作者：陳鳳，李聰，朱立東，吳琦，樂秀權(quán)，戴志堅

（電子科技大學(xué) 中國空間技術(shù)研究院）

1衛(wèi)星干擾信號樣式

隨著通信環(huán)境日益復(fù)雜，衛(wèi)星通信系統(tǒng)常遭受各種干擾信號的威脅，導(dǎo)致通信中斷、質(zhì)量下降以及安全風(fēng)險。

以下僅探討人為惡意干擾。

圖1 衛(wèi)星干擾信號的來源

1.1 壓制干擾

以大功率信號壓制目標(biāo)信號，受干擾的頻率帶寬無法通信。

表1 壓制干擾的分類

1.2 靈巧干擾

有針對性地干擾特定目標(biāo)系統(tǒng)，或試圖欺騙目標(biāo)系統(tǒng)。

表2 靈巧干擾的分類

表3 不同設(shè)備的欺騙干擾

1.3智能干擾

使用深度學(xué)習(xí)、感知和自適應(yīng)等方法，根據(jù)目標(biāo)系統(tǒng)的行為動態(tài)選擇和調(diào)整干擾策略(功率、類型、脈沖率等)，完成最佳干擾決策。

圖2 智能干擾的架構(gòu)

衛(wèi)星信號干擾類型的演進(jìn)，標(biāo)志著干擾從簡單到復(fù)雜、從靜態(tài)到動態(tài)，對通信安全提出了更大的挑戰(zhàn)。

表4人為惡意干擾衛(wèi)星信號的分類

2衛(wèi)星干擾識別技術(shù)

一般先提取干擾信號的特征，再進(jìn)行識別和分類。特征提取研究已成熟，但識別和分類研究仍在發(fā)展階段。主要干擾識別方法有：信號處理法、傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)。

圖3衛(wèi)星干擾識別技術(shù)框架

2.1 信號處理

通過數(shù)學(xué)和算法分析信號時域、頻域和時頻域特征，以識別和區(qū)分干擾。

表5 信號處理識別干擾的常見特征

表6 信號處理識別干擾的其他特征

信號處理的方法眾多，但如何選擇適合信號數(shù)據(jù)本身的特征成為研究瓶頸。

2.2 傳統(tǒng)機(jī)器學(xué)習(xí)

該方法先提取待識別信號的特征參數(shù)，然后利用傳統(tǒng)機(jī)器學(xué)習(xí)中的分類算法或網(wǎng)絡(luò)完成干擾識別。包括支持向量機(jī)、決策樹、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)、K-最近鄰算法、隨機(jī)森林、樸素貝葉斯分類器、邏輯回歸、最大熵模型等。

表7機(jī)器學(xué)習(xí)識別干擾的常見算法

2.3 深度學(xué)習(xí)

深度學(xué)習(xí)的目標(biāo)是通過學(xué)習(xí)自動提取數(shù)據(jù)中的特征，以進(jìn)行分類、回歸、聚類等任務(wù)。目前，卷積神經(jīng)網(wǎng)絡(luò)(CNN)最具研究熱度。

CNN將干擾特征提取和分類識別合并為一步。卷積層和池化層用于提取干擾特征，全連接層進(jìn)行非線性映射，輸出層則識別干擾類型。目前研究集中在CNN的輸入處理、網(wǎng)絡(luò)結(jié)構(gòu)、特征可視化以及與其他算法的結(jié)合等方面。

圖4 CNN結(jié)構(gòu)圖

設(shè)計適合干擾識別的CNN網(wǎng)絡(luò)是關(guān)鍵。如指紋譜深度卷積神經(jīng)網(wǎng)絡(luò)是用于干擾信號的頻譜特征識別的深度學(xué)習(xí)模型，結(jié)構(gòu)復(fù)雜但性能更好。復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)(CV-CNN)能挖掘數(shù)據(jù)潛在特征，識別率高且受噪聲影響小，能識別更大范圍的干擾信號。

3干擾識別技術(shù)的發(fā)展趨勢

未來，隨著衛(wèi)星通信發(fā)展和干擾威脅演化，高效、智能、可靠的干擾識別技術(shù)仍是重點。

表8 衛(wèi)星干擾識別技術(shù)的發(fā)展趨勢

文章來源：

陳鳳，李聰，朱立東，吳琦，樂秀權(quán)，戴志堅.衛(wèi)星通信干擾信號識別技術(shù)研究現(xiàn)狀及展望[J]. 太赫茲科學(xué)與電子信息學(xué)報,2024,22(3):227-239.

本條內(nèi)容來自微信公眾號“太赫茲科學(xué)與電子信息學(xué)報”