CN114513278B - 基于电磁频谱特征认知的智能干扰方法、装置及系统 - Google Patents

基于电磁频谱特征认知的智能干扰方法、装置及系统 Download PDF

Info

Publication number
CN114513278B
CN114513278B CN202210402926.8A CN202210402926A CN114513278B CN 114513278 B CN114513278 B CN 114513278B CN 202210402926 A CN202210402926 A CN 202210402926A CN 114513278 B CN114513278 B CN 114513278B
Authority
CN
China
Prior art keywords
signal
interference
characteristic
feature
transmitting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210402926.8A
Other languages
English (en)
Other versions
CN114513278A (zh
Inventor
朱佳
潘跟
邹玉龙
刘旭
杨民民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210402926.8A priority Critical patent/CN114513278B/zh
Publication of CN114513278A publication Critical patent/CN114513278A/zh
Application granted granted Critical
Publication of CN114513278B publication Critical patent/CN114513278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/40—Jamming having variable characteristics
    • H04K3/45—Jamming having variable characteristics characterized by including monitoring of the target or target signal, e.g. in reactive jammers or follower jammers for example by means of an alternation of jamming phases and monitoring phases, called "look-through mode"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/80—Jamming or countermeasure characterized by its function
    • H04K3/82—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection
    • H04K3/827—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection using characteristics of target signal or of transmission, e.g. using direct sequence spread spectrum or fast frequency hopping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，公开了一种基于电磁频谱特征认知的智能干扰方法、装置及系统，通过感知目标通信系统发射信号的特征参数集、预测下一时隙目标通信系统发射信号的特征参数集，生成并发射与目标通信系统发射信号具有相同特征参数的干扰信号来有效干扰目标通信系统。本发明将信号特征感知算法和信号特征预测算法联合以感知预测目标通信系统发射信号的特征参数来更新干扰信号，从而有效干扰无线通信系统，尤其是信号特征时变的通信系统，极大降低了对无线干扰系统的接收机感知速度、发射机敏捷性的要求，显著提高了无线干扰系统的有效性和可靠性。

Description

基于电磁频谱特征认知的智能干扰方法、装置及系统
技术领域
本发明公开一种基于电磁频谱特征认知的智能干扰方法、装置及系统，属于无线通信技术领域，主要涉及通信信号识别与干扰对抗相关技术。
背景技术
