一种基于傅里叶频谱的信号对抗样本检测方法与流程

1.本发明涉及机器学习的信号安全技术领域，更具体的说是涉及一种基于傅里叶频谱的信号对抗样本检测方法。


背景技术：

2.随着现代无线通信设备的爆发式增长，电磁环境越发复杂，需要对空间中大量的无线电信号进行有效监管。信号分类用于陌生信号识别，在空中管制，频谱监测上起到重要的作用。当下深度学习技术大量应用于信号分类任务，取得了性能的突破，然而针对信号分类任务的对抗攻击也与日俱增，引发了安全性问题，对信号分类的安全性研究促进了信号的对抗样本检测技术发展。
3.目前已经出现了一些对抗样本检测的方法，例如，对抗样本子空间的密度通常低于良性样本，特别是当输入样本远离类流形时。mao等人提出的邻域上下文编码器(nce)检测器使用变压器训练一个有k个最近邻的分类器来表示检测样本的包围子空间。xin li等人构建了级联分类器，每个svm分类器对应一层，使用良性样本和对抗样本进行训练。针对现有检测方法泛化性差的问题，王曙燕等人利用多种对抗攻击深度学习模型以产生对抗样本组，构建了样本差异性检测的系统，有效提升了模型对抗样本检测的全面性和多样性。目前防御手段大多需要对抗样本本身作为训练集，但是对于未知的对抗样本很难被检测到，严飞等人通过拟合分布来寻找深度神经网络中的不变量，且训练集的选取与对抗样本无关，有效的提高了对未知样本的检测成功率。然而上述对抗样本检测方法在信号上的使用依旧存在不足之处，大多根据模型中间层输出特征进行组合判断，方法过程冗长，导致整体成本较高；除此之外，电磁信号方面现有的检测方法准确度不高。
4.因此，如何克服现有对抗样本检测方法中存在的对抗样本不准确的问题，提高检测精度，降低检测成本，是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种基于傅里叶频谱的信号对抗样本检测方法，有效提高对抗样本检测的精度。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种基于傅里叶频谱的信号对抗样本检测方法，包括以下步骤：
8.获取信号数据集，将所述信号数据集划分为训练集和测试集；
9.构建目标神经网络，基于所述训练集，通过优化器迭代训练所述目标神经网络，得到目标分类模型；将所述测试集输入所述目标分类模型得到信号分类结果；
10.根据所述信号分类结果，对比真实信号类别并筛选出分类正确的测试集样本组成良性样本数据集；根据所述目标分类模型的损失函数的梯度进行迭代，对所述良性样本数据集添加对抗扰动，得到对抗样本数据集；
11.分别提取所述良性样本数据集和所述对抗样本数据集的傅里叶频谱特征并各自
进行特征融合，组成特征数据集并划分特征训练集和特征测试集；
12.构建检测网络，利用所述特征训练集对所述检测网络进行优化器迭代训练，得到最优检测网络模型；将所述特征测试集输入所述最优检测网络模型，输出检测结果。
13.优选的，根据所述目标神经网络中损失函数的梯度进行迭代，对所述良性样本数据集添加对抗扰动，得到对抗样本数据集，包括：
14.根据下列公式得到对抗样本：
[0015][0016]
式中，x
t+1
为对抗样本，x
t
为良性样本；α为扰动系数，确定每次迭代中的步长；sign(
·
)为符号函数，指定信号采样点改变方向；j(x，y)为所述目标分类模型的损失函数；为所述损失函数关于信号数值的梯度。
[0017]
优选的，分别提取所述良性样本数据集和所述对抗样本数据集的傅里叶频谱特征并各自进行特征融合，组成特征数据集并划分特征训练集和特征测试集，包括：
[0018]
对所述良性样本数据集和所述对抗样本数据集中的样本数据进行离散傅里叶变换，将时域信号转换为频域信号；
[0019]
所述离散傅里叶变换公式为：
[0020][0021]
式中，x(n)是一个长度为n，由两个维度组成的复数信号；n为离散信号的采样点数；x(m)为信号x在n处的傅里叶变换，频域信号x为复数信号。
[0022]
优选的，所述傅里叶频谱特征包括傅里叶幅度谱和傅里叶相位谱。
[0023]
优选的，所述傅里叶幅度谱计算公式为：
[0024][0025]
所述傅里叶相位谱计算公式为：
[0026][0027]
式中，re(
·
)表示频域复数信号x(m)的实部；im(
·
)表示频域复数信号x(m)的虚部。
