基于特征梯度的辐射源个体对抗攻击方法

来源：电讯技术杂志2025年第9期北京时间：

作者：刘少龙,张涛,赵晨,刘丰汇

单位：(1.南京信息工程大学 电子与信息工程学院，南京 210044;2.国防科技大学第六十三研究所，南京 210007)

摘要：在基于深度学习的辐射源个体识别研究中，对抗样本会导致性能良好的分类模型出现显著的分类错误，严重影响模型的可靠性。为了应对这一挑战，设计了一种基于梯度的攻击算法，旨在提高对抗样本在白盒和黑盒环境下的攻击成功率。首先，采用随机切片的方法对辐射源个体信号ADS-B（Automatic Dependent Surveillance-Broadcast）进行数据增强，以提高数据的多样性和鲁棒性；接着，针对ADS-B信号的IQ特性，设计了适用于IQ信号的特征提取方法。该方法通过随机抽取特征并将未抽取部分的特征进行了缩放处理，以降低对信号波形的形变；最后，将提取方法与动量迭代结合，提出了特征动量迭代法（Feature Momentum Iterative Fast Gradient Method，FMIM）。实验结果表明，与现有的攻击算法相比，FMIM在白盒环境下的攻击成功率提高了 3%~23.9%，在黑盒环境下提高了 3.6%～7.1%。

关键词：辐射源个体识别；深度学习；对抗样本；特征梯度；

基金资助：国家自然科学基金资助项目（62371463）