通信干扰信号主要应用于电子对抗环境，通过发射特定的电磁干扰信号来干扰敌方的通信电台。常见的干扰信号及其手段有单音干扰、多音干扰、扫频干扰、噪声调频干扰、窄带噪声干扰和跟踪干扰。其中，跟踪干扰主要针对跳频等具有信号特征时变功能的通信系统，其干扰信号的频率能够随通信系统工作频率的变化而变化。当干扰机的变频速度与通信系统的变频速度相当时，跟踪干扰就能对通信系统实施精准的窄带干扰。如今，随着高性能FPGA芯片的出现，跟踪干扰已能通过硬件实现并被广泛应用于各类干扰系统。
根据与目标信号之间的特征区别，干扰信号可分为同源干扰信号和异源干扰信号，其中的特征包括但不限于信号的频点、带宽、波形、调制方式和调制阶数。具体来讲，同源干扰信号指的是与目标信号具有相同特征的信号，异源干扰信号指与目标信号具有不同特征的信号。当通信系统被异源干扰信号干扰时，接收机的信噪比会明显低于正常接收信号，可根据此规律判断系统是否被干扰，从而执行一系列抗干扰措施。而当通信系统被同源干扰信号干扰时，接收机的信噪比并不会出现明显恶化，接收机可能将其误判为合法信号，并解调出部分干扰信息。因此，通过算法感知出目标信号的特征参数后，发射同源干扰信号，可大大提高无线干扰系统的有效性。
但是，随着目前认知无线电技术的快速发展，通信系统对电磁环境的适应能力越来越强，对接收机感知速度、发射机敏捷性的要求越来越高，因此通过传统的感知目标系统再发射同源干扰信号的跟踪干扰方法已不能有效干扰到目标通信系统。
发明内容
本发明的目的在于克服现有技术中的不足，提出了一种基于电磁频谱特征认知的智能干扰方法、装置及系统，将信号特征感知算法和信号特征预测算法进行有机联合实现智能干扰，降低了对接收机感知速度、发射机敏捷性的要求。本发明的技术方案如下。
首先，本发明提供了一种基于电磁频谱特征认知的智能干扰方法，包括以下过程：
保持对设定的
Figure 100002_DEST_PATH_IMAGE001
频段进行频谱感知，截获目标系统的发射信号s i ，记录截获时间点t i ，采用信号特征感知算法识别出目标系统的发射信号s i 的信号特征参数集c i 并加入历史数据集D中，将历史数据集D中的特征参数集数量记为n，i=1,2,…,n；
当历史数据集D中的特征参数集数量n≥m时，m为信号特征预测算法所需输入数据集的最小数量，将历史数据集D作为输入参数，采用信号特征预测算法预测出目标系统下一时隙t n+1发射信号s n+1可能采用的特征参数集c n+1，并加入历史数据集D中；
同时生成并发射特征参数集为c n+1的干扰信号j n+1，并保持对设定频段的频谱监测；
当实时感知到目标系统下一时隙t n+1发射信号s n+1的特征参数集变为
Figure 100002_DEST_PATH_IMAGE002
,若
Figure 100002_DEST_PATH_IMAGE003
，则更新干扰信号j n+1的特征参数集为
Figure 893149DEST_PATH_IMAGE002
以实现持续有效的干扰，同时更新历史数据集D中的特征参数集c n+1为
Figure 417671DEST_PATH_IMAGE002
以保证后续预测的准确率。
可选的，所述的信号特征感知算法采用的频谱感知算法包括但不限于能量检测法、循环平稳特征检测法以及匹配滤波检测法，具体是对
Figure 578525DEST_PATH_IMAGE001
频段的频谱进行扫描，采用频谱感知算法对波形数据进行预处理，从而识别出目标信号s 1的特征参数集，包括但不限于信号的频点、带宽、波形、调制方式和调制阶数，最终得到目标信号s 1的特征参数集c 1：{频点f 1，带宽b 1，波形w 1，调制方式m 1，调制阶数o 1…}。
可选的，所述信号特征预测算法是当历史数据集D中的特征参数集数量n≥m时，m为信号特征预测算法所需输入数据集的最小数量，采用卷积神经网络算法、长短期记忆神经网络算法等机器学习算法预测出下一时隙t n+1目标信号s n+1可能采用的特征参数集c n+1，并加入D中，具体方法是将D中前n个时隙发射信号的特征参数集
Figure DEST_PATH_IMAGE004
作为信号特征预测模块的输入，输出为下一时隙t n+1目标信号s n+1可能采用的特征参数集c n+1。
本方法将所述的信号特征感知算法和信号特征预测算法进行联合，根据上述的特征参数集c n+1生成并发射特征参数集为c n+1的干扰信号j n+1，并保持对设定频段的频谱监测，当信号特征感知模块实时感知到目标信号s n+1的特征参数集变为
Figure 233979DEST_PATH_IMAGE002
，若
Figure DEST_PATH_IMAGE005
，则干扰信号生成模块立即更新干扰信号j n+1的特征参数集为
Figure 960627DEST_PATH_IMAGE002
以实现持续有效的干扰，同时更新D中的c n+1为
Figure 656050DEST_PATH_IMAGE002
以保证后续预测的准确率。
其次，本发明提供一种基于电磁频谱特征认知的智能干扰装置，包括信号特征感知模块、信号特征预测模块以及干扰信号生成模块；
所述信号特征感知模块，用于对设定的
Figure 553468DEST_PATH_IMAGE001
频段进行频谱感知，截获目标系统的发射信号s i ，记录截获时间点t i ，采用信号特征感知算法识别出目标系统的发射信号s i 的信号特征参数集c i 并加入历史数据集D中，将历史数据集D中的特征参数集数量记为n，i=1,2,…,n；
所述信号特征预测模块，用于当历史数据集D中特征参数集数量n≥m时，m为信号特征预测算法所需输入数据集的最小数量，将历史数据集D作为输入参数，采用信号特征预测算法预测出目标系统下一时隙t n+1发射信号s n+1可能采用的特征参数集c n+1，并加入历史数据集D中；
所述干扰信号生成模块，用于生成并发射特征参数集为c n+1的干扰信号j n+1；当所述信号特征感知模块A实时感知到目标系统下一时隙t n+1发射信号s n+1的特征参数集变为
Figure 359750DEST_PATH_IMAGE002
，若
Figure DEST_PATH_IMAGE006
，则更新干扰信号j n+1的特征参数集为
Figure 940904DEST_PATH_IMAGE002
以实现持续有效的干扰，同时更新历史数据集D中的特征参数集c n+1为
Figure 931862DEST_PATH_IMAGE002
以保证后续预测的准确率。
此外，本发明提供了一种基于电磁频谱特征认知的智能干扰系统，系统包括发射节点、接收节点和干扰节点；
所述发射节点按照设定规律生成特征参数集数组C n ：[{频点f 1，带宽b 1，波形w 1，调制方式m 1，调制阶数o 1}，{频点f 2，带宽b 2，波形w 2，调制方式m 2，调制阶数o 2}，…，{频点f n ，带宽b n ，波形w n ，调制方式m n ，调制阶数o n }]，并每隔一个时隙T同步生成并发射指定特征参数集的信号；
所述接收节点按照上述的特征参数集数组C n 和时隙T同步接收信号；
所述干扰节点采用第一方面所述的方法以任意一种可能的实施方式对发射节点和接收节点间的通信链路进行智能干扰。
与现有技术相比，本发明所达到的有益效果主要有以下三点：
（1）本发明的一种基于电磁频谱特征认知的智能干扰方法可保证干扰节点通过信号特征感知模块识别出目标系统发射信号的特征参数集、通过信号特征预测模块预测下一时隙目标通信系统发射信号采用的特征参数集以及通过干扰信号生成模块发射与目标系统发射信号具有相同特征参数的干扰信号，从而有效干扰目标通信系统，极大提高了无线干扰系统的干扰能力；
（2）在干扰的同时还可实时监测系统设定频段的频谱，根据电磁环境自适应切换干扰模式，当检测到目标系统发射信号的特征参数改变后，系统可实时更新干扰信号的特征参数以实现持续有效的干扰，显著提高了无线干扰系统的有效性；
（3）采用将信号特征感知算法和信号特征预测算法进行有机联合的方法，从而保证：若预测算法准确，则本系统能够及时有效地干扰目标系统；若预测算法错误，本系统会立即将干扰信号的特征参数集更改为感知到的特征参数集，仍能在一定程度上干扰到目标系统，因此有效降低了对接收机感知速度、发射机敏捷性的要求，提高了无线干扰系统的可靠性。
附图说明
图1为本发明实施例提供的智能干扰方法的工作步骤示意图；
图2为本发明实施例提供的干扰装置的具体干扰流程示意图；
图3为本发明实施例提供的智能干扰系统的结构模型示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
结合图1和图2，在本发明实例中，提供了一种基于电磁频谱特征认知的智能干扰方法，所述方法应用于由通信发射节点、接收节点和干扰节点组成的无线通信系统。参阅图3，在本发明实例中，采用三台型号为2920的软件无线电设备USRP和三台安装有LabVIEW软件的PC计算机搭建出由发射节点、接收节点和干扰节点组成的无线通信系统。图中的系统构成为：一个通信发射节点（USRP-A），一个通信接收节点（USRP-B），一个干扰节点（USRP-C）。
三个节点之间的距离如图3所示，发射节点到接收节点距离为S 1，发射节点到干扰节点距离为S 2，干扰节点到接收节点距离为S 3。干扰节点若采用传统的感知跟踪干扰方法，其能成功干扰到接收节点使其无法完全恢复出发射节点传输的有效信息的基础条件是，它的活动范围要在如图3所示的椭圆内，采用公式表达如下：
Figure DEST_PATH_IMAGE007
(1.1)
其中，c表示空间中电磁波的传输速率，T c 表示干扰节点从接收到发射机的信号后进行处理到发射干扰信号的时间，即干扰节点的反应时间，T t 表示发射节点和接收节点的变频时隙T。
