_UAP1＝0，采用随机初始化的方法在以0为原点、lPmax为半径的超球面上产生一个对抗攻击信号向量delta_temp并初始化循环计数器j＝1；

S5、计算 处损失函数关于delta_temp的梯度：然后更新delta_temp：

S6、计算delta_temp的功率P_delta，如果P_delta>Pmax，则将delta_temp的功率调整为Pmax；

S7、将对抗攻击信号向量delta_temp注入被攻击的信号样本集合，评估模型在X上的识别准确率acc1_temp，如果acc1_temp

delta_UAP1＝delta_temp

j＝j+1

如果j≤epochs，则转到S5；

S8、将delta_UAP1的功率调整至Pmax，i＝i+1，如果acc1

delta_UAP＝delta_UAP1

S9、如果i≤it_num，则转到S4，否则输出通用对抗攻击信号delta_UAP。