一种基于深度学习的干扰效果评估方法以及系统

1.本发明涉及通信干扰技术领域，具体涉及一种基于深度学习的干扰效果评估方法以及系统。


背景技术：

2.干扰效果评估是电子对抗作战的核心问题，也是电子对抗技术研究、电子对抗设备开发的关键技术。在通信中，干扰方与被干扰方是非合作的，干扰效果干扰方无法直接获取，找到一种合理的方法评估当前所选用的频率以及功率的干扰决策等对通信方的通信效果是否产生影响以及影响程度，为干扰设备提供干扰决策的辅助信息，对干扰决策的选取和学习具有重大的意义。
3.由于用户采用不同的通信协议，受到干扰所表现的特征不同，受到干扰的频谱变化规律不同，很难找到一种确知的方式去根据用户的频谱，用户的功率特征行为去判断，用户不会主动告知干扰方是否遭受干扰，因此干扰方必须通过对环境的感知和观察来判断用户遭受干扰的情况，但是由于用户采用不同的干扰系统，通信协议及波形都不相同，很难有一种闭合的函数关系能够通过传统的公式来确定当前感知的状态和用户受到干扰的状态。


技术实现要素：

4.为了解决现有电子对抗技术中，难以确定当前感知的状态和用户受到干扰的状态等技术问题，本发明提供一种基于深度学习的干扰效果评估方法以及系统。
5.本发明解决上述技术问题的技术方案如下：
6.一种基于深度学习的干扰效果评估方法，包括如下步骤：
7.构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据；
8.采集处于通信干扰下的通信信号，得到感知波形数据；
9.将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。
10.本发明的有益效果是：本发明基于神经网络，收集非合作的关系的干扰方与被干扰的通信数据集，通过神经网络模型对数据集的训练与学习，得到干扰评估模型，并通过干扰评估模型判断是否干扰成功。便于在电子对抗中，干扰方能够正确的判断其干扰是否有效。
11.在上述技术方案的基础上，本发明还可以做如下改进。
12.进一步，其特征在于，构建神经网络模型，具体为：构建lstm网络模型。
13.采用上述进一步方案的有益效果是，lstm的全称是long short term memory，是具有记忆长短期信息的能力的神经网络。与rnn同属于循环神经网络，但是当输入序列过长
时rnn的权重矩阵要循环相乘，所以会产生梯度消失和梯度爆炸的问题，因此rnn不能解决长期依赖问题。lstm的提出正是为了解决长期依赖问题。rnn表示神经循环网络。
14.进一步，利用模型训练数据训练所述神经网络模型，得到干扰评估模型，包括如下步骤：
15.利用所述正常通信数据以及所述干扰通信数据训练所述lstm网络模型，得到初步训练网络模型；
16.将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；
17.计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；
18.若d1《d_th，则将所述复合通信数据打上(0,1)标签；若d2《d_th，则将所述复合通信数据打上(1,0)标签；其中，所述d_th为预设距离值；
19.利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型。
20.进一步，在利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型之后还包括如下步骤：
21.利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。
22.为了解决上述技术问题，本发明还提供一种基于深度学习的干扰效果评估系统，具体技术内容如下：
23.一种基于深度学习的干扰效果评估系统，包括，
24.模型建立模块，用于构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据；
25.数据采集模块，用于采集处于通信干扰下的通信信号，得到感知波形数据；
26.干扰评估模块，用于将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。
27.进一步，所述模型建立模块具体用于构建lstm网络模型。
28.进一步，所述模型建立模块还具体用于，利用所述正常通信数据以及所述干扰通信数据训练所述lstm网络模型，得到初步训练网络模型；将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；若d1《d_th，则将所述复合通信数据打上(0,1)标签；若d2《d_th，则将所述复合通信数据打上(1,0)标签；其中，所述d_th为预设距离值；利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型。