式（1.1）所示的干扰椭圆条件对干扰接收机的感知速度、发射机的敏捷性提出了很高要求，而本发明提出的基于电磁频谱特征认知的智能干扰方法采用感知和预测联合的方式对发射节点和接收节点间的通信链路进行智能干扰，能够有效减小对干扰节点反应时间的要求，从而降低了对干扰接收机感知速度、发射机敏捷性的要求，采用公式表达如下：
Figure DEST_PATH_IMAGE008
(1.2)
其中，T p 表示干扰节点因预测提前发出干扰信号而减小的反应时间。
本发明实施例提供的智能干扰系统采用基于电磁频谱特征认知的智能干扰方法，流程具体描述如下：
Step1：保持对设定的
Figure 129626DEST_PATH_IMAGE001
频段进行频谱感知，截获目标系统的发射信号s i ，记录截获时间点t i ，采用信号特征感知算法识别出目标系统的发射信号s i 的信号特征参数集c i 并加入历史数据集D中，将历史数据集D中的特征参数集数量记为n，i=1,2,…,n；
Step2：当历史数据集D中的特征参数集数量n≥m时，m为信号特征预测算法所需输入数据集的最小数量，将历史数据集D作为输入参数，采用信号特征预测算法预测出目标系统下一时隙t n+1发射信号s n+1可能采用的特征参数集c n+1，并加入历史数据集D中；
Step3：同时生成并发射特征参数集为c n+1的干扰信号j n+1，并保持对设定频段的频谱监测；
Step4：当实时感知到目标系统下一时隙t n+1发射信号s n+1的特征参数集变为
Figure DEST_PATH_IMAGE009
，若
Figure 395391DEST_PATH_IMAGE003
，则更新干扰信号j n+1的特征参数集为
Figure DEST_PATH_IMAGE010
以实现持续有效的干扰，同时更新历史数据集D中的特征参数集c n+1为
Figure 831051DEST_PATH_IMAGE010
以保证后续预测的准确率。
为显示图3所示的干扰节点USRP-C对发射节点USRP-A和接收节点USRP-B间的通信链路的干扰效果，按照如下步骤对所述智能干扰系统进行测试：
在智能干扰系统开机启动前，先对系统的部分参数进行默认设置。其中，发射节点USRP-A和接收节点USRP-B组成变频通信演示系统，其通信频段范围设定在700MHz到718MHz，频点间的间隔为0.6MHz，可用频点数为31个；通信信号带宽设置为400kHz，信号波形采用根升余弦脉冲波形；使用PSK调制方式，包括BPSK、QPSK、8-PSK三种不同调制阶数的PSK数字调制信号。变频序列采用5阶的伽罗瓦PN序列，初始状态种子序列为11100，共生成155bits的二进制序列，按序从左至右将每5位二进制数转为一个十进制数，可产生一个长度为31的数组，将此数组值对自定义的频点和调制方式数组进行索引映射，即可产生用来进行变频通信的特征参数集数组
Figure DEST_PATH_IMAGE011
。变频系统的射频天线增益设置为20dB，为了方便演示效果，变频周期T设定为40s。干扰节点USRP-C的干扰频段设定在700MHz到718MHz，与变频演示系统使用通信频段保持一致，节点采用能量检测算法识别变频系统的发射信号频点，设定门限值
Figure DEST_PATH_IMAGE012
为-75dbm，并在已知变频系统采用PSK数字调制方式的前提下，使用减法聚类算法对其发射信号的星座图进行聚类，通过聚类点数可有效识别发射信号的调制阶数。干扰节点已知变频系统采用的PN序列阶数，采用基于长短期记忆神经网络的序列预测算法对变频系统下一时隙的特征参数集进行预测，经多次实验测试，预测5阶PN序列所需的特征参数集最小数量为序列总长度31的39%，即为12。本实施例以频点和调制阶数为特征参数集变量，干扰信号的频点和调制阶数通过实时的识别与预测获得，以此证明本智能干扰系统的干扰能力。
发射节点USRP-A按照上述5阶PN序列生成一个特征参数集数量为31的数组C n ：[{频点f 1，调制阶数o 1}，{频点f 2，调制阶数o 2}，…，{频点f n ，调制阶数o n }]并每隔一个时隙T同步生成并发射对应特征参数集的信号；
接收节点USRP-B按照上述的C n 和时隙T同步接收信号；
干扰节点USRP-C具体采用如下方法对发射节点USRP-A和接收节点USRP-B间的通信链路进行智能干扰：
首先，干扰节点USRP-C采用能量检测算法对[700MHz,718MHz]频段的频谱进行扫描，从指定信道中提取波形数据类型中复杂的双精度浮点数据
Figure DEST_PATH_IMAGE013
，然后对
Figure 995841DEST_PATH_IMAGE013
计算它的FFT频谱即傅里叶变换
Figure DEST_PATH_IMAGE014
，取模
Figure DEST_PATH_IMAGE015
，再平方后，除以样本的长度T得到
Figure 274375DEST_PATH_IMAGE013
