基于GAN的通信干擾波形生成技術(shù)

趙 凡, 金 虎

(國防科技大學(xué)電子對抗學(xué)院, 安徽 合肥 230037)

0 引 言

通信干擾是通信對抗領(lǐng)域的一個重要研究方向,在通過通信偵察手段獲取目標(biāo)信號的工作頻率、調(diào)制方式、調(diào)制參數(shù)等信息的基礎(chǔ)上,通信干擾系統(tǒng)通過產(chǎn)生與目標(biāo)信號相關(guān)聯(lián)的干擾信號,對目標(biāo)信號的通信過程進行壓制和破壞,最終達(dá)到削弱甚至阻斷對方通信能力的目的。

在實際的對抗過程中,干擾方在獲取目標(biāo)信號特征的先驗知識后,目前主要依靠從固定的干擾策略庫中或憑借用戶經(jīng)驗制定干擾策略,并從平時所積累的大數(shù)據(jù)樣本中選取干擾波形。當(dāng)沒有關(guān)于目標(biāo)信號的先驗知識,或目標(biāo)信號參數(shù)動態(tài)變化時,干擾方無法自適應(yīng)地調(diào)整干擾策略。與之相對的是,近年來人工智能領(lǐng)域蓬勃發(fā)展,越來越多的智能技術(shù)被用到通信系統(tǒng)中[1-3],通信系統(tǒng)的智能化水平不斷提高,能夠自主感知到電磁環(huán)境的變化并快速做出應(yīng)變,抗干擾能力顯著提升。因此,為了應(yīng)對智能化水平越來越高的通信系統(tǒng),干擾方也在不斷嘗試提高自身的智能化水平[4-6]。利用遺傳算法[7]、博弈論[8-10]、強化學(xué)習(xí)[11-12]等方法代替人工搜尋最優(yōu)干擾策略[13],但上述方法實現(xiàn)的前提是知道關(guān)于目標(biāo)信號的先驗知識或者能獲得干擾反饋信息,并且多數(shù)方法只能針對固定干擾任務(wù),當(dāng)目標(biāo)信號參數(shù)動態(tài)變化時,上述方法仍然難以發(fā)揮作用。生成對抗網(wǎng)絡(luò)(generative adversarial networks,GAN)的興起為解決這個問題提供了新的思路。

受博弈論的影響,GAN[14]由兩個互相博弈的網(wǎng)絡(luò)組成,生成網(wǎng)絡(luò)試圖生成逼近真實樣本分布的數(shù)據(jù)去騙過判別網(wǎng)絡(luò),而判別網(wǎng)絡(luò)則試圖正確判斷輸入的來源,在相互博弈中,兩者逐漸提升各自的生成能力和判別能力。博弈的最終結(jié)果是兩者達(dá)到納什均衡,生成網(wǎng)絡(luò)學(xué)到了訓(xùn)練集中真實樣本的分布,能生成逼真的樣本騙過判別網(wǎng)絡(luò)。而在通信干擾中,干擾方所用的干擾信號與目標(biāo)信號的關(guān)聯(lián)性越大,干擾效果越好。這與GAN中生成網(wǎng)絡(luò)的目標(biāo)相似,生成網(wǎng)絡(luò)生成的樣本越逼真就越能騙過判別網(wǎng)絡(luò),通信干擾中所用的干擾波形與目標(biāo)信號的關(guān)聯(lián)性越大,就越有可能落入目標(biāo)信號的信道中,進入目標(biāo)通信系統(tǒng)的接收機,對目標(biāo)通信系統(tǒng)造成干擾。

