通过逐层特征空间扰动净化技术,防御对抗性攻击对自动调制识别的攻击
《Engineering Applications of Artificial Intelligence》:Defending automatic modulation recognition against adversarial attacks via layer-wise feature-space perturbation purification
【字体:
大
中
小
】
时间:2026年04月02日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
对抗攻击下自动调制识别的深度神经网络防御研究。本文提出CFA-VQGAN框架,通过三阶段特征对齐策略抑制多层特征空间的对抗扰动传播,在保持清洁信号识别精度(92.84%-96.11%)的同时显著提升鲁棒性,尤其对白盒PGD攻击(87.22%-83.95%)和黑盒Square攻击(47%-44%)效果显著。
张仕龙|宋宇|王树斌
内蒙古大学计算机科学学院,中国内蒙古自治区呼和浩特市西大学路235号,010021
摘要
自动调制识别(AMR)在智能通信系统中起着至关重要的作用。然而,基于深度神经网络(DNN)的AMR系统仍然容易受到对抗性攻击的威胁,攻击者会故意在信号中注入微妙的扰动以诱导误分类,这对通信安全构成了重大威胁。尽管现有的防御措施在一定程度上提高了系统的鲁棒性,但它们仍然存在明显的局限性。对抗性训练通常依赖于大量的特定攻击样本,导致训练成本高昂,并且容易过拟合已知的攻击方式。基于蒸馏的防御方法在知识转移过程中可能会丢失细粒度的判别特征,从而在鲁棒性和识别准确性之间产生权衡。生成式防御方法通常专注于消除输入域中的扰动,但对内部特征变化的约束不够明确,这使得难以抑制多层特征空间中对抗性扰动的累积。为了解决这个问题,我们提出了一种协作式特征对齐向量量化生成对抗网络框架(CFA-VQGAN),该框架通过锚定干净信号的多层特征来提供特征级的防御。具体来说,CFA-VQGAN通过三阶段特征对齐策略建立了一个全面的扰动净化流程,逐步引导对抗性信号与其干净的对应信号对齐。在RML2016.10a和RML22.01A数据集上的实验表明,所提出的方法在多种攻击下显著提高了系统的鲁棒性,同时保持了干净信号的识别性能。具体而言,未受攻击时的识别准确率分别保持在92.84%和96.11%。在白盒PGD攻击下,扰动幅度为0.08时,CFA-VQGAN的准确率分别为87.22%和83.95%。
引言
自动调制识别(AMR)是智能通信系统的基本组成部分,它负责从接收到的信号中自动识别调制方案,以促进频谱管理和干扰抑制(Wang等人,2025年;Yang等人,2025年)。传统的AMR方法主要依赖于手工制作的特征提取,这往往无法满足现代无线通信的需求(Chang等人,2022年;Tu等人,2020年)。深度学习的发展极大地重塑了AMR领域,因为深度神经网络(DNN)利用强大的非线性建模能力显著提高了识别性能(Qu等人,2025年;Bhatti等人,2024年)。
然而,DNN对对抗性攻击的脆弱性日益明显(Meng等人,2025年;Y. Chen等人,2024年)。对抗性攻击起源于计算机视觉领域,后来扩展到信号处理领域,通过向输入信号中注入精心设计的、难以察觉的扰动,使AMR模型产生错误的预测(Kim等人,2022年)。Sadeghi和Larsson(2019年)报告称,即使是对输入进行微小的扰动,对抗性攻击也会显著降低分类性能。此类攻击不仅会损害AMR的可靠性,还会对整个通信系统造成严重故障的风险,可能对军事和民用安全构成威胁(Maroto等人,2022年)。因此,防御AMR对抗性攻击已成为提高智能通信系统鲁棒性和安全性的关键挑战。
最近,对抗性攻击威胁的加剧促使人们积极探索AMR防御策略。当前的防御措施主要分为三类:基于对抗性训练(AT)的、基于知识蒸馏(KD)的以及基于生成对抗网络(GAN)的。基于AT的防御方法是迄今为止最成熟的方法,它在训练过程中同时使用对抗性和干净样本,使模型能够获得对扰动的更强鲁棒性。研究人员利用快速梯度符号法(FGSM)和投影梯度下降(PGD)等技术生成对抗性信号,从而减轻对抗环境中的性能下降(Zhang等人,2024b;Yan等人,2024年)。然而,基于AT的防御方法往往容易过拟合特定类型的攻击,并且计算负担较大,因为每次训练迭代都需要生成大量的对抗性样本。基于KD的防御方法通过师生框架传递鲁棒性。一些研究使用蒸馏技术来约束学生模型的特征分布,从而降低其对输入扰动的敏感性(Xu等人,2024年;Z. Chen等人,2024年)。与基于AT的方法相比,基于KD的方法具有更高的计算效率。然而,蒸馏过程通常会丢弃细粒度信息,导致学生模型在复杂信号任务上的性能下降。此外,如果教师模型本身缺乏鲁棒性,学生模型的防御能力也会受到限制。基于GAN的防御方法通过生成器和鉴别器之间的竞争来净化输入。一些研究人员设计防御性GAN来重构样本,而其他研究人员将GAN嵌入分类器训练中,以产生能够削弱扰动影响的鲁棒特征表示(Zhou等人,2024年;Zhang等人,2025年)。然而,基于GAN的防御方法通常缺乏对网络内部扰动传播机制的明确建模,这限制了它们的有效性。尽管上述方法取得了令人鼓舞的进展,但大多数现有防御措施忽略了一个关键因素:对抗性扰动造成的损害不仅限于输入层,扰动会逐渐传播到模型的内部特征空间。因此,只有通过在特征层处理扰动并建立逐步消除它们的机制,才能有效中断对抗性效应的传播链。
为了解决这些问题,本文提出了一种协作式特征对齐向量量化生成对抗网络框架(CFA-VQGAN)。该框架以干净信号的多层特征为基准,通过三阶段对齐策略建立了一个全面的净化路径,引导对抗性特征在浅层、中层和深层与干净特征对齐。具体来说,第一阶段使用干净路径中的无扰动特征来引导对抗性特征,从而阻止浅层对抗性扰动的传播。第二阶段将干净特征分布映射到对抗性特征空间,稳定特征分布。第三阶段促进对抗性特征向干净特征进行深层语义对齐,确保整体一致性。与主要扩展对抗性样本或进行特征修补的现有防御方法不同,CFA-VQGAN直接在模型内部进行干预。这种机制有效地阻止了扰动在层间的渗透,并实现了从结构感知到语义表示的净化,显著提高了模型消除对抗性扰动的能力。CFA-VQGAN的贡献可以总结如下:
- 1.
CFA-VQGAN框架采用了特征级防御范式。该框架将对抗性扰动传播建模为特征空间中的逐层渗透过程,并通过三阶段特征对齐建立了一个全面的缓解流程,从而从根本上提高了多层的鲁棒性。
- 2.
引入了一种浅层特征引导策略,利用未受扰动路径中的干净浅层特征对对抗性路径进行初始对齐。这种机制阻止了对抗性扰动的早期传播,并稳定了基础特征表示。
- 3.
开发了一种中间层分布映射策略,将干净特征分布与对抗性空间中的分布对齐。这种对齐稳定了分布,抑制了由扰动引起的感知失真,并增强了中间层特征对攻击的抵抗力。
- 4.
提出了一种深层语义校正策略,引导对抗性特征与干净的语义表示对齐。这一过程纠正了由扰动引起的语义失真,实现了从结构感知到语义表示的全面保护。
- 5.
在RML2016.10a和RML22.01A数据集上的实验结果表明,即使在白盒攻击下,CFA-VQGAN也能保持干净信号的准确率分别为92.84%和96.11%。在扰动幅度为0.08的PGD攻击下,其准确率分别为87.22%和83.95%。对于黑盒Square攻击,当查询次数最多为2000次时,平均识别率分别约为47%和44%。
本文的其余部分组织如下:第2节回顾相关工作,第3节概述系统模型,第4节详细描述所提出的方法,第5节介绍实验设置和结果,最后第6节总结贡献并讨论未来研究方向。
节选
基于深度学习的自动调制识别
自动调制识别(AMR)是通信对抗措施和智能接收器的关键能力,旨在在未知信道条件下自动识别接收信号的调制方案。早期的方法主要依赖于基于概率或特征工程的传统模式识别框架,在信噪比(SNR)较低和信道失真的环境中,这些方法的鲁棒性有限,且严重依赖于特征
自动调制识别模型
在无线通信系统中,发射机通过调制将基带信号
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号