的功率谱密度函数
Figure DEST_PATH_IMAGE016
，继而得到信号功率P与频率F一一对应的数组Arr；
然后，查找上述Arr数组中的最大功率值
Figure DEST_PATH_IMAGE017
，再与设定的门限值
Figure DEST_PATH_IMAGE018
相比较，若
Figure DEST_PATH_IMAGE019
，则继续对设定频段的频谱进行扫描，否则，获得
Figure 812673DEST_PATH_IMAGE017
对应的频率值
Figure DEST_PATH_IMAGE020
，并采用所述减法聚类算法识别该频点信号的调制阶数，从而得到目标信号s 1的特征参数集c 1：{频点f 1，调制阶数o 1}，并将其加入历史数据集D中；
接着，当干扰节点USRP-C的历史数据集D中的特征参数集数量n大于12时，采用所述基于长短期记忆神经网络的序列预测算法预测出目标系统下一时隙t n+1目标信号s n+1可能采用的特征参数集c n+1，具体方法是将目标系统前n个时隙发射信号的特征参数集数据
Figure DEST_PATH_IMAGE021
作为长短期记忆神经网络的输入，输出为目标系统下一时隙t n+1目标信号s n+1可能采用的特征参数集c n+1。
最后，根据上述预测的c n+1在下一时隙生成并发射特征参数集为c n+1干扰信号j n+1，同时在下一时隙也按照上述方法预测目标信号企图使用的特征参数集，从而保证干扰节点USRP-C总能在下一时隙及时有效地干扰目标系统，使其接收节点无法成功接收并解析出发射节点发送的完整数据包。
值得一提的是，干扰节点USRP-C将信号特征感知算法和信号特征预测算法进行联合，若在下一时隙感知到目标信号实际使用的特征参数集
Figure 24212DEST_PATH_IMAGE002
不等于上述预测的特征参数集c n+1，则立刻将干扰信号j n+1的特征参数集修改为
Figure 497918DEST_PATH_IMAGE002
从而保证：若预测算法准确，即
Figure DEST_PATH_IMAGE022
，则干扰节点能及时有效地干扰目标系统；若预测算法错误，即
Figure DEST_PATH_IMAGE023
，则干扰节点仍能在一定程度上干扰到目标系统。
从实施干扰后的结果看，干扰节点USRP-C可随发射节点USRP-A变频而发出智能干扰信号，从而导致接收节点USRP-B接收信号的星座图变得杂乱无章，解析出的数据包为一堆乱码，即可证实干扰节点USRP-C对信号特征时变的通信系统干扰的有效性。
为了显示本方法相比传统的感知跟踪干扰方法的有益效果，本实施例以干扰节点采用的干扰方法为测试变量，对按5阶PN序列生成的特征参数集数组
Figure 526398DEST_PATH_IMAGE011
进行变频的目标系统进行干扰测试，本方法首次预测完成后的10个变频时隙的干扰测试结果如下表格。
表1不同干扰方法测试结果
Figure DEST_PATH_IMAGE024
表1中，C n 表示目标系统的发射信号在第n个时隙采用的特征参数集，G t 表示第t个干扰测试实验组，（x,y）中的x和y表示不同干扰方法干扰目标系统的结果（1为成功，0表示失败），干扰成功与否以目标系统接收节点在一个变频周期能否成功接收并解析出发射节点发送的完整数据包为准，其中x表示传统的感知跟踪干扰方法，y表示本发明提出的基于电磁频谱特征感知预测的智能干扰方法。
从10组实验共100个时隙的测试结果可以看出，传统的感知跟踪干扰方法最终对目标系统干扰的成功率（干扰成功次数/总时隙个数）仅为48%，而本发明提出的基于电磁频谱特征认知的智能干扰方法最终干扰的成功率为86%，其干扰成功率极大提高。
综上，与现有技术相比，本发明所达到的有益效果主要有以下三点：
（1）本发明的一种基于电磁频谱特征认知的智能干扰方法可保证干扰节点通过信号特征感知模块识别出目标系统发射信号的特征参数集、通过信号特征预测模块预测下一时隙目标通信系统发射信号采用的特征参数集以及通过干扰信号生成模块发射与目标系统发射信号具有相同特征参数的干扰信号，从而有效干扰目标通信系统，极大提高了无线干扰系统的干扰能力；
（2）在干扰的同时还可实时监测系统设定频段的频谱，根据电磁环境自适应切换干扰模式，当检测到目标系统发射信号的特征参数改变后，系统可实时更新干扰信号的特征参数以实现持续有效的干扰，显著提高了无线干扰系统的有效性；
（3）采用将信号特征感知算法和信号特征预测算法进行有机联合的方法，从而保证：若预测算法准确，则本系统能够及时有效地干扰目标系统；若预测算法错误，本系统会立即将干扰信号的特征参数集更改为感知到的特征参数集，仍能在一定程度上干扰到目标系统，因此有效降低了对接收机感知速度、发射机敏捷性的要求，提高了无线干扰系统的可靠性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于电磁频谱特征认知的智能干扰方法，其特征在于，包括以下步骤：
