技术前沿 | 面向调制识别模型鲁棒性提升的对抗防御方法研究
技术前沿 | 面向调制识别模型鲁棒性提升的对抗防御方法研究
摘要:研究表明即使是性能优异的信号智能识别模型,在面对对抗样本时也会表现出脆弱性。对抗防御方法的研究可有效改善模型面对对抗样本时的鲁棒性并提升模型识别安全性。将防御方法总结为模型层面防御和数据层面防御:模型层面防御上提出类间距离损失函数,在确定一类特征中心后,该损失函数在训练过程中缩小特征中心类样本特征间的距离并扩大非特征中心类样本特征间的距离,来获得更为离散的特征空间,从而提升模型鲁棒性;数据层面防御上利用降噪自编码器,通过学习对抗样本与原始样本间的映射关系,重构对抗样本,从而滤除对抗样本中大部分扰动。实验表明,调制信号数据集中,在扰动为0.0O8的情况下,模型识别率在 82% 左右。此外,该方法对多种方法生成的信号对抗样本都具有良好的鲁棒性。