基于特征融合的电磁信号对抗样本检测方法

针对电磁信号调制识别智能模型容易受到对抗样本攻击的问题,提出了一种基于特征融合的电磁信号对抗样本检测方法。该方法首先通过变分模态分解对测试样本进行去噪得到去噪后的电磁信号样本,然后分别将去噪前后的电磁信号样本输入到神经网络模型中,接着计算去噪前后模型输出向量的余弦相似性值和置信度差值,最后将两个特征进行融合,输入到一个神经网络模型中进行检测。与基线方法相比,该方法在实验中取得了更高的检测成功率。本文方法具有时间复杂度低、易于实现的优点,为电磁信号调制识别智能模型提供了一种新颖的对抗样本检测方法。

基于信号迁移性观测的中毒样本检测

随着深度学习这一项技术的迅速普及,深度学习模型在信号自动调制分类任务具备优秀效果的同时,其脆弱性也使得模型易受到中毒攻击。为了解决在缺少先验知识的场景下缺少通用的中毒防御策略问题,提出一种基于信号迁移性观测的中毒样本检测方法。该方法主要通过对信号样本的迁移性观测进行检测,核心是利用迁移性观测器计算出的相似度衡量样本的可迁移性。检测过程分为离线阶段与在线阶段。离线阶段中,通过一批干净的数据集,基于迁移性观测器的输出计算类内相似度与类间相似度,继而有策略地获取类别检测阈值;在线阶段中,基于迁移性观测器和输入样本的分类结果进行迁移性观测,判断样本是否中毒。