基于注意力引导的对抗鲁棒调制识别方法研究

《IEEE Open Journal of Signal Processing》：Adversarial Robust Modulation Recognition Guided by Attention Mechanisms

本文针对深度自动调制识别(AMR)模型易受对抗攻击的问题，提出了一种基于注意力引导的AMR方法(AG-AMR)。研究通过在Transformer框架中引入优化的注意力机制，实现了信号特征的自适应筛选，使模型聚焦关键特征并降低对抗扰动的影响。实验结果表明，该方法在RML2016.10a和RML2018.01a数据集上不仅保持了90.2%的清洁样本识别准确率，还将对抗攻击下的准确率提升至82.45%，为无线通信安全提供了新的技术路径。

　　

在无线通信技术飞速发展的今天，自动调制识别(AMR)技术已成为认知无线电和电子对抗等领域的关键支撑。然而，基于深度学习的AMR模型却面临着对抗样本的严峻挑战——攻击者只需在原始信号上添加微不可察的扰动，就能让训练有素的模型"失明"。这种安全漏洞严重制约了AMR技术在军事通信、频谱监测等敏感场景的应用。

为解决这一难题，陆军工程大学智能信息处理实验室的研究团队在《IEEE Open Journal of Signal Processing》上发表了题为"Adversarial Robust Modulation Recognition Guided by Attention Mechanisms"的研究论文。该研究创新性地将注意力机制与Transformer架构相结合，提出了注意力引导的自动调制识别方法(AG-AMR)，在保持高精度的同时显著提升了模型对抗攻击的鲁棒性。

研究团队采用的核心技术方法包括：1）基于信号I/Q分量的双通道特征嵌入技术，将调制信号转换为适合Transformer处理的序列格式；2）注意力引导编码器(AG-Encoder)，通过多头自注意力(MSA)机制动态评估特征重要性；3）门控线性单元(GLU)替代传统前馈网络，优化信息流控制；4）对抗训练策略，结合投影梯度下降(PGD)和C&W攻击生成增强样本。实验数据来源于公开数据集RML2016.10a（11种调制类型，22万样本）和RML2018.01a（24种调制类型，255万样本）。

模型架构优化研究

通过系统分析帧长度(L)和网络层数对性能的影响，发现当帧长度为32、网络深度为12层时，模型在RML2018.01a数据集上达到64.03%的最高识别准确率。注意力丢弃率的实验表明，4%的丢弃率能实现清洁样本（90.2%准确率）与对抗样本（82.45%准确率）性能的最佳平衡。与原始Transformer相比，AG-AMR参数量减少31.6%，训练时间缩短40%。

对抗鲁棒性验证

在对抗攻击测试中，AG-AMR展现出显著优势。当攻击强度ε=0.005时，传统模型（GRU、LSTM等）准确率骤降至20%以下，而AG-AMR仍保持30%的识别率。特别是在C&W攻击下，AG-AMR的准确率（23%）较基线模型（17%）提升35%。实验还发现，随着注意力丢弃率的增加，模型对对抗样本的鲁棒性呈上升趋势，证实了特征筛选机制的有效性。

防御性能对比

融合对抗训练后，AG-AMR在PGD攻击下的准确率达到72.69%，是随机平滑（34.62%）和梯度掩蔽（32.38%）方法的2倍以上。同时，模型在清洁样本上的准确率保持在85.19%，显著优于传统对抗训练方法（80.45%），实现了精度与鲁棒性的最佳权衡。

该研究的创新价值在于首次将动态特征筛选机制引入调制识别领域。通过注意力权重量化特征重要性，AG-AMR能够主动过滤可能携带对抗扰动的冗余信息，这与传统被动防御策略有本质区别。值得注意的是，该方法在提升安全性的同时并未牺牲计算效率——通过逐步丢弃非关键嵌入向量，12层Transformer的计算量降低约40%。

研究结果对保障非合作通信场景下的信号识别可靠性具有重要意义。特别是在电子对抗环境中，AG-AMR为抵御故意设计的信号干扰提供了新的技术路径。未来工作可探索注意力机制与物理层安全的更深层次结合，例如将信道状态信息纳入注意力权重计算，进一步强化模型在复杂电磁环境下的适应性。

这项研究突破了传统对抗防御策略的局限，通过注意力引导实现了"攻防一体"的智能调制识别。正如研究者所言，这种基于特征重要性动态评估的防御机制，为构建下一代安全可靠的无线通信系统奠定了理论基础。随着5G-Advanced和6G技术的演进，这种融合注意力机制的信号处理方法，有望在更广泛的电磁频谱感知场景中发挥关键作用。