[0028]
优选的，所述良性样本数据集和所述对抗样本数据集的傅里叶频谱特征根据下式各自进行特征融合，组成特征数据集：
[0029]
data＝|x(m)|+φ(x(m))*i；
[0030]
其中，i表示虚数单位。
[0031]
优选的，所述检测网络是由两层复数全连接网络和复数激活函数组成的二分类网络。
[0032]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于傅里叶频谱的信号对抗样本检测方法，利用离散傅里叶变换对数据进行处理，分别提取良性样本和对抗样本特征并各自进行特征融合，有效缩短方法过程；并利用复数全连接网络进行分
类，更贴合电磁信号的特征，可以有效提高检测的精度。
附图说明
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0034]
图1为本发明实施例提供的基于傅里叶频谱的信号对抗样本检测方法的流程图；
[0035]
图2为本发明根据特征数据集进行对抗样本检测的流程图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
本发明实施例公开了一种基于傅里叶频谱的信号对抗样本检测方法，参考图1，该方法包括以下步骤：
[0038]
1.给定信号数据集，并将信号数据集划分为训练集和测试集。
[0039]
2.确定目标深度神经网络c用于信号分类，其中，目标深度神经网络常用信号调制分类模型，例如resnet、vggnet等作为目标模型，并基于信号数据集中的训练集，通过优化器迭代对目标深度神经网络c进行训练，得到一个能够对信号调制类型进行分类的目标分类模型；将数据集中的测试集数据输入目标分类模型，得到分类结果。根据分类结果将网络能够分类正确的样本提取，作为检测样本中的良性样本，记为dc。
[0040]
3.根据分类结果将目标深度神经网络c能够分类正确的样本提取，作为检测样本中的良性样本，记为dc(分类正确的样本通过与真实信号类别进行对比得到)；根据目标深度神经网络c损失函数的梯度通过多次迭代，对提取到的良性样本dc添加对抗扰动，得到对抗样本da，具体地，根据下列公式得到对抗样本da：
[0041][0042]
式中，x
t+1
为对抗样本，x
t
为良性样本；α为扰动系数，确定每次迭代中的步长；sign(
·
)为符号函数，指定信号采样点改变方向；j(x，y)为所述目标分类模型的损失函数；为所述损失函数关于信号数值的梯度。
[0043]
4.将良性样本dc和对抗样本da混合组成原始样本数据集，分别提取良性样本dc和对抗样本da的傅里叶频谱特征并各自进行融合，组成特征数据集并划分为特征训练集和特征测试集，根据特征数据集进行对抗样本检测的流程图如图2所示。
[0044]
具体地，在原始样本数据集中使用离散傅里叶变换(dft)令原始样本由时域信号转换为频域信号，dft的变化公式为：
[0045]
[0046]
式中，x(n)是一个长度为n，由两个维度组成的复数信号；n为离散信号的采样点数；x(m)为信号x在n处的傅里叶变换，频域信号x为复数信号；由此进一步计算信号的傅立叶频谱特征：傅里叶幅度谱和傅里叶相位谱，计算方式如下：
[0047]
傅里叶幅度谱：
[0048][0049]
傅里叶相位谱：
[0050][0051]
式中，re(
·
)表示频域复数信号x(m)的实部；im(
·
)表示频域复数信号x(m)的虚部；将信号傅里叶幅度谱和傅里叶相位谱分别作为实部和虚部进行组合，得到复数数据集，即特征数据集，表示如下：
[0052]
data＝|x(m)|+φ(x(m))*i；
[0053]
其中，i表示虚数单位。
[0054]
5.构建用于分类正常样本(即良性样本)和对抗样本的网络t，提取特征数据集的特征，使用特征训练集对检测网络t进行二分类训练，使用特征测试集对检测网络t进行分类测试，得到检测结果。检测结果由检测准确率，精确率，召回率进行衡量。其中，构建检测网络t的具体方法为构建两层复数全连接网络以及复数relu激活函数，具体地，复数全连接网络输出为：
[0055]
output＝(re(
·
)-im(
·
))+(re(
·
)-im(
·
))*i；
[0056]
激活函数relu：
[0057]
output＝relu(re(
