申请/专利权人：浙江工业大学

申请日：2019-12-30

公开（公告）日：2020-05-15

公开（公告）号：CN111163472A

主分类号：H04W12/12(20090101)

分类号：H04W12/12(20090101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.10.04#授权;2020.06.09#实质审查的生效;2020.05.15#公开

摘要：一种基于生成式对抗网络攻击的防御方法，包括：1利用长短时记忆网络LSTM，搭建合适的生成式对抗网络结构GAN；2对结构中的判别模型进行预训练；3根据生成器G的损失函数，以迭代次数为限制，收敛损失函数为目的，训练生成器G；4根据生成器D的损失函数，以迭代次数为限制，收敛损失函数为目的，训练生成器D；5重复以上步骤3～步骤4，轮流优化生成式对抗网络中的生成器和判别器，以迭代次数为上限，得到较好的网络结构，完成最优对抗样本的生成；6观察对抗样本的指标，并生成大量不同类型信号的对抗样本；7通过将一些筛选后的对抗样本，加入到模型训练阶段，以达到对信号边界摸索攻击的防御效果。

主权项：1.一种基于生成式对抗网络攻击的防御方法，包括以下步骤：1利用长短时记忆网络LSTM，搭建合适的生成式对抗网络结构GAN；所述生成对抗网络包括用于基于输入的良性样本输出对抗样本的生成模型G和判别输入的对抗样本真伪的判别模型D；生成模型G的网络结构输入一个大小为[28，28，1]的噪声向量，通过LSTM网络对噪声信号的采样、池化、回馈，最后生成[28，28，1]的伪造图像；为了更好的识别生成模型G伪造的图像，判别模型D采用与生成器G对称复杂度相似的LSTM网络结构；2对结构中的判别模型进行预训练，保证其判别能力在3％至8％之间；2.1以无线信号数据集作为样本数据，将其作为判别模型的输入；2.2利用训练集对判别模型进行预训练，保证判别模型对测试集的准确度在3％至8％之间；其中训练集312000张，测试集156000张；3根据生成器G的损失函数，以迭代次数为限制，收敛损失函数为目的，训练生成器G；生成模型G的损失函数G_loss为：G_loss＝||G_convince-G_best||21G_convince是判别网络对生成信号的置信度反馈；G_best为理想情况下判别网络的反馈；4根据生成器D的损失函数，以迭代次数为限制，收敛损失函数为目的，训练生成器D；Dreal_loss＝||D_convince-D_best||22Dfake_loss＝||G_convince-G_worst||23D_loss＝Dreal_loss+Dfake_loss4D_convince是判别网络对良性信号的置信度反馈；D_best为理想情况下判别网络的反馈；G_worst为最坏情况下判别网络的反馈；5重复以上步骤3～步骤4，轮流优化生成式对抗网络中的生成器和判别器，以迭代次数为上限，得到较好的网络结构，完成最优对抗样本的生成；6观察对抗样本的指标，并生成大量不同类型信号的对抗样本；将对抗样本作为一般分类模型的输入，得到分类模型的反馈，观察对抗样本的指标，包括类标，置信度，扰动大小，判断对抗样本是否优质；7通过将筛选后的对抗样本，加入到模型训练阶段，以达到对信号边界摸索攻击的防御效果。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于生成式对抗网络的信号识别攻击的防御方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD