EP4661321A1 - Procédé de bruitage avant émission d'un signal radio par un émetteur, dispositif et programme d'ordinateur associés - Google Patents

Procédé de bruitage avant émission d'un signal radio par un émetteur, dispositif et programme d'ordinateur associés

Info

Publication number
EP4661321A1
EP4661321A1 EP25180645.1A EP25180645A EP4661321A1 EP 4661321 A1 EP4661321 A1 EP 4661321A1 EP 25180645 A EP25180645 A EP 25180645A EP 4661321 A1 EP4661321 A1 EP 4661321A1
Authority
EP
European Patent Office
Prior art keywords
class
spectrogram
modulated signal
transmitter
classification model
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.)
Pending
Application number
EP25180645.1A
Other languages
German (de)
English (en)
Inventor
Alice HÉLIOU
Vincent THOUVENOT
Olivier Bettan
François SAUSSET
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.)
Thales SA
Original Assignee
Thales SA
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 Thales SA filed Critical Thales SA
Publication of EP4661321A1 publication Critical patent/EP4661321A1/fr
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K1/00—Secret communication
    • H04K1/04—Secret communication by frequency scrambling, i.e. by transposing or inverting parts of the frequency band or by inverting the whole band
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K1/00—Secret communication
    • H04K1/02—Secret communication by adding a second signal to make the desired signal unintelligible
    • 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
    • H04K3/42—Jamming having variable characteristics characterized by the control of the jamming frequency or wavelength
    • 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
    • H04K3/825—Jamming or countermeasure characterized by its function related to preventing surveillance, interception or detection by jamming
    • 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
    • H04K3/94—Jamming or countermeasure characterized by its function related to allowing or preventing testing or assessing

Definitions

  • the present invention relates to a method of adding noise before the emission of a radio signal by a transmitter, a device and an associated computer program.
  • Machine learning which is rapidly developing, provides various algorithms for creating classification models, trained through machine learning, that can, given input data, such as a matrix, classify the input data into one of a plurality of predetermined classes.
  • classification models are obtained by implementing neural networks.
  • Various types of neural networks are known, such as convolutional neural networks (CNNs), deep neural networks (DNNs), and long short-term memory models (LSTMs).
  • One objective of the invention is to provide a method and device for emitting radio signals that is robust against possible attempts to detect the class of transmitter using a machine learning-trained classification model.
  • the invention proposes a noise-making process before the emission of a radio signal, making it possible to deceive a transmitter class detector using a machine learning-trained classification model.
  • the proposed method yields a second modulated signal, which is a noisy version of the first modulated signal.
  • the second modulated signal is then transmitted by a radio communication module, enabling the transmission of a radio signal from which a machine learning-trained classification model obtains an incorrect transmitter class.
  • the proposed method effectively deceives a receiving device that uses the classification model to detect the transmitter class.
  • a transmitting device implementing the method of the invention enables more secure communication.
  • the radio signal noise-making process before transmission comprises one or more of the following features, taken individually or in all technically possible combinations.
  • the method further includes sending the second modulated signal to a transmission interface module for radio transmission of said second modulated signal.
  • the process further comprises applying said time-frequency transformation to the second modulated signal to obtain a second spectrogram, a classification by said classification model allowing to obtain a detected emitter class, a comparison of the detected class and the initial class, and, if the detected class is different from the initial class, a sending of the second modulated signal to a transmit interface module for radio transmission of said second modulated signal.
  • the process further involves a modification of said second modulated signal by adding noise.
  • the time-frequency transformation is a short-term Fourier transform, STFT.
  • the opposing method applied in step C) is a gradient descent method.
  • the invention also relates to a computer program comprising software instructions which, when executed by a computer, implement a noise-making process before the emission of a radio signal as defined above.
  • FIG. 1 schematically illustrates a wireless communication system 2 in which the proposed invention finds an application.
  • System 2 includes a transmitter device 4 configured to transmit radio signals and a receiver device 6 configured to receive radio signals.
  • the emitted radio signals are propagated through a propagation channel 8.
  • the transmitting device 4 includes a communication interface module 10, configured to implement radio signal communication according to a predetermined communication protocol.
  • Module 10 implements digital-to-analog conversion (DAC) processing and radio signal transmission via an electromagnetic antenna (not shown).