保持对设定的
Figure DEST_PATH_IMAGE001
频段进行频谱感知，截获目标系统的发射信号s i ，记录截获时间点t i ，采用信号特征感知算法识别出目标系统的发射信号s i 的信号特征参数集c i 并加入历史数据集D中，将历史数据集D中的特征参数集数量记为n，i=1,2,…,n；
当历史数据集D中的特征参数集数量n≥m时，m为信号特征预测算法所需输入数据集的最小数量，将历史数据集D作为输入参数，采用信号特征预测算法预测出目标系统下一时隙t n+1发射信号s n+1可能采用的特征参数集c n+1，并加入历史数据集D中；
同时生成并发射特征参数集为c n+1的干扰信号j n+1，并保持对设定频段的频谱监测；
当实时感知到目标系统下一时隙t n+1发射信号s n+1的特征参数集变为
Figure DEST_PATH_IMAGE002
，若
Figure DEST_PATH_IMAGE003
，则更新干扰信号j n+1的特征参数集为
Figure 163647DEST_PATH_IMAGE002
以实现持续有效的干扰，同时更新历史数据集D中的特征参数集c n+1为
Figure 487312DEST_PATH_IMAGE002
以保证后续预测的准确率。
2.根据权利要求1所述的一种基于电磁频谱特征认知的智能干扰方法，其特征在于，所述的信号特征感知算法包括：
对设定的
Figure 798208DEST_PATH_IMAGE001
频段的频谱进行扫描获得波形数据，采用频谱感知算法对波形数据进行预处理，从而识别出目标系统的发射信号s i 的特征参数集，所述特征参数包括信号的频点、带宽、波形、调制方式和调制阶数，最终得到目标系统的发射信号s i 的特征参数集c i ：{频点f i ，带宽b i ，波形w i ，调制方式m i ，调制阶数o i }。
3.根据权利要求2所述的一种基于电磁频谱特征认知的智能干扰方法，其特征在于，所述频谱感知算法采用能量检测法、循环平稳特征检测法以及匹配滤波检测法中任意一种频谱感知方法。
4.根据权利要求1所述的一种基于电磁频谱特征认知的智能干扰方法，其特征在于，所述信号特征预测算法采用卷积神经网络算法、长短期记忆神经网络算法中任意一种机器学习算法。
5.一种基于电磁频谱特征认知的智能干扰装置，其特征在于，包括信号特征感知模块、信号特征预测模块以及干扰信号生成模块；
所述信号特征感知模块，用于对设定的
Figure 852139DEST_PATH_IMAGE001
频段进行频谱感知，截获目标系统的发射信号s i ，记录截获时间点t i ，采用信号特征感知算法识别出目标系统的发射信号s i 的信号特征参数集c i 并加入历史数据集D中，将历史数据集D中的特征参数集数量记为n，i=1,2,…,n；
所述信号特征预测模块，用于当历史数据集D中特征参数集数量n≥m时，m为信号特征预测算法所需输入数据集的最小数量，将历史数据集D作为输入参数，采用信号特征预测算法预测出目标系统下一时隙t n+1发射信号s n+1可能采用的特征参数集c n+1，并加入历史数据集D中；
所述干扰信号生成模块，用于生成并发射特征参数集为c n+1的干扰信号j n+1；当所述信号特征感知模块实时感知到目标系统下一时隙t n+1发射信号s n+1的特征参数集变为
Figure 197669DEST_PATH_IMAGE002
，若
Figure 426657DEST_PATH_IMAGE003
，则更新干扰信号j n+1的特征参数集为
Figure 224848DEST_PATH_IMAGE002
以实现持续有效的干扰，同时更新历史数据集D中的特征参数集c n+1为
Figure 79541DEST_PATH_IMAGE002
以保证后续预测的准确率。
6.一种基于电磁频谱特征认知的智能干扰系统，其特征在于，包括发射节点、接收节点和干扰节点；
所述发射节点按照设定规律生成特征参数集数组C n ：[{频点f 1，带宽b 1，波形w 1，调制方式m 1，调制阶数o 1}，{频点f 2，带宽b 2，波形w 2，调制方式m 2，调制阶数o 2}，…，{频点f n ，带宽b n ，波形w n ，调制方式m n ，调制阶数o n }]，并每隔一个时隙T同步生成并发射指定特征参数集的信号；
所述接收节点按照上述的特征参数集数组C n 和时隙T同步接收信号；
所述干扰节点采用权利要求1-4任意一项所述的基于电磁频谱特征认知的智能干扰方法对发射节点和接收节点间的通信链路进行智能干扰。