因此,本文將GAN運用到通信對抗領(lǐng)域中,提出一種基于GAN的通信干擾波形生成技術(shù),運用GAN自主對采集到的目標(biāo)信號時域波形進行學(xué)習(xí),獲取目標(biāo)信號的潛在分布,并生成逼近目標(biāo)信號分布的干擾波形,對目標(biāo)通信系統(tǒng)施加干擾。本文在分析GAN基本原理的基礎(chǔ)上,首先針對通信信號的特點,設(shè)計網(wǎng)絡(luò)模型,并優(yōu)化學(xué)習(xí)率,使得訓(xùn)練數(shù)據(jù)為通信信號時域波形時,網(wǎng)絡(luò)能夠快速收斂,生成與目標(biāo)信號高度關(guān)聯(lián)的干擾波形;其次,通過對不同類型和參數(shù)的通信信號進行干擾波形生成實驗,來驗證該技術(shù)的泛化性;最后,與最佳干擾和噪聲干擾效果進行性能對比試驗。

1 基于GAN的通信干擾波形生成

對數(shù)字通信系統(tǒng)進行干擾主要有3個可行途徑:對信道的干擾、對同步系統(tǒng)的干擾和對傳輸信息的干擾。其中,對信道的干擾是針對解調(diào)器的特點所施加的干擾,要求干擾信號與目標(biāo)信號在信號層面是相似的,也就是要求干擾信號與目標(biāo)信號具有相近的時域、頻域、調(diào)制域特性,這樣干擾信號就能夠與通信信號一起進入解調(diào)器的輸入端,擾亂解調(diào)器的門限判決過程,使判決出錯,誤碼率(bit error rate,BER)增加。本文基于GAN所生成干擾波形就是用于針對信道進行干擾。

1.1 GAN

GAN由兩個相互對抗的網(wǎng)絡(luò)——生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D組成,其基本結(jié)構(gòu)如圖1所示。G的輸入是隨機噪聲矢量z,其目標(biāo)是生成分布盡可能逼近真實樣本分布的偽數(shù)據(jù)G(z)去騙過D;D的輸入是訓(xùn)練集中的真實樣本x或者G生成的偽數(shù)據(jù)G(z),其目標(biāo)是盡可能正確的判斷輸入的來源。D的輸出是一個標(biāo)量,用來表示判定輸入是真實樣本的概率,當(dāng)D認(rèn)為輸入是真實樣本時,輸出1,當(dāng)D認(rèn)為輸入是G生成的偽數(shù)據(jù)G(z)時,輸出0。

圖1 GAN基本結(jié)構(gòu)

D和G可以是任意可微函數(shù),在實際的訓(xùn)練過程中,我們通常采用隨機梯度下降法交替對D和G進行優(yōu)化。對D進行優(yōu)化時,要固定G的參數(shù),由于D的目標(biāo)是實現(xiàn)對輸入數(shù)據(jù)的二分類,也即輸入為真實數(shù)據(jù)x時,輸出1,輸入是偽數(shù)據(jù)G(z)時,輸出0,其損失函數(shù)可以用交叉熵函數(shù)描述為

(1)

式中,第1項中的D(x)表示輸入是真實樣本x時,D判決輸入是真實樣本的概率;第2項中的D(G(z))表示輸入是G生成的偽數(shù)據(jù)時,D判決輸入是真實樣本的概率。優(yōu)化D的過程就是運用隨機梯度下降法調(diào)整D的網(wǎng)絡(luò)參數(shù)使得J(D)最小化的過程。

同理,優(yōu)化G時,需要固定D的參數(shù)。G的目標(biāo)是用生成的G(z)來騙過D,也即希望D(G(z))趨近于1,J(D)的第二項越小越好,因此G的損失函數(shù)可以描述為

(2)

因此,優(yōu)化G的過程就是運用隨機梯度下降法調(diào)整G的網(wǎng)絡(luò)參數(shù)使得J(G)最小化的過程。并且,由于優(yōu)化G時,不需要用到真實樣本,總體上GAN的目標(biāo)函數(shù)可以描述為

Ez～pz(z)[log(1-D(G(z)))]

(3)