  • DAC digital-to-analog conversion
  • the transmitting device 4 belongs to a class of transmitter among a plurality of predetermined classes of transmitters, called the initial class.
  • the transmitting device 4 comprises one or more processing units 12 and an electronic memory unit 14, forming an electronic computing device configured to implement a noise-generating process prior to the transmission of a radio signal according to the invention.
  • the transmitting device 4 is also a noise-generating device prior to the transmission of radio signals.
  • the computing processor 12 is configured to implement a preprocessing module 18 which provides a quadrature modulated signal, also known as I/Q format (from the English "In-phase and Quadrature”), well known in the field of signal processing.
  • a quadrature modulated signal also known as I/Q format (from the English "In-phase and Quadrature"
  • the computing processor 12 is further configured to implement noise processing 20 aimed at inducing an erroneous emitter classification by a classifier implementing a classification model 22, the classification model being trained by machine learning to detect a class membership of the emitting device from a spectrogram of a signal in I/Q format, as described in more detail below.
  • a spectrogram is a two-dimensional time-frequency representation, depicted as a matrix of values and visualized as a digital image.
  • the time-frequency transformation of a given signal into a spectrogram involves, as is well known, dividing the signal by applying a partially overlapping window, with windows of a given size, to obtain time segments, and then applying a spectral transformation, e.g., a discrete Fourier transform, to each time segment.
  • This transformation is also called a short-time Fourier transform, or STFT.
  • the computing processor 12 is further configured to run, optionally, a verification module 30, implementing the time-frequency transformation to transform the second modulated signal into a second spectrogram, a classification by the classification model 22 from the second spectrogram to obtain a detected emitter class.
  • a verification module 30 implementing the time-frequency transformation to transform the second modulated signal into a second spectrogram, a classification by the classification model 22 from the second spectrogram to obtain a detected emitter class.
  • the second modulated signal is transmitted to the transmit interface module 10 for radio transmission of said modulated signal.
  • modules 18, 24, 26, 28, 30 are implemented as software instructions forming a computer program, which, when executed by a programmable electronic device, implements a noise-making process before the emission of a signal as described.
  • modules 18, 24, 26, 28, and 30 are each implemented as programmable logic components, such as FPGAs ( Field Programmable Gate Arrays ), microprocessors, and GPGPU components. General-Purpose computing on Graphics Processing Units ), or dedicated integrated circuits, such as ASICs ( Application Specific Integrated Circuit ).
  • FPGAs Field Programmable Gate Arrays
  • microprocessors and GPGPU components.
  • GPGPU components General-Purpose computing on Graphics Processing Units
  • ASICs Application Specific Integrated Circuit
  • the computer program containing software instructions, is also capable of being stored on a non-transient, computer-readable information storage medium.
  • This computer-readable medium is, for example, a medium capable of storing electronic instructions and being connected to a bus of a computer system. Examples of such media include optical discs, magneto-optical discs, ROMs, RAM, any type of non-volatile memory (e.g., EPROM, EEPROM, FLASH, NVRAM), magnetic cards, or optical cards.
  • the receiver device 6 includes a communication interface module 32, configured to receive radio signals according to a predetermined communication protocol.
  • Module 32 implements a radio signal receiver and an analog-to-digital conversion (ADC) processor. Specifically, Module 32 performs analog filtering around a given frequency F1 , with a bandwidth B1 , resulting in a signal with a frequency between F1 - B1 /2 and F1 + B1 /2. This is followed by analog frequency transposition to center the frequencies around zero, and finally, digitization of the signals.
  • ADC analog-to-digital conversion
  • the receiving device 6 further includes one or more computing processors 34, and an electronic memory unit 36, forming an electronic computing device, configured to implement transmitter class detection of a received radio signal.
  • Elements 32, 34 and 36 are adapted to communicate via an internal communication bus.
  • the computing processor 34 is configured to implement a preprocessing module 38 which provides a quadrature modulated signal, also called I/Q format (from the English "In-phase and Quadrature”), from the received radio signal.
  • a quadrature modulated signal also called I/Q format (from the English "In-phase and Quadrature"
  • the computing processor 34 further implements a time-frequency transformation module 40 which transforms a signal in I/Q format into a spectrogram, and a classification module 44 which applies a classification model 42, previously trained by machine learning, to provide a class membership of a transmitting device from a spectrogram of a signal in I/Q format.
  • the output is a detected emitter class CI_E.
  • each of the classification models 22, 42 is implemented in the form of a neural network.
  • classification model 42 is identical to classification model 22.
  • classification model 42 is a slightly modified version of classification model 22, for example modified by an operation called refinement or "fine-tuning" in English.
  • a neural network consists of an ordered succession of layers of neurons, each of which takes its inputs from the outputs of the previous layer.
  • each layer comprises neurons taking their inputs from the outputs of the neurons in the previous layer, or from the input variables for the first layer.
  • more complex neural network structures can be considered with a layer that can be linked to a layer further away than the immediately preceding layer.
  • Each neuron is also associated with an operation, that is, a type of processing, to be carried out by said neuron within the corresponding processing layer.
  • Each layer is connected to the other layers by a plurality of synapses.
  • a synaptic weight is associated with each synapse, and each synapse forms a link between two neurons. This is often a real number, which can take positive or negative values. In some cases, the synaptic weight is a complex number.
  • Each neuron performs a weighted summation of the value(s) received from the neurons in the preceding layer. Each value is then multiplied by the respective synaptic weight of each synapse, or connection, between that neuron and the neurons in the preceding layer. Next, an activation function, typically a non-linear function, is applied to this weighted summation. The resulting value is then delivered to the neuron's output, particularly to the neurons in the next layer connected to it.
  • the activation function introduces non-linearity into the processing performed by each neuron.
  • the sigmoid function, the hyperbolic tangent function, and the Heaviside function are examples of activation functions.
  • each neuron is also capable of applying, in addition, a multiplicative factor, and an additive bias, to the output of the activation function, and the value delivered at the output of said neuron is then the product of the value of the multiplicative factor and the value from the activation function, plus the bias.
  • a convolutional neural network is also sometimes called a convolutional neural network or by the acronym CNN, which refers to the English term " Convolutional Neural Networks ".
  • each neuron in the same layer has exactly the same connection pattern as its neighboring neurons, but at different input positions.
  • This connection pattern is called the convolutional kernel or, more commonly, the " kernel ,” referring to the corresponding English term.
  • a fully connected layer of neurons is a layer in which the neurons of said layer are each connected to all the neurons of the preceding layer.
  • This type of layer is more often referred to by the English term “fully connected ", and sometimes designated as a "dense layer”.
  • the values of the weights, multipliers and biases where applicable are learned during a machine learning phase to perform the classification task.
  • the invention applies to all types of neural networks, in particular convolutional neural networks or CNNs, deep neural networks or DNNs, LSTM models (for "long short term memory model”) etc.
  • the transmitting device 4 is capable of emitting a noise-free modulated signal, SE1, emitted by the communication interface module 10 without application of the noise processing 20, or a noisy modulated signal SE2, emitted by the communication interface module 10 after application of the noise processing 20.
  • the receiving device 6 is a legitimate receiver, the intended recipient of the radio signal emitted by the transmitting device 4, the receiving device is capable of processing both a received signal SR1, corresponding to the noise-free modulus signal SE1, possibly modified by the effects of the propagation channel 8, and a received signal SR2, corresponding to the noisy modulus signal SE2, possibly modified by the effects of the propagation channel 8.
  • a legitimate receiving device is informed of the possible implementation of noise reduction 20 by a transmitter for the purpose of stealth, and is informed of the transmitter's likely initial class.
  • a legitimate receiving device is configured to perform decoding either with knowledge of the initial class or with knowledge of the detected transmitter class, and therefore to obtain the information contained in the received signal SR1 or SR2.
  • the receiving device 6 is capable of detect the emitter class of the transmitting device 4 from a received signal SR1, corresponding to the noise-free module signal SE1, possibly modified by the effects of the propagation channel 8, but is not able to correctly detect the emitter class of the transmitting device 4 from a received signal SR2, corresponding to the noisy module signal SE2, possibly modified by the effects of the propagation channel 8.
  • the CI_E class obtained at the output of the module 44 is different from the emitter class of the device 4.
  • the classification model 42 provides an erroneous classification result.
  • noise processing 20 allows an illegitimate receiving device to be deceived.
  • the incorrect determination of the transmitter class subsequently leads to incorrect decoding of the received radio signal.
  • FIG. 2 is a synoptic diagram of the main steps in a noise-making process before broadcast.
  • the process is implemented by the processor 12 of an electronic computing device.
  • the process includes a pre-processing step 50 to obtain a first modulated signal in I/Q format ready to be transmitted to the communication interface module for transmission.
  • the transmitting device belongs to a given transmitter class, called the initial class.
  • the first signal encodes a binary message (or payload) intended for one or more legitimate receivers.
  • step 50 implements a propagation simulation by adding distortions (e.g., noise, phase shift) that may be induced by a propagation channel and a pre-processing of the radio signal received by a receiver.
  • the process then includes a time-frequency transformation step 52 of the first modulated signal to obtain a corresponding first spectrogram.
  • the applied time-frequency transformation is an STFT transformation.
  • the first spectrogram is represented as a matrix of points, of size each point having an associated value and being associated with a time index and a frequency index.
  • the process further includes a step 54 of applying an adversary attack method against a classification model 22 previously trained by machine learning to determine a class of emitter from the spectrogram of a signal in I/Q format.
  • the classification model 22 is, for example, a neural network, whose parameters are known.
  • Adversarial attack methods also known as evasion attacks, are known in the field of artificial intelligence. These attack methods consist of modifying the input data in order to alter the behavior of the classification model; the input data is generally digital images that are modified in a way that is imperceptible to the human observer.
  • the opponent's attack method applied is the Projected Gradient Descent method.
  • any other method of attacking an adversary, resulting in an erroneous classification by a classification model, is applicable.
  • a modified spectrogram is obtained.
  • Classification model 22 when applied to the modified spectrogram as input, provides an incorrect emitter class as output, which is different from the initial class.
  • the process then includes a step 56 of approximate inverse transformation of the transformation applied in step 52, the approximate inverse transformation being applied to the modified spectrogram and allowing a second modulated signal to be obtained.
  • the inverse transformation is called approximate because, as is known, the STFT transformation is only invertible if certain windowing conditions are met (see, for example, the article by Ivan W. Selesnik, "Short-Time Fourier Transform and Its Inverse," available online at https://eeweb.engineering.nyu.edu/iselesni/EL713/STFT/stft_inverse.pdf).
  • windowing conditions for example, the article by Ivan W. Selesnik, "Short-Time Fourier Transform and Its Inverse," available online at https://eeweb.engineering.nyu.edu/iselesni/EL713/STFT/stft_inverse.pdf.
  • windowing conditions if certain windowing conditions are met, applying the time-frequency transformation to the second modulated signal produces the modified spectrogram. If these windowing conditions are not met, applying the time-frequency transformation to the second modulated signal yields a second spectrogram that differs from the modified spectrogram.
  • the process optionally includes a verification step 57 in which the STFT transformation applied in transformation step 52 is applied (step 58) to the second modulated signal, and a second spectrogram is obtained. Then, classification 60 using classification model 22 is applied to the second spectrogram as input. A detected class CI_E is obtained as the output of classification step 60.
  • the detected class CI_E is then compared (step 62) to the initial class of the emitter.
  • the second modulated signal is transmitted to the transmitter at transmission step 64.
  • the process then includes an additional noiseing step (66), during which noise is added to the second signal in I/Q format, and the verification step is repeated until the detected class is different from the initial class.
  • the added noise can be applied, for example, using the "Projected Gradient Adversarial attack" method.
  • the second noisy I/Q signal is decodable by a legitimate receiving device to extract the binary message, the legitimate receiving device knowing the initial transmitter class, and therefore the demodulation method to apply.
  • the proposed method makes it possible to mislead an illegitimate receiving device, and therefore consequently to prevent any decoding of the message carried by the modulated signal by such a receiving device, while preserving the decoding capability of a legitimate receiving device, the initial class of transmitter having been transmitted beforehand to the legitimate receiver, for example during the establishment of the mission plan.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Noise Elimination (AREA)
  • Transmitters (AREA)

Abstract

La présente invention concerne procédé et un dispositif de bruitage avant émission d'un signal radio par un émetteur appartenant à une classe initiale d'émetteurs donnée, en vue de rendre inopérante une détection d'une classe d'appartenance de l'émetteur par mise en œuvre d'un modèle de classification préalablement entraîné par apprentissage machine pour détecter une classe d'émetteur à partir d'un spectrogramme. Le dispositif est configuré pour mettre en œuvre des modules de :
- obtention (18) d'un premier signal modulé en format I/Q,
- transformation (24) temps-fréquence du premier signal modulé pour obtenir un premier spectrogramme,
- application (26) d'une méthode d'attaque adversaire, connaissant le modèle de classification, la méthode d'attaque adversaire permettant d'obtenir un spectrogramme modifié à partir du premier spectrogramme, tel que ledit modèle de classification fournit une classe d'émetteur erronée à partir du spectrogramme modifié,
- transformation (28) inverse approximative du spectrogramme modifié pour obtenir un deuxième signal modulé.

Description

  • La présente invention concerne un procédé de bruitage avant émission d'un signal radio par un émetteur, un dispositif et un programme d'ordinateur associés.
  • L'invention se situe dans le domaine des transmissions radio sécurisées par rapport à d'éventuelles interceptions de signaux radio émis.
  • Plus particulièrement, l'invention vise à rendre inopérante la détection d'une classe du dispositif émetteur d'un signal radio à partir d'un signal radio intercepté, la détection utilisant une méthode d'intelligence artificielle.
  • Dans le domaine des télécommunications, il est utile, pour certaines applications, de détecter la classe d'appartenance du dispositif émetteur d'un signal radio, à partir d'une pluralité de classes prédéterminées.
  • La détection de la classe d'appartenance du dispositif émetteur peut éventuellement être également utilisée à des fins malveillantes, par un dispositif récepteur qui effectue une d'interception de signaux radio, utilisé par un tiers qui n'est pas un des destinataires légitimes du signal radio. En particulier, la connaissance de la classe d'émetteur permet de déterminer le type de modulation appliqué, et par la suite de démoduler le signal reçu et en extraire des informations.
  • L'intelligence artificielle, qui se développe largement, fournit divers algorithmes permettant de mettre au point des modèles de classification, entraînés par apprentissage machine, et permettant, à partir d'une donnée d'entrée, par exemple présentée sous forme matricielle, d'obtenir un résultat de classification de la donnée d'entrée dans une classe parmi une pluralité de classes prédéterminées. Par exemple, de tels modèles de classification sont obtenus par mise en œuvre de réseaux de neurones. Divers types de réseaux de neurones sont connus, par exemple les réseaux de neurones convolutifs ou CNN, réseaux de neurones profonds ou DNN, modèles LSTM (pour « long short term memory model) etc.
  • Un objectif de l'invention est de proposer un procédé et un dispositif d'émission de signaux radio qui soit robuste vis-à-vis d'éventuelles tentatives de détection de la classe d'émetteur utilisant un modèle de classification entraîné par apprentissage machine.
  • A cet effet l'invention propose un procédé de bruitage avant émission d'un signal radio, permettant de leurrer un détecteur de classe d'émetteur utilisant un modèle de classification entraîné par apprentissage machine.
  • Selon un aspect, l'invention a pour objet un procédé de bruitage avant émission d'un signal radio par un émetteur appartenant à une classe d'émetteurs donnée, dite classe initiale, en vue de rendre inopérante une détection d'une classe d'appartenance de l'émetteur par mise en œuvre d'un modèle de classification préalablement entraîné par apprentissage machine pour détecter la classe d'émetteur parmi une pluralité de classes d'appartenance d'émetteur prédéterminées. Ce procédé est mis en œuvre par un processeur de calcul et comporte des étapes de :
    • A) obtention d'un premier signal modulé en format I/Q,
    • B) transformation temps-fréquence dudit premier signal modulé pour obtenir un premier spectrogramme,
    • C) application d'une méthode d'attaque adversaire, connaissant le modèle de classification préalablement entraîné par apprentissage machine pour détecter une classe d'émetteur à partir d'un spectrogramme, la méthode d'attaque adversaire permettant d'obtenir un spectrogramme modifié à partir du premier spectrogramme, tel que ledit modèle de classification fournit une classe d'émetteur erronée à partir du spectrogramme modifié,
    • D) transformation inverse approximative du spectrogramme modifié pour obtenir un deuxième signal modulé.
  • Avantageusement le procédé proposé permet d'obtenir un deuxième signal modulé, qui est une version bruitée du premier signal modulé, l'émission du deuxième signal modulé par un module de communication radio permettant d'émettre un signal radio à partir duquel un modèle de classification entraîné par apprentissage machine obtient une classe d'émetteur erronée. En d'autres termes, avantageusement, le procédé proposé permet de leurrer efficacement un dispositif récepteur utilisant le modèle de classification pour détecter la classe d'émetteur. Ainsi, un dispositif émetteur mettant en œuvre le procédé de l'invention permet une communication plus sécurisée.
  • Suivant d'autres aspects avantageux de l'invention, le procédé de bruitage de signal radio avant émission comprend une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles.
  • Le procédé comporte en outre un envoi du deuxième signal modulé à un module d'interface d'émission pour émission radio dudit deuxième signal modulé.
  • Le procédé comporte en outre une application de ladite transformation temps-fréquence sur le deuxième signal modulé pour obtenir un deuxième spectrogramme, une classification par ledit modèle de classification permettant d'obtenir une classe d'émetteur détectée, une comparaison de la classe détectée et de la classe initiale, et, si la classe détectée est différente de la classe initiale, un envoi du deuxième signal modulé à un module d'interface d'émission pour émission radio dudit deuxième signal modulé.
  • Si suite à la comparaison, la classe détectée est la classe initiale, le procédé comporte en outre une modification dudit deuxième signal modulé par ajout d'un bruit.
  • L'ajout de bruit est effectué par une méthode d'attaque par descente de gradient.
  • La transformation temps-fréquence est une transformation de Fourier à court terme, STFT.
  • La méthode adversaire appliquée à l'étape C) est une méthode de descente de gradient.
  • Selon un autre aspect, l'invention concerne un dispositif de bruitage avant émission d'un signal radio par un émetteur appartenant à une classe d'émetteurs donnée, dite classe initiale, en vue de rendre inopérante une détection d'une classe d'appartenance de l'émetteur par mise en œuvre d'un modèle de classification préalablement entraîné par apprentissage machine pour détecter la classe d'émetteur parmi une pluralité de classes d'appartenance d'émetteur prédéterminées, comportant un processeur de calcul configuré pour mettre en œuvre :
    • un module d'obtention d'un premier signal modulé en format I/Q,
    • un module de transformation temps-fréquence dudit premier signal modulé pour obtenir un premier spectrogramme,
    • un module d'application d'une méthode d'attaque adversaire, connaissant le modèle de classification préalablement entraîné par apprentissage machine pour détecter une classe d'émetteur à partir d'un spectrogramme, la méthode d'attaque adversaire permettant d'obtenir un spectrogramme modifié à partir du premier spectrogramme, tel que ledit modèle de classification fournit une classe d'émetteur erronée à partir du spectrogramme modifié,
    • un module de transformation inverse approximative du spectrogramme modifié pour obtenir un deuxième signal modulé.
  • L'invention concerne également un programme d'ordinateur comportant des instructions logicielles qui, lorsqu'elles sont exécutées par un ordinateur, mettent en œuvre un procédé de bruitage avant émission d'un signal radio tel que défini ci-dessus.
  • L'invention apparaîtra plus clairement à la lecture de la description qui va suivre, donnée uniquement à titre d'exemple non limitatif, et faite en référence aux dessins dans lesquels :
    • [Fig. 1] la figure 1 représente schématiquement un système de communication radio comportent un dispositif de bruitage avant émission de signal radio et un dispositif de réception configuré pour intercepter un signal radio émis ;
    • [Fig. 2] la figure 2 est un synoptique des principales étapes d'un procédé de bruitage avant émission de signal radio selon un mode de réalisation.
  • La figure 1 illustre schématiquement un système de communication sans fil 2 dans lequel l'invention proposée trouve une application.
  • Le système 2 comprend un dispositif émetteur 4 configuré pour émettre des signaux radio et un dispositif récepteur 6 configuré pour recevoir des signaux radio.
  • Les signaux radio émis sont propagés par un canal de propagation 8.
  • Le dispositif émetteur 4 comporte un module 10 d'interface de communication, configuré pour mettre en œuvre la communication de signaux radio selon un protocole de communication prédéterminé. Le module 10 met en œuvre un traitement de conversion numérique vers analogique (CNA), et une émission de signaux radio par une antenne électromagnétique (non représentée).
  • De par le type de traitement de signal appliqué, le dispositif émetteur 4 appartient à une classe d'émetteur parmi une pluralité de classes d'émetteurs prédéterminée, appelée classe initiale.
  • Le dispositif émetteur 4 comporte un ou plusieurs processeurs de calcul 12, et une unité de mémoire électronique 14, formant un dispositif électronique de calcul configuré pour mettre en œuvre un procédé de bruitage avant émission d'un signal radio selon l'invention. Ainsi, le dispositif émetteur 4 est également un dispositif de bruitage avant émission de signaux radio.
  • Les éléments 10, 12 et 14 sont adaptés pour communiquer via un bus de communication interne.
  • Le processeur de calcul 12 est configuré pour mettre en œuvre un module 18 de prétraitement qui fournit un signal modulé en quadrature, également appelé format I/Q (de l'anglais « In-phase and Quadrature »), bien connu dans le domaine du traitement du signal.
  • Le processeur de calcul 12 est en outre configuré pour mettre en œuvre un traitement de bruitage 20 ayant pour but d'induire une classification d'émetteur erronée par un classifieur mettant en œuvre un modèle de classification 22, le modèle de classification étant entraîné par apprentissage machine pour détecter une classe d'appartenance du dispositif émetteur à partir d'un spectrogramme d'un signal en format I/Q, comme décrit plus en détail ci-après.
  • En particulier, le traitement de bruitage 20 est effectué par la mise en œuvre :
    • d'un module 24 de transformation temps-fréquence qui transforme un premier signal en format I/Q en un premier spectrogramme,
    • d'un module 26 d'application d'une méthode d'attaque adversaire sur le premier spectrogramme pour obtenir un spectrogramme modifié, tel que lorsque le spectrogramme modifié est fourni en entrée du modèle de classification 22, la classification obtenue est erronée ;
    • d'un module 28 de transformation inverse approximative du spectrogramme modifié pour obtenir un deuxième signal modulé.
  • De manière connue, le spectrogramme est une représentation temps-fréquence en deux dimensions, représenté par une matrice de valeurs et que l'on peut visualiser sous forme d'image numérique. La transformation temps-fréquence d'un signal donné en spectrogramme consiste, de manière connue, à diviser le signal en appliquant un fenêtrage avec recouvrement partiel, avec des fenêtres de taille donnée, pour obtenir des segments temporels, et à appliquer une transformation spectrale, e.g. une transformation de Fourier discrète, sur chaque segment temporel. Cette transformation est également appelée transformation de Fourier à court terme ou STFT (pour « Short-Time Fourier Transform »).
  • Le processeur de calcul 12 est en outre configuré pour exécuter, optionnellement, un module 30 vérification, mettant en œuvre la transformation temps-fréquence pour transformer le deuxième signal modulé en deuxième spectrogramme, une classification par le modèle de classification 22 à partir du deuxième spectrogramme pour obtenir une classe d'émetteur détectée.
  • Si la classe d'émetteur détectée est différente de la classe initiale, le deuxième signal modulé est transmis au module 10 d'interface d'émission pour émission radio dudit signal modulé.
  • Si la classe détectée est égale à la classe initiale, un traitement complémentaire est mis en œuvre, notamment un ajout de bruit au deuxième signal modulé.
  • Dans un mode de réalisation, les modules 18, 24, 26, 28, 30 sont réalisés sous forme d'instructions logicielles formant un programme d'ordinateur, qui, lorsqu'il est exécuté par un dispositif électronique programmable, met en œuvre un procédé de bruitage avant émission d'un signal tel que décrit.
  • En variante non représentée, les modules 18, 24, 26, 28, 30 sont réalisés chacun sous forme de composants logiques programmables, tels que des FPGA (de l'anglais Field Programmable Gate Array), des microprocesseurs, des composants GPGPU (de l'anglais General-Purpose computing on Graphics Processing Units), ou encore de circuits intégrés dédiés, tels que des ASIC (de l'anglais Application Specific Integrated Circuit).
  • Le programme d'ordinateur comportant des instructions logicielles est en outre apte à être enregistré sur un support d'enregistrement d'informations, non-transitoire et lisible par ordinateur. Ce support lisible par ordinateur est par exemple, un médium apte à mémoriser les instructions électroniques et à être couplé à un bus d'un système informatique. A titre d'exemple, ce support est un disque optique, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non-volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique.
  • Le dispositif récepteur 6 comporte un module 32 d'interface de communication, configuré pour mettre en œuvre la réception de signaux radio selon un protocole de communication prédéterminé. Le module 32 met en œuvre un récepteur de signaux radio, et un traitement de conversion analogique vers numérique (CAN). En particulier, le module 32 met en œuvre un filtrage analogique autour d'une fréquence F1 donnée, avec une largeur de bande B1, le signal obtenu ayant une fréquence comprise entre F1-B1/2 et F1+B1/2, puis une transposition en fréquence analogique pour centrer les fréquences autour de zéro, et une numérisation des signaux.
  • Le dispositif récepteur 6 comporte en outre un ou plusieurs processeurs de calcul 34, et une unité de mémoire électronique 36, formant un dispositif électronique de calcul, configuré pour mettre en œuvre une détection de classe d'émetteur d'un signal radio reçu.
  • Les éléments 32, 34 et 36 sont adaptés pour communiquer via un bus de communication interne.
  • Le processeur de calcul 34 est configuré pour mettre en œuvre un module 38 de prétraitement qui fournit un signal modulé en quadrature, également appelé format I/Q (de l'anglais « In-phase and Quadrature »), à partir du signal radio reçu.
  • Le processeur de calcul 34 met en œuvre en outre un module 40 de transformation temps-fréquence qui transforme un signal en format I/Q en un spectrogramme, et un module 44 de classification qui applique un modèle de classification 42, préalablement entraîné par apprentissage machine pour fournir une classe d'appartenance d'un dispositif émetteur à partir d'un spectrogramme d'un signal en format I/Q. En sortie est obtenue une classe d'émetteur CI_E détectée.
  • De préférence, chacun des modèles de classification 22, 42 est réalisé sous forme de réseau de neurones.
  • Selon une première variante, le modèle de classification 42 est identique au modèle de classification 22.
  • Selon une deuxième variante, le modèle de classification 42 est une version légèrement modifiée du modèle de classification 22, par exemple modifiée par une opération appelée raffinement ou « fine-tuning » en anglais.
  • De manière connue, un réseau de neurones comporte une succession ordonnée de couches de neurones dont chacune prend ses entrées sur les sorties de la couche précédente.
  • Plus précisément, chaque couche comprend des neurones prenant leurs entrées sur les sorties des neurones de la couche précédente, ou bien sur les variables d'entrée pour la première couche.
  • En variante, des structures de réseaux de neurones plus complexes peuvent être envisagées avec une couche qui peut être reliée à une couche plus lointaine que la couche immédiatement précédente.
  • À chaque neurone est également associée une opération, c'est-à-dire un type de traitement, à effectuer par ledit neurone au sein de la couche de traitement correspondante.
  • Chaque couche est reliée aux autres couches par une pluralité de synapses. Un poids synaptique est associé à chaque synapse, et chaque synapse forme une liaison entre deux neurones. C'est souvent un nombre réel, qui prend des valeurs positives comme négatives. Dans certains cas, le poids synaptique est un nombre complexe.
  • Chaque neurone est propre à effectuer une somme pondérée des valeur(s) reçue(s) de la part des neurones de la couche précédente, chaque valeur étant alors multipliée par le poids synaptique respectif de chaque synapse, ou liaison, entre ledit neurone et les neurones de la couche précédente, puis à appliquer une fonction d'activation, typiquement une fonction non-linéaire, à ladite somme pondérée, et à délivrer en sortie dudit neurone, en particulier aux neurones de la couche suivante qui lui sont connectés, la valeur résultant de l'application de la fonction d'activation. La fonction d'activation permet d'introduire une non-linéarité dans le traitement effectué par chaque neurone. La fonction sigmoïde, la fonction tangente hyperbolique, la fonction de Heaviside sont des exemples de fonction d'activation.
  • En complément facultatif, chaque neurone est également apte à appliquer, en outre, un facteur multiplicatif, et un biais additif, à la sortie de la fonction d'activation, et la valeur délivrée en sortie dudit neurone est alors le produit de la valeur facteur multiplicatif et de la valeur issue de la fonction d'activation, additionnée du biais.
  • Un réseau de neurones à convolution est aussi parfois dénommé