申请/专利权人：浙江工业大学

申请日：2021-11-08

公开（公告）日：2024-03-22

公开（公告）号：CN114143040B

主分类号：H04L9/40

分类号：H04L9/40;H04L41/14;H04W12/122

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.03.22#实质审查的生效;2022.03.04#公开

摘要：本发明公开了一种基于多通道特征重构的对抗信号检测方法，首先采集信号数据集，将信号数据集输入特征提取深度接收器，并计算嵌入特征图和对应的语义聚类，并输入多通道特征编码器；所述多通道特征编码器包括私有语义编码器、公有语义编码器和噪声编码器；对上述编码器进行训练，并重构编码器，得到重构特征；将重构特征输入元分类器，并训练元分类器，完成区分正常样本和对抗样本。本发明方法通过噪声特征编码器来提取早射特征，对信号特征进行多特征重构，加强了对抗样本和正常样本的差异性。本发明提出的基于多通道特征重构的对抗信号检测装置因提取了对抗样本的噪声特征，能够更准确地检测更加微小的对抗扰动。

主权项：1.一种基于多通道特征重构的对抗信号检测方法，其特征在于，具体包括以下步骤：1初始化信号数据集，初始化深度接收器模型、特征编码器模型和元分类器；2设置超参数，训练深度接收器模型，保存训练后的深度接收器模型；3利用深度接收器模型获得嵌入特征图，随机选择样本，并计算每个样本的嵌入特征图，将计算得到的嵌入特征图作为初始聚类中心，更新聚类中心；得到最终的语义聚类；4训练多通道特征编码器模型，将步骤3得到的语义聚类输入训练后的多通道特征编码器模型；将多通道特征编码器模型的输出进行重构，得到重构特征；具体包括以下子步骤：4.1训练私有特征编码器fcore在训练轮次Epochencode次情况下，私有特征编码器输入训练样本xi的嵌入特征图，输出预测的解码概率；对输出结果进行反向传播，通过提升其随机梯度对私有特征编码器进行训练；私有特征编码器的训练损失函数如下所示： 其中xi’表示xi的嵌入特征图，表示私有特征编码器对样本xi的嵌入特征图的输出的第j位的第k类的预测概率，表示样本xi在第j位的第k类上的真实标签，表示样本xi对应的鲁棒类在第j位的第k类上的真实标签；直至私有特征编码器fcore收敛或达到预设的训练轮次，训练结束后保存fcore；4.2训练公有特征编码器fcoa在训练轮次Epochencode次情况下，公有特征编码器输入训练样本xi的嵌入特征图，输出预测的解码概率；对输出结果进行反向传播，通过提升其随机梯度对公有特征编码器进行训练；公有特征编码器的训练损失函数如下所示： 其中表示公有特征编码器对样本xi的嵌入特征图的输出的第j位的第k类的预测概率，表示样本xi对应的脆弱类在第j位的第k类上的真实标签；直至公有特征编码器fcoa收敛或达到预设的训练轮次，训练结束后保存fcoa；4.3训练噪声特征编码器fnoise在训练轮次Epochencode次情况下，噪声特征编码器输入训练样本xi的嵌入特征图，输出预测的解码概率；对输出结果进行反向传播，通过提升其随机梯度对噪声特征编码器进行训练；噪声特征编码器的训练损失函数如下所示： 其中表示噪声特征编码器对样本xi的嵌入特征图的输出的第j位的第k类的预测概率，表示样本xi在第j位的第k类上的均匀分布标签；直至噪声特征编码器fnoise收敛或达到预设的训练轮次，训练结束后保存fnoise；4.4重构编码器读取步骤4.1～4.3中的编码器模型，分别去除模型最后一层的输出，以其倒数第二层的全连接层作为输出，得到重构编码器，公式如下所示： 4.5重构特征将步骤4.4的三个重构编码器的输出进行重构，组成重构特征；重构特征公式如下所示： 其中三个编码器的特征输出以重叠的形式重构；5利用快速梯度符号攻击方法对深度接收器模型生成对抗样本数据集，并构造二元数据集；6将步骤5得到的二元数据集输入元分类器，并训练元分类器；7利用步骤6训练得到的元分类器对信号数据集和对抗样本数据集进行分类，判断信号数据集和对抗样本数据集X*为正常样本或对抗样本，完成对抗信号检测。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于多通道特征重构的对抗信号检测方法

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