因此,由式(3)可以看出,GAN的優(yōu)化過程就是G和D進行極大極小博弈的過程。訓(xùn)練時,先固定G的參數(shù),以真實樣本x和G生成的偽數(shù)據(jù)G(z)為訓(xùn)練集對D進行訓(xùn)練,使目標(biāo)函數(shù)V(D,G)最大化,也即使D具有一定的判別能力;再固定D的參數(shù),優(yōu)化G,使目標(biāo)函數(shù)V(D,G)最小化,也即提高G的生成能力。上述過程交替進行,最終當(dāng)G的生成能力優(yōu)化到能夠生成以假亂真的偽數(shù)據(jù)去騙過D,而D無法判斷出輸入的來源,輸出逼近某個固定值時,便認(rèn)為G已經(jīng)掌握了訓(xùn)練集中真實樣本的分布,能夠生成“逼真”的樣本。

1.2 網(wǎng)絡(luò)模型設(shè)計

本文實驗中,直接對目標(biāo)信號時域波形進行采樣,1 000個點為一個樣本,得到長度為1 000的一維時間序列數(shù)據(jù)作為真實數(shù)據(jù)x輸入到判別網(wǎng)絡(luò)中去。由于本文所處理數(shù)據(jù)為一維時間序列數(shù)據(jù),結(jié)構(gòu)簡單,并且與二維圖像相比,通信信號所蘊含特征更少,更易理解,因此在搭建網(wǎng)絡(luò)時沒有采用卷積層和反卷積層來提取特征和擬合數(shù)據(jù)的分布,而是直接用全連接層加激活函數(shù)來實現(xiàn)[15],本文所搭建的GAN的基本結(jié)構(gòu)如圖2所示。生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)都只含有一個隱藏層,并且隱藏層和輸出層都用全連接層加激活函數(shù)實現(xiàn)。

圖2 本文所用GAN結(jié)構(gòu)

如圖2(a)為生成網(wǎng)絡(luò)的結(jié)構(gòu)示意圖,輸入是長度為100的一維的隨機噪聲,經(jīng)過兩層全連接層轉(zhuǎn)換成長度為1 000的干擾波形輸出,其中隱藏層的激活函數(shù)為Relu,輸出層的激活函數(shù)為Tanh。如圖2(b)為判別網(wǎng)絡(luò)的結(jié)構(gòu)示意圖,判別網(wǎng)絡(luò)的結(jié)構(gòu)與生成網(wǎng)絡(luò)相反,輸入是長度為1 000的目標(biāo)信號時域采樣數(shù)據(jù)或者生成網(wǎng)絡(luò)輸出的干擾波形,經(jīng)過兩次全連接層的變換,輸出一個標(biāo)量,表示判定輸入是目標(biāo)信號的概率,其中隱藏層的激活函數(shù)為Relu,輸出層的激活函數(shù)為Sigmoid。

1.3 通信干擾波形生成

搭建GAN和調(diào)制方式為二進制相移鍵控(binary phase shift keying,BPSK)、正交相移鍵控(quadrature phase shift keying,QPSK)、16進制正交幅度調(diào)制(16 quadrature amplitude modulation,16QAM)、二進制頻移鍵控(binary frequency shift keying,2FSK)的通信系統(tǒng),采集通信信號制作訓(xùn)練集,對GAN進行訓(xùn)練。在訓(xùn)練過程中,考慮到損失函數(shù)只能夠反映出網(wǎng)絡(luò)生成能力和判別能力的變化,并不能直觀、準(zhǔn)確地衡量所生成干擾波形與訓(xùn)練集中目標(biāo)信號時域波形的關(guān)聯(lián)性,本文對生成波形做傅里葉變換,觀察分析其頻域特性,并與時域特性、損失函數(shù)一起作為衡量所生成波形優(yōu)劣的標(biāo)準(zhǔn)。接下來對學(xué)習(xí)率進行優(yōu)化,使網(wǎng)絡(luò)能夠迅速收斂,生成與目標(biāo)信號高度關(guān)聯(lián)的干擾波形。最后運用生成的干擾波形對目標(biāo)通信系統(tǒng)施加干擾,并與最佳干擾、噪聲干擾的干擾效果相比較,來驗證本文通信干擾波形生成技術(shù)的有效性。本文主要算法架構(gòu)如圖3所示。

圖3 基于GAN的通信干擾波形生成技術(shù)框圖

本文算法主要步驟如下。

步驟 1采集BPSK、QPSK、16QAM、2FSK信號時域波形,以10個碼元,1 000個采樣點為一個樣本,每種信號產(chǎn)生128 000個樣本,制作多個訓(xùn)練集。

步驟 2分別用幾種信號的訓(xùn)練集對GAN進行訓(xùn)練,當(dāng)損失函數(shù)變化趨勢趨于穩(wěn)定,生成波形具有與訓(xùn)練集中信號相似的時域、頻域特性時,停止訓(xùn)練,并輸出生成波形。

步驟 3更改學(xué)習(xí)率,多次進行訓(xùn)練,選取最優(yōu)的學(xué)習(xí)率實現(xiàn)通信干擾波形的生成。

步驟 4運用所生成的干擾波形對目標(biāo)通信系統(tǒng)施加干擾,并與最佳干擾、噪聲干擾的干擾效果進行對比。

2 實驗結(jié)果與分析

為了驗證本文干擾波形生成技術(shù)的可行性,進行了學(xué)習(xí)率的優(yōu)化實驗、網(wǎng)絡(luò)的應(yīng)用泛化性實驗和干擾效果對比實驗。

硬件設(shè)備環(huán)境:Window 10系統(tǒng),NVIDIA GeForce GTX 1660Ti顯卡和TensorFlow1.14.0框架。

2.1 實驗1——學(xué)習(xí)率優(yōu)化實驗

目前GAN多運用在計算機視覺領(lǐng)域[16-20],用于處理特征復(fù)雜的二維圖片數(shù)據(jù),而本文需要用GAN來處理特征相對二維圖片更簡單的一維時間序列數(shù)據(jù)。數(shù)據(jù)維度和特征的變化,使得所需要的學(xué)習(xí)率也不同。因此,首先以BPSK信號為例,進行了學(xué)習(xí)率的優(yōu)化實驗,選取合適的學(xué)習(xí)率用于實現(xiàn)通信信號的生成。仿真時,參數(shù)設(shè)置:BPSK信號載波頻率為4 000 Hz,采樣頻率為80 000 Hz,碼元速率為800 Hz,發(fā)送“1”時,初始相位為π/4,發(fā)送“0”時,初始相位為-3π/4,以10個碼元,1 000個采樣點為一個樣本,共128 000個樣本為一個訓(xùn)練集,批次處理大小為256。

將學(xué)習(xí)率分別設(shè)置為0.000 1,0.001進行實驗,訓(xùn)練次數(shù)從1 000次到90 000次,損失函數(shù)變化曲線如圖4所示。

圖4 學(xué)習(xí)率為0.000 1和0.001時損失函數(shù)

從圖4中可以看到,由于兩個網(wǎng)絡(luò)在相互對抗,因此無論總體變化趨勢如何,兩個網(wǎng)絡(luò)的損失函數(shù)都處于劇烈震蕩中。當(dāng)學(xué)習(xí)率為0.000 1時,從總體趨勢上看,訓(xùn)練初期判別網(wǎng)絡(luò)的損失函數(shù)呈下降趨勢,而生成網(wǎng)絡(luò)的損失函數(shù)呈上升趨勢,表明判別網(wǎng)絡(luò)的判別能力在提升,而生成網(wǎng)絡(luò)的生成能力較弱,無法生成逼近真實分布的波形來騙過判別網(wǎng)絡(luò)。隨著訓(xùn)練次數(shù)的增多,判別網(wǎng)絡(luò)的損失函數(shù)在短暫的上升之后持續(xù)下降并趨于穩(wěn)定,而生成網(wǎng)絡(luò)的損失函數(shù)在短暫的下降之后持續(xù)上升并趨于穩(wěn)定,表明隨著訓(xùn)練次數(shù)的增多,判別網(wǎng)絡(luò)判別能力迅速提升,而生成網(wǎng)絡(luò)的生成能力提升速度較慢,生成的樣本無法騙過判別網(wǎng)絡(luò)。