CN202210402926.8A 2022-04-18 2022-04-18 基于电磁频谱特征认知的智能干扰方法、装置及系统 Active CN114513278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210402926.8A CN114513278B (zh) 2022-04-18 2022-04-18 基于电磁频谱特征认知的智能干扰方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210402926.8A CN114513278B (zh) 2022-04-18 2022-04-18 基于电磁频谱特征认知的智能干扰方法、装置及系统

Publications (2)

Publication Number Publication Date
CN114513278A CN114513278A (zh) 2022-05-17
CN114513278B true CN114513278B (zh) 2022-08-05

Family

ID=81554822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210402926.8A Active CN114513278B (zh) 2022-04-18 2022-04-18 基于电磁频谱特征认知的智能干扰方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114513278B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115833991B (zh) * 2023-02-22 2023-05-02 北京航天华腾科技有限公司 一种共生无线电智能干扰方法
CN116545575A (zh) * 2023-07-03 2023-08-04 南京邮电大学 一种基于射频指纹识别的智能干扰方法及系统
CN116628481A (zh) * 2023-07-21 2023-08-22 江西红声技术有限公司 电子对抗信源识别方法、系统、计算机及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108768559A (zh) * 2018-05-22 2018-11-06 南京邮电大学 基于电磁环境学习的智能频移抗干扰自主通信方法
CN109004951A (zh) * 2018-08-10 2018-12-14 北京历正科技有限责任公司 一种无人机通信干扰方法和系统
CN112183352A (zh) * 2020-09-29 2021-01-05 中国人民解放军国防科技大学 一种基于生成对抗网络的通信干扰方法
CN114142949A (zh) * 2021-11-29 2022-03-04 中科南京移动通信与计算创新研究院 一种基于虚实协同的干扰模拟平台及干扰模拟实现方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019059352A1 (ja) * 2017-09-22 2019-03-28 日本電気株式会社 妨害信号発生装置、妨害信号発生システム及び妨害信号発生方法
CN114189310B (zh) * 2021-12-07 2022-06-21 中国人民解放军32802部队 基于信号侦察和预测的无人机测控信号精准干扰方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108768559A (zh) * 2018-05-22 2018-11-06 南京邮电大学 基于电磁环境学习的智能频移抗干扰自主通信方法
CN109004951A (zh) * 2018-08-10 2018-12-14 北京历正科技有限责任公司 一种无人机通信干扰方法和系统
CN112183352A (zh) * 2020-09-29 2021-01-05 中国人民解放军国防科技大学 一种基于生成对抗网络的通信干扰方法
CN114142949A (zh) * 2021-11-29 2022-03-04 中科南京移动通信与计算创新研究院 一种基于虚实协同的干扰模拟平台及干扰模拟实现方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《A smart reactive jamming approach to counter reinforcement learning-based antijamming strategis in GEO SATCOM scenario》;Shahzad Arif et al.;《international journal of Satellite communications and networking》;20210727;全文 *
《Design and implementation of reinforcement learning-based intelligent jamming system》;Hua Tian et al.;《IET Communications》;20200608;全文 *
《一种基于深度学习的民航GPS干扰识别方法》;鲁东生等;《通信技术》;20220331;全文 *

Also Published As

Publication number Publication date
CN114513278A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN114513278B (zh) 基于电磁频谱特征认知的智能干扰方法、装置及系统
Sagduyu et al. Adversarial machine learning for 5G communications security
Zhang et al. Signal detection and classification in shared spectrum: A deep learning approach
CN109194365A (zh) 一种二维图案调制跳频通信方法
CN105187152A (zh) 基于频谱感知与调制识别的联合干扰方法与系统
CN111510255B (zh) 基于宽带频谱数据的跳频信号盲检测及参数估计方法
Swetha et al. Analysis of spectrum sensing based on energy detection method in cognitive radio networks
Nadeem et al. Non-cooperative spectrum sensing in context of primary user detection: A review
CN113098561B (zh) 一种基于跳频图案频点索引的跳频调制方法、装置和系统
Rao et al. Wavelet based spectrum sensing techniques in cognitive radio
CN116683939A (zh) 一种天地协同卫星高可靠抗干扰宽带数据传输系统
CN112180331A (zh) 一种自适应射频掩护脉冲频点策略调度方法
CN114465681B (zh) 一种用于电力物联网的多节点协作频谱感知方法及装置
Aygül et al. Deep learning-assisted detection of PUE and jamming attacks in cognitive radio systems
Fu et al. Spectrum sensing defending against PUE attack based on fractal dimension
CN112505641B (zh) 基于特征参数提取的雷达干扰信号识别方法
Robinson et al. Narrowband interference detection via deep learning
CN110912626B (zh) 测控系统通信抗干扰性能的评估方法
Hu et al. Signal Classification in Real-time Based on SDR using Convolutional Neural Network
Tekbıyık et al. Real-world considerations for deep learning in wireless signal identification based on spectral correlation function
Ito et al. High-sensitivity detection method for signals in PhyC-SN
CN116545575A (zh) 一种基于射频指纹识别的智能干扰方法及系统
Schutz et al. Contextual bandits: Band of operation selection in underwater acoustic communications
Awan et al. An Improved Cooperative Spectrum Sensing Scheme for Emulation Attacker Detection in Cognitive Radio Network
Quadri A Channel Ranking And Selection Scheme Based On Channel Occupancy And SNR For Cognitive Radio Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant