采用1-bit压缩感知的信号识别网络黑盒对抗攻击方法

在无线信号识别的神经网络对抗样本研究中,针对目标网络结构参数与数据集均未知,且查询无法获取识别置信度或识别结果的黑盒攻击场景,提出一种采用1-bit压缩感知的对抗样本生成方法。假设攻击者能够通过查询获取某一批信号样本在待攻击模型下的识别准确率。首先,将模型准确率的梯度视为待感知的稀疏变量,并利用一批样本准确率高于或低于另一批的信息(用1或-1表示)构建1-bit压缩感知模型。其次,通过多次查询并估计梯度,结合0范数约束,使用梯度下降法迭代优化信号扰动,从而生成有效的对抗样本。最后,使用对抗样本攻击目标网络以降低识别准确率。实验结果表明,该方法在公开信号调制识别数据集上能够将识别准确率从79.02%降低至65.39%。相比于现有其他方法,该方法进一步拓展了黑盒攻击的限制条件。

广播电视与NR系统的共存分析

由于无线频谱资源的稀缺性,5G NR系统需要在同一区域内与广播电视系统共用700 MHz频段,此时需要评估两个系统之间的互干扰情况。本文首先分析了广播电视与NR系统共存的干扰场景;其次根据邻信道干扰比(ACIR)模型计算了系统间干扰,给出了两系统共存所需最大隔离距离在同频、邻频、次邻频和频率隔离20 MHz时的建议取值;最后得出广播电视清频到683 MHz以下,同时广播电视和(或)NR系统采取额外的干扰规避措施才能实现两系统共存的结论。

基于机器学习的邻区规划研究

利用机器学习算法(包括4种监督学习算法以及2种无监督学习算法),使用某县移动4G小区的工参数据,预测候选邻区是否应该添加为邻区。通过仿真分析,监督学习算法的召回率、准确率和精确率均达到82%以上,且随着样本数增多,算法性能进一步提升,当样本数大于4702条时,召回率达到87%以上。而非监督学习算法的召回率不足20%,因此基于监督的机器学习算法在邻区规划问题上性能更好,可用于邻区规划。

5G业务信道用户容量分析

基于精细化的业务源数据包模型,对数据包经过无线网络的协议开销进行分析,以此分析业务的空口速率需求,从而对系统承载用户容量分析。根据不同的分析需求,将用户容量细分为等效在线用户数、实际在线用户数和背景用户数3种类型并定义其分析方法,为未来5G网络容量分析和网络运维参考提供指导。

面向多买家系统的频谱共享策略

动态频谱共享带来同频干扰和安全问题,静态频谱共享又面临着频谱利用率低的问题。为了引入一种无干扰、安全、有效的频谱共享技术,提出了一种应用于多买家系统的基于报童模型的静态频谱共享策略。报童模型将业务需求看作一个动态变化的过程,因此租售策略需要周期性地进行调整。通过理论分析得到了报童策略在一个租售周期中的使用方法,通过仿真结果得出了仿真场景下的最佳租售周期、最佳申请频谱量和最佳用户服务定价系数。与传统的静态频谱共享策略相比,报童策略在不引入额外问题的前提下,能使系统利润更高、频谱利用率更高。