·
))+relu(im(
·
))*i。
[0058]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0059]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，包括以下步骤：获取信号数据集，将所述信号数据集划分为训练集和测试集；构建目标神经网络，基于所述训练集，通过优化器迭代训练所述目标神经网络，得到目标分类模型；将所述测试集输入所述目标分类模型得到信号分类结果；根据所述信号分类结果，对比真实信号类别并筛选出分类正确的测试集样本组成良性样本数据集；根据所述目标分类模型的损失函数的梯度进行迭代，对所述良性样本数据集添加对抗扰动，得到对抗样本数据集；分别提取所述良性样本数据集和所述对抗样本数据集的傅里叶频谱特征并各自进行特征融合，组成特征数据集并划分特征训练集和特征测试集；构建检测网络，利用所述特征训练集对所述检测网络进行优化器迭代训练，得到最优检测网络模型；将所述特征测试集输入所述最优检测网络模型，输出检测结果。2.根据权利要求1所述的一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，根据所述目标神经网络中损失函数的梯度进行迭代，对所述良性样本数据集添加对抗扰动，得到对抗样本数据集，包括：根据下列公式得到对抗样本：式中，x
t+1
为对抗样本，x
t
为良性样本；α为扰动系数，确定每次迭代中的步长，sign(
·
)为符号函数，指定信号采样点改变方向；j(x，y)为所述目标分类模型的损失函数；为所述损失函数关于信号数值的梯度。3.根据权利要求1所述的一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，分别提取所述良性样本数据集和所述对抗样本数据集的傅里叶频谱特征并各自进行特征融合，组成特征数据集并划分特征训练集和特征测试集，包括：对所述良性样本数据集和所述对抗样本数据集中的样本数据进行离散傅里叶变换，将时域信号转换为频域信号；所述离散傅里叶变换公式为：式中，x(n)是一个长度为n，由两个维度组成的复数信号；n为离散信号的采样点数；x(m)为信号x在n处的傅里叶变换，频域信号x为复数信号。4.根据权利要求3所述的一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，所述傅里叶频谱特征包括傅里叶幅度谱和傅里叶相位谱。5.根据权利要求4所述的一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，所述傅里叶幅度谱计算公式为：所述傅里叶相位谱计算公式为：
式中，re(
·
)表示频域复数信号x(m)的实部；im(
·
)表示频域复数信号x(m)的虚部。6.根据权利要求5所述的一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，所述良性样本数据集和所述对抗样本数据集的傅里叶频谱特征根据下式各自进行特征融合，组成特征数据集：data＝|x(m)|+φ(x(m))*i；其中，i表示虚数单位。7.根据权利要求1所述的一种基于傅里叶频谱的信号对抗样本检测方法，其特征在于，所述检测网络是由两层复数全连接网络和复数激活函数组成的二分类网络。

技术总结
本发明公开了一种基于傅里叶频谱的信号对抗样本检测方法，属于机器学习的信号安全技术领域，包括如下步骤：制作良性样本数据集和对抗样本数据集，分别提取良性样本数据集和对抗样本数据集的傅里叶频谱特征并各自进行特征融合，组成特征数据集并划分特征训练集和特征测试集；构建检测网络，利用特征训练集对检测网络进行二分类训练，得到最优检测网络模型；将特征测试集输入最优检测网络模型，输出检测结果。利用离散傅里叶变换对数据进行处理，分别提取良性样本和对抗样本特征并各自进行特征融合，有效缩短方法过程；并利用复数全连接网络进行分类，更贴合电磁信号的特征，可以有效提高检测的精度。以有效提高检测的精度。以有效提高检测的精度。


技术研发人员：宣琦 王张伟 朱慧燕 陈壮志 徐东伟
受保护的技术使用者：杭州市滨江区浙工大网络空间安全创新研究院
技术研发日：2023.05.26
技术公布日：2023/8/13