29.进一步，所述基于深度学习的干扰效果评估系统，还包括模型测试模块；所述模型测试模块用于利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。
附图说明
30.图1为本发明实施例中一种基于深度学习的干扰效果评估方法的流程框图；
31.图2为本发明实施例中通信系统模型结构示意图；
32.图3为本发明实施例中通信干扰仿真结果图一；
33.图4为本发明实施例中通信干扰仿真结果图二；
34.图5为本发明实施例中通信干扰仿真结果图三。
具体实施方式
35.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
36.如图1所示，本实施例提供一种基于深度学习的干扰效果评估方法，包括如下步骤：
37.s1、构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，神经网络模型为lstm网络模型，所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据。
38.利用模型训练数据训练所述神经网络模型，得到干扰评估模型，包括如下步骤：
39.s101、利用所述正常通信数据以及所述干扰通信数据训练所述lstm网络模型，得到初步训练网络模型；
40.s102、将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；
41.s103、计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；
42.s104、若d1《d_th，则将所述复合通信数据打上(0,1)标签；若d2《d_th，则将所述复合通信数据打上(1,0)标签；其中，所述d_th为预设距离值；
43.s105、利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型；
44.s106、利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。
45.s2、采集处于通信干扰下的通信信号，得到感知波形数据；
46.s3、将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。
47.模型训练数据的具体获取方式为：
48.如图2所示，建立系统模型，系统模型包括通信节点a、通信节点b和干扰节点，通信节点a和通信节点b工作在同一频点，通信节点a与通信节点b之间采用802.11系列协议进行通信。干扰节点包含干扰设备和感知设备，其中，干扰设备与通信节点a或通信节点b的工作频点一致，干扰设备发送干扰信号，而感知设备则持续的接收通信节点a与通信节点b之间的通信波形，分析其通信状态是否异常，来判断发射的干扰波形是否达到了干扰效果。
49.以典型的ieee802.11系列标准为例，为了避免冲突或者干扰，通信节点a与通信节
点b之间的通信链路采用的是csma-ca协议，通信的基本流程为:当发送方需要发送一个数据帧时，首先检测信道，在持续检测到信道空闲达一个difs之后，发送方发送数据帧。接收方正确接收到该数据帧，等待一个sifs后马上发出对该数据帧的确认。若接收方在规定时间内没有收到确认帧ack，就必须重传此帧，直到收到确认为止，或者经过若干次重传失败后放弃发送。当发送方或接收方检测到正在信道中传送的mac帧首部的“持续时间”字段时，就调整自己的网络分配向量nav。网络分配向量nav指出了必须经过多少时间才能完成这次传输，才能使信道转入空闲状态。因此，信道处于忙态，或者是由于物理层的载波监听检测到信道忙，或者是由于mac层的虚拟载波监听机制指出了信道忙。
50.如图3所示，当没有施加干扰时，干扰节点的感知设备所感知的通信信号波形。从波形可以明显看出有两个幅度的信号，分别是a、b两个节点的发送信号，由于感知节点距离两个节点距离不同，从持续时间上观察，可以判断持续时间较宽的大概率是数据信号，后面紧跟较为短促的大概率是ack信号，成功发送的数据信号后面基本都会跟随一个短促的ack确认信号。而两个幅度信号叠加时，后续没有短促的ack信号波形，也可以判断是收发双方发生了碰撞，从而各自退避到后续一个时间发送，最终成功通信。
51.如图4所示，为干扰方施加稀疏的干扰脉冲，干扰节点感知设备所感知的信号波形。从波形可以看到干扰方对通信链路施加的干扰信号，当出现干扰信号时，数据信号发出但是并没有收到确认帧ack，证明干扰方实施干扰成功。由于干扰方施加的干扰脉冲比较稀疏，数据信号在不断尝试重新发送后，最终成功收到确认帧ack，通信成功。