而在學(xué)習(xí)率為0.001時,初期判別網(wǎng)絡(luò)與生成網(wǎng)絡(luò)的損失函數(shù)波動都比較大,在短暫的上升之后迅速下降并趨于穩(wěn)定,這表明訓(xùn)練初期,兩者能力相當(dāng),在相互對抗中各自的判別能力和生成能力都在提升。后期判別網(wǎng)絡(luò)的損失函數(shù)呈上升趨勢并趨于穩(wěn)定,生成網(wǎng)絡(luò)的損失函數(shù)呈下降趨勢并趨于穩(wěn)定,表明隨著訓(xùn)練次數(shù)的增加,生成網(wǎng)絡(luò)的生成能力逐漸提升,并且提升速度較快,逐漸能夠生成逼真的樣本去騙過判別網(wǎng)絡(luò),判別網(wǎng)絡(luò)無法正確判斷出輸入數(shù)據(jù)的來源,輸出趨于某個固定值。

從損失函數(shù)的變化趨勢來看,學(xué)習(xí)率為0.001時生成網(wǎng)絡(luò)生成能力的提升速度比學(xué)習(xí)率為0.000 1時更快更好,因此嘗試將學(xué)習(xí)率取的更大,觀察損失函數(shù)的變化趨勢。學(xué)習(xí)率為0.01時,訓(xùn)練次數(shù)從1 000次到90 000次,損失函數(shù)變化曲線如圖5所示。

圖5 學(xué)習(xí)率為0.01時損失函數(shù)變化圖

考慮到學(xué)習(xí)率為0.01時,損失函數(shù)變化趨勢差別較大,因此多次對網(wǎng)絡(luò)進行訓(xùn)練,取較典型的3次數(shù)據(jù)作圖5。從圖5(a)中可以看到,判別網(wǎng)絡(luò)的損失函數(shù)在短暫波動之后,迅速趨于0,無法提供梯度供生成網(wǎng)絡(luò)更新,生成網(wǎng)絡(luò)的梯度消失了,生成能力無法再提高。這表明學(xué)習(xí)率取值過大,以至于參數(shù)在最優(yōu)解附近來回震蕩,無法收斂。

總的來說,從兩個網(wǎng)絡(luò)的損失函數(shù)變化趨勢來看,學(xué)習(xí)率為0.001時網(wǎng)絡(luò)的生成能力提升較快,經(jīng)過訓(xùn)練后網(wǎng)絡(luò)能夠迅速收斂。接下來,進一步通過分析不同學(xué)習(xí)率時網(wǎng)絡(luò)所生成樣本的時域波形圖、頻譜圖來更加直觀地衡量網(wǎng)絡(luò)所生成干擾波形的優(yōu)劣。圖6為不同學(xué)習(xí)率時GAN所生成樣本的時域波形圖和頻譜圖。

圖6 不同學(xué)習(xí)率時生成樣本的時域波形圖和頻譜圖

圖6(a)中從上到下依次為學(xué)習(xí)率為0.000 1,0.001,0.01時GAN所生成樣本的時域波形圖,左側(cè)為該學(xué)習(xí)率下訓(xùn)練2 000次之后所生成的樣本,右側(cè)為訓(xùn)練90 000次之后所生成的樣本,圖6(b)中對應(yīng)位置為其頻譜圖。從圖6中可以看出,學(xué)習(xí)率為0.001時,GAN訓(xùn)練速度最快,生成能力最強,在訓(xùn)練2 000次后生成網(wǎng)絡(luò)所生成樣本已經(jīng)有較為明顯的與目標(biāo)信號相似的頻域特性,并且在訓(xùn)練90 000次后生成樣本與目標(biāo)信號時域特性、頻域特性相似度更高。而學(xué)習(xí)率為0.01時,雖然訓(xùn)練2 000次后生成的樣本與目標(biāo)信號有較為相似的頻域特性,但之后生成網(wǎng)絡(luò)的生成能力沒有明顯提高,訓(xùn)練90 000次后所生成樣本與目標(biāo)信號的相似度仍與訓(xùn)練2 000次后相當(dāng)。學(xué)習(xí)率為0.000 1時,生成網(wǎng)絡(luò)的生成能力提高的速度明顯比學(xué)習(xí)率為0.001和0.01時更慢,在訓(xùn)練2 000次后,所生成樣本仍沒有明顯的特征,但隨著訓(xùn)練次數(shù)的增加,生成能力在不斷提升,訓(xùn)練90 000次后所生成樣本已經(jīng)與目標(biāo)信號具有較為相似的時域特性和頻域特性,但相似度與學(xué)習(xí)率為0.001時差別較大,說明學(xué)習(xí)率為0.000 1時,生成網(wǎng)絡(luò)的生成能力雖然能隨著訓(xùn)練次數(shù)的增加而不斷提升,但提升速度較慢。總的來說,學(xué)習(xí)率取0.001時,網(wǎng)絡(luò)生成能力提升較快,能夠較快地生成與目標(biāo)信號具有相似時域特性和頻域特性的干擾波形。

2.2 實驗2——網(wǎng)絡(luò)的應(yīng)用泛化性實驗

傳統(tǒng)干擾方法是基于已經(jīng)偵察到的目標(biāo)信號特征,來選擇合適的干擾波形實施干擾,而本文提出的基于GAN的通信干擾波形生成技術(shù),直接運用GAN對采集到的目標(biāo)信號時域波形進行學(xué)習(xí),獲取其潛在特征,并生成與之具有相似特征的波形作為干擾波形,不需要關(guān)于目標(biāo)特征的先驗知識,與傳統(tǒng)干擾方法相比泛化性更強。下面對GAN在不同目標(biāo)通信信號上的應(yīng)用效果做實驗探究,驗證其泛化性。

實驗1中對BPSK信號時域波形進行采樣制作數(shù)據(jù)集,對網(wǎng)絡(luò)進行訓(xùn)練。為說明GAN對其他類型通信信號也有較好的生成效果,分別取QPSK,16QAM,2FSK信號時域波形制作數(shù)據(jù)集,對網(wǎng)絡(luò)進行訓(xùn)練。

實驗所用QPSK信號載波頻率為2 400 Hz,發(fā)送“11”時,初始相位為π/4,發(fā)送“01”時,初始相位為3π/4,發(fā)送“00”時,初始相位為5π/4,發(fā)送“10”時,初始相位為7π/4。在網(wǎng)絡(luò)結(jié)構(gòu)不變的情況下,學(xué)習(xí)率設(shè)置為0.001,批處理大小為256,以QPSK信號數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練,訓(xùn)練次數(shù)從1 000次到90 000次,損失函數(shù)變化曲線如圖7所示。

圖7 QPSK信號損失函數(shù)變化圖

從圖7中可以看到,在訓(xùn)練初期,生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的損失函數(shù)變化均較大,在訓(xùn)練40 000次之后,生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的損失函數(shù)均趨于穩(wěn)定,網(wǎng)絡(luò)能夠迅速收斂。以10個碼元為例,訓(xùn)練90 000次后所生成樣本時域波形圖和頻譜圖如圖8所示。

圖8 生成QPSK樣本時域波形圖和頻譜圖

圖8(a)為生成QPSK樣本的時域波形圖,可以看到,網(wǎng)絡(luò)學(xué)習(xí)到了QPSK信號相位翻轉(zhuǎn)的特征,在圖8(a)中,2,4,6,8碼元交界處出現(xiàn)了相位翻轉(zhuǎn)。圖8(b)為生成QPSK樣本的頻譜圖,與訓(xùn)練所用QPSK信號載波頻率一致,表明網(wǎng)絡(luò)學(xué)習(xí)到了QPSK信號的頻譜特征。

BPSK、QPSK均通過載波信號的相位變化來攜帶信息,而正交振幅調(diào)制同時運用載波信號的幅度和相位來攜帶信息,是目前通信系統(tǒng)中較為常用的調(diào)制方式。與BPSK、QPSK信號時域波形相比,QAM信號時域波形同時具有相位和幅度的變化。實驗中,運用正交調(diào)幅法,將兩路獨立的正交4ASK信號疊加起來得到16QAM信號。兩路4ASK信號的4個振幅均設(shè)置為-1,-0.34,0.34,1,載波頻率均為2 400 Hz。以16QAM信號數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練,訓(xùn)練次數(shù)從1 000次到90 000次,損失函數(shù)變化曲線如圖9所示。

圖9 16QAM信號損失函數(shù)變化圖

從圖9中可以看到,訓(xùn)練初期,生成網(wǎng)絡(luò)損失函數(shù)迅速下降,而判別網(wǎng)絡(luò)損失函數(shù)迅速上升,表明初期生成網(wǎng)絡(luò)的生成能力提升較快,逐漸學(xué)習(xí)到真實樣本特征并生成樣本騙過判別器。但判別器也在逐漸提升判別能力,兩者進行對抗,在短暫的平穩(wěn)狀態(tài)之后,判別器的損失函數(shù)呈下降趨勢,表明了判別器判別能力的提升。在對抗中,生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)都逐漸學(xué)習(xí)到了真實樣本的特征,提升了各自的生成能力和判別能力,最終在訓(xùn)練40 000次后,兩者損失函數(shù)趨于平穩(wěn),網(wǎng)絡(luò)收斂。以16個碼元為例,訓(xùn)練90 000次后所生成16QAM樣本時域波形圖和頻譜圖如圖10所示。

圖10 生成16QAM樣本時域波形圖和頻譜圖

圖10(a)為生成16QAM樣本的時域波形圖,可以看到,每隔4個碼元,波形的相位或者幅度產(chǎn)生一次變化,網(wǎng)絡(luò)學(xué)習(xí)到了16QAM相位翻轉(zhuǎn)和幅度變化的特征。圖10(b)為生成16QAM樣本的頻譜圖,與訓(xùn)練所用16QAM信號載波頻率一致。

BPSK、QPSK和16QAM均只含有一個頻率分量,而2FSK含有兩個頻率分量,運用載波信號的頻率變化來攜帶信息,在時域上,兩個頻率分量的波形按碼元信息的變化交替出現(xiàn)。實驗所用2FSK信號采樣頻率為160 000 Hz,發(fā)送“1”時,載波頻率為3 200 Hz,發(fā)送“0”時,載波頻率為8 000 Hz,初始相位均為0。以2FSK信號數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練時,損失函數(shù)變化曲線如圖11所示,在訓(xùn)練40 000次之后,損失函數(shù)的變化趨勢逐漸趨于平穩(wěn),網(wǎng)絡(luò)迅速收斂。

圖11 2FSK信號損失函數(shù)變化圖

以10個碼元為例,訓(xùn)練2 000次和90 000次后所生成樣本時域波形圖和頻譜圖如圖12所示。

從圖12中可以看到,在訓(xùn)練2 000次之后,生成網(wǎng)絡(luò)已經(jīng)能生成含有兩個頻率分量的干擾波形,生成樣本頻譜特征與訓(xùn)練所用2FSK信號的頻譜特征一致,但此時在時域上兩個頻率的波形是均勻混在一起的,網(wǎng)絡(luò)對2FSK信號的時域特征學(xué)習(xí)不夠充分。在訓(xùn)練90 000次之后,網(wǎng)絡(luò)逐漸學(xué)到了2FSK信號的時域特征,生成了兩個頻率波形不在同一時間出現(xiàn)的干擾波形。

圖12 生成2FSK樣本時域波形圖和頻譜圖

綜上,可以看出本文GAN對其他類型和參數(shù)的目標(biāo)信號也有較好的生成效果,能夠生成與目標(biāo)信號具有相似時域特性和頻域特性的樣本作為干擾波形,具有較好的應(yīng)用泛化性。

2.3 實驗3——干擾效果對比實驗

通信干擾波形生成的最終目的是實現(xiàn)有效干擾,為說明本文干擾波形生成方法的有效性和較傳統(tǒng)方法的優(yōu)越性,將本文方法與最佳干擾、高斯噪聲干擾進行了干擾效果對比試驗。

在實驗中,為充分觀察干擾效果,以10 000個碼元長度為例,分別以訓(xùn)練80 000次后所生成的干擾波形、最佳干擾波形和高斯噪聲對目標(biāo)通信系統(tǒng)進行干擾,在不同的干信比下各重復(fù)100次,取BER平均值,畫干擾效果對比圖。對BPSK、QPSK和2FSK通信系統(tǒng)來說,最佳干擾是與其具有相同調(diào)制方式、載波頻率和碼元速率的通信信號,因此在實驗中,對隨機生成的基帶信號做不同的調(diào)制后作為BPSK、QPSK和2FSK通信系統(tǒng)最佳干擾波形。對16QAM通信系統(tǒng)來說,理論上最佳干擾是與其具有相同載波頻率和碼元速率的QPSK信號[21],但仿真中與目標(biāo)信號具有相同載波頻率和碼元速率的16QAM信號進行干擾的效果與最佳干擾效果相差較小,并且低干信比時,以16QAM信號進行干擾的效果略優(yōu)于QPSK信號,因此在本文實驗中仍以與目標(biāo)信號具有相同載波頻率和碼元速率的16QAM信號對16QAM通信系統(tǒng)的干擾效果作為最佳干擾。3種干擾對BPSK、QPSK、16QAM和2FSK通信系統(tǒng)的干擾效果對比如圖13所示。

圖13(a)為3種干擾下BPSK通信系統(tǒng)的BER,圖13(b)為3種干擾下QPSK通信系統(tǒng)的BER,圖13(c)為3種干擾下16QAM通信系統(tǒng)的BER,圖13(a)為3種干擾下2FSK通信系統(tǒng)的BER。

圖13 3種干擾下BPSK、QPSK、16QAM和2FSK通信系統(tǒng)的BER

從圖13中可以看出,干信比相同時,生成干擾波形的BER比高斯噪聲高很多,也即干擾效果比高斯噪聲干擾明顯得多。干信比較小時,與最佳干擾相比,生成干擾波形的干擾效果比最佳的干擾還要好,這也從一個側(cè)面驗證了所謂的最佳干擾波形也是在某一定的干信比范圍內(nèi)而言的;干信比較大時,生成干擾波形的BER低于最佳干擾的BER,但隨著干信比的增加,生成波形BER曲線能夠逐漸逼近最佳干擾的BER曲線。結(jié)合第2.2節(jié)中4種信號損失函數(shù)變化趨勢和生成樣本的仿真結(jié)果來看,在學(xué)習(xí)率取0.001時,運用4種信號的訓(xùn)練集訓(xùn)練網(wǎng)絡(luò),訓(xùn)練40 000次之后,網(wǎng)絡(luò)的損失函數(shù)變化趨勢都能逐漸變小,損失值趨于穩(wěn)定,生成網(wǎng)絡(luò)能夠生成逼近真實樣本分布的樣本騙過判別網(wǎng)絡(luò),并且所生成干擾波形能對目標(biāo)通信系統(tǒng)產(chǎn)生較好的干擾效果。

3 結(jié) 論

本文提出一種基于GAN的通信干擾波形生成技術(shù),利用GAN能夠自主學(xué)習(xí)訓(xùn)練集中數(shù)據(jù)的潛在分布并生成具有相同分布的樣本的能力,將采集到的目標(biāo)信號時域波形直接作為訓(xùn)練集對GAN進行訓(xùn)練,并將生成的與目標(biāo)信號具有相似時域特性和頻域特性的樣本作為干擾波形,針對目標(biāo)通信系統(tǒng)的信道實施干擾。與傳統(tǒng)干擾方法相比,本文所提出的方法不需要關(guān)于目標(biāo)信號特征的先驗知識,能夠自主提取目標(biāo)信號的特征并生成干擾波形實施干擾,減少了人工決策的過程,解決了實際干擾過程中未知信號和參數(shù)動態(tài)變化的信號干擾的問題,在取得較好干擾效果的同時,也具有良好的應(yīng)用泛化性。