[發(fā)明專利]一種針對信號調(diào)制類型分類的魯棒性評估和分析方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110498249.X
• 申請日: 2021-05-08
• 公開（公告）號: CN113361328A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計(jì)）人: 宣琦;錢佳能;許航;王人軒;邱君瀚
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵

一種針對信號調(diào)制類型分類的魯棒性評估和分析方法，包括：S1,選取最新的深度學(xué)習(xí)模型和攻擊方法；S2，計(jì)算得到特征子空間指標(biāo)；S3，計(jì)算得到攻擊指標(biāo)，測試指標(biāo)，魯棒性指標(biāo)；S4，通過指標(biāo)相關(guān)性分析，篩選掉相關(guān)性過高的指標(biāo)；S5，訓(xùn)練隨機(jī)森林模型，優(yōu)化模型參數(shù)，制作魯棒性評價(jià)分析模塊。本發(fā)明還包括實(shí)施針對信號調(diào)制類型分類的魯棒性評估和分析方法的系統(tǒng)，由識別攻擊模塊，評測模塊，搜索優(yōu)化模塊，輸出模塊依次鏈而成。本發(fā)明將圖像的模型分析方法引入信號領(lǐng)域。提出了基于特征子空間的一系列指標(biāo)，整合神經(jīng)元相關(guān)的測試指標(biāo)，模型結(jié)構(gòu)相關(guān)的魯棒性指標(biāo)，構(gòu)成多方位評價(jià)模型的指標(biāo)評價(jià)體系。

技術(shù)領(lǐng)域

本發(fā)明涉及無線電調(diào)制分類模型安全領(lǐng)域，特別是涉及一種針對信號調(diào)制類型分類的魯棒性評估和分析方法及系統(tǒng)。

背景技術(shù)

現(xiàn)如今深度學(xué)習(xí)模型的魯棒性和安全性成為一個大問題，這自然就迫切需要分析和驗(yàn)證深度學(xué)習(xí)模型的行為，以確保它們在實(shí)際部署中的可靠性和安全性。分析模型的良好性能表明了深度學(xué)習(xí)模型的魯棒性和通用性。對于最先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)，能夠很好的完成各項(xiàng)識別任務(wù)，這種網(wǎng)絡(luò)可以對輸入的擾動具有魯棒性，即因?yàn)榧?xì)小的擾動不能改變圖像的任意類別。然而，對抗樣本在不可察覺的非隨機(jī)擾動下，可以任意改變網(wǎng)絡(luò)的預(yù)測值，同時我們發(fā)現(xiàn)對抗樣本是相對魯棒的，能夠在不同層數(shù)，不同激活函數(shù)，不同訓(xùn)練方式，不同的訓(xùn)練樣本集上的DNN模型共享，即我們用一個神經(jīng)網(wǎng)絡(luò)生成一組對抗樣本，在不同的模型上也會表現(xiàn)出對抗樣本的特性，也就是說DNN模型具有非直觀的特性和固有的盲點(diǎn)，其結(jié)構(gòu)與數(shù)據(jù)分布的關(guān)系不明顯。對于對抗性攻擊樣本的存在，一個普遍接受的解釋是，它們在自然圖像的多個區(qū)域之外運(yùn)行，模型在訓(xùn)練期間沒有接觸到這些區(qū)域，因此它的行為可以被任意操縱。圖像數(shù)據(jù)一般為二維數(shù)據(jù)，而信號數(shù)據(jù)一般為一維時序數(shù)據(jù)，雖然它們的本質(zhì)含義有著很大的差別。可以嘗試將圖像領(lǐng)域的攻擊方法應(yīng)用于無線電信號領(lǐng)域。信號分類模型的魯棒性分析也引起了很多通信學(xué)者的關(guān)注

已有專利：

申請?zhí)枮?02010799032.8的專利所公開的技術(shù)方案，人工智能圖像分類模型的魯棒性評估和增強(qiáng)系統(tǒng)，其包括白盒評估模塊，黑盒評估模塊和防御增強(qiáng)模塊，通過多種魯棒性評估指標(biāo)優(yōu)化魯棒性評估流程，通過內(nèi)置的多種技術(shù)對模型進(jìn)行防御。其采用的指標(biāo)不夠全面，沒有涉及到模型內(nèi)部神經(jīng)元相關(guān)的測試指標(biāo)，沒有對多維指標(biāo)進(jìn)行分析和整合，沒有給出一個直觀評價(jià)。本專利基于信號領(lǐng)域，提出基于特征子空間的一系列指標(biāo)，豐富了整個指標(biāo)體系。整合神經(jīng)元相關(guān)的測試指標(biāo)，模型結(jié)構(gòu)相關(guān)的魯棒性指標(biāo)，攻擊相關(guān)的攻擊指標(biāo)得到對于模型魯棒性的綜合評價(jià)，經(jīng)過指標(biāo)之間的相關(guān)性分析，篩選掉部分相關(guān)性極高的指標(biāo)，經(jīng)過隨機(jī)森林的機(jī)器學(xué)習(xí)算法，生成模型魯棒性的判定準(zhǔn)則，評價(jià)報(bào)告和直觀評價(jià)。

針對魯棒性分析的工作，當(dāng)下在圖像領(lǐng)域已經(jīng)有較為完善的分析方法，但針對信號領(lǐng)域的領(lǐng)域非常少。

發(fā)明內(nèi)容

本發(fā)明要提供一種針對信號調(diào)制類型分類的魯棒性評估和分析方法及系統(tǒng)，以解決上述現(xiàn)有技術(shù)存在的問題，使能在信號領(lǐng)域通過全面的指標(biāo)分析分類模型的魯棒性。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下方案：

本發(fā)明提供一種針對信號調(diào)制類型分類的魯棒性評估和分析方法及系統(tǒng)，包括以下步驟：

S1：使用無線電信號作為樣本數(shù)據(jù)，選取最新的深度學(xué)習(xí)模型，選取最新的深度學(xué)習(xí)模型攻擊方法，將生成的對抗樣本和原始樣本一一對應(yīng)保存；

S2：將原始樣本輸入不同參數(shù)，結(jié)構(gòu)的模型得到特征子空間指標(biāo)；

S3：將原始樣本和攻擊樣本輸入模型得到攻擊驅(qū)動的攻擊指標(biāo)，將原始樣本直接輸入模型根據(jù)不同神經(jīng)元激活情況，得到模型本身的測試指標(biāo)，通過對原始模型的不同層進(jìn)行計(jì)算得到模型本身的魯棒性指標(biāo)；

S4：通過指標(biāo)相關(guān)性分析，篩選掉相關(guān)性過高的指標(biāo)，并把輸出的指標(biāo)保存下來；