52.如图5所示，为干扰方施加密集的干扰脉冲，干扰节点感知设备所感知的信号波形。从波形可以看出发出的数据信号不断受到干扰脉冲的干扰，数据信号发出后收不到确认帧ack，导致通信节点a、b无法进行正常通信，从波形可以看出发出的四个数据包最终只收到两个确认帧ack，干扰成功率50％。
53.从上述过程可以看出，通信节点是否遭受干扰，遭受何种干扰，通信波形的状态都有明显的区别。因此干扰方可以基于上述波形的状态变化来判断自身的干扰是否有效。但是实际环境中，通信节点数量未知，通信协议和参数干扰方也比较难以获取，直接基于感知波形进行干扰效果的分析难度较大。
54.本发明实施例、是基于神经网络，涉及干扰效果评估方法。在电子对抗中，由于干扰方与被干扰是一种非合作的关系，对于干扰成功率和干扰效果我们不得而知，通过一种合理的方法评估当前所选用的频率以及功率等对通信是否产生影响以及影响程度，对后面干扰决策的选取和学习具有重大的意义。通过对ieee802.11协议的仿真，可以收集到关于干扰效果的数据集，通过lstm神经网络对数据集的训练和学习，得到有无干扰成功的判断。可以在电子对抗中正确的判断干扰是否有效。
55.实施例2
56.基于实施例1，本实施例提供一种基于深度学习的干扰效果评估系统，包括模型建立模块、数据采集模块、干扰评估模块以及模型测试模块；
57.模型建立模块，用于构建神经网络模型，并利用模型训练数据训练所述神经网络模型，得到干扰评估模型；其中，所述神经网络模型具体为lstm网络模型；所述模型训练数据包括正常通信数据、干扰通信数据以及复合通信数据；所述正常通信数据为未施加干扰时的通信波形数据；所述干扰通信数据为施加大功率密集干扰且干扰成功后的通信波形数
据；所述复合通信数据为干扰信号的功率小于有用信号功率时的通信波形数据。
58.具体地，lstm网络的输入为感知的时间包络信号,χ
t-1
为上一时刻的输入，χ
t
为当前t时刻的输入，χ
t+1
为下一时刻的输入，t表示输入的时间窗口长度减去干扰设备的发送信号，h
t-1
为上一时刻的状态，h
t
为当前t时刻的状态，h
t+1
为下一时刻的状态，输出是0到1之间的实数向量指示干扰和未干扰(o1,o2)。
59.数据采集模块，用于采集处于通信干扰下的通信信号，得到感知波形数据；
60.干扰评估模块，用于将所述感知波形数据输入所述干扰评估模型进行评估，得出干扰效果评估结果。
61.模型测试模块，用于利用包含正常通信数据和/或干扰通信数据和/或复合通信数据的验证数据集测试所述干扰评估模型的评估准确性。
62.所述模型建立模块还具体用于，利用所述正常通信数据以及所述干扰通信数据训练所述lstm网络模型，得到初步训练网络模型；将所述复合通信数据输入所述初步训练网络模型，得到输出结果(o1,o2)；计算所述输出结果(o1,o2)与标签(0,1)的距离d1，计算所述输出结果(o1,o2)与标签(1,0)的距离d2；若d1《d_th，则将所述复合通信数据打上(0,1)标签；若d2《d_th，则将所述复合通信数据打上(1,0)标签；其中，所述d_th为预设距离值；利用打上(0,1)标签或打上(1,0)标签的所述复合通信数据训练所述初步训练网络模型，得到所述干扰评估模型。
63.为了得到训练数据集，仿真了1000个时隙，通信节点a的位置为(0,0)，通信节点b的位置为(1000,1000)，感知器的位置为(300,300)。两个设备节点分别各随机发送长度为10-50的5个数据包，设置干扰概率趋近于0，得到标签为0的数据即正常通信数据；设置干扰概率趋近于1，得到标签为1的数据即干扰通信数据。
64.得到数据集后，设置用于训练和测试的数据比值为8:2，设置lstm参数，输入数据集，输出返回两个类别概率。该lstm网络为有4个神经元数量为256的前馈网络层。
65.在神经网络的训练过程中，通常利用准确率和损失函数来衡量网络模型对训练数据的拟合能力。神经网络算法通过多次的训练迭代来调整模型参数即网络的权重值，最终通过损失函数的下降趋势来判断算法是否已经取得理想的深度神经网络模型即上述干扰评估模型。
66.本发明实施例采用深度学习的方法，收集非合作的关系的干扰方与被干扰的通信数据集，通过神经网络模型对数据集的训练与学习，得到干扰评估模型，并通过干扰评估模型判断是否干扰成功。便于在电子对抗中，干扰方能够正确的判断其干扰是否有效。实现状态聚类，最终实现干扰效能的分析和评估。
67.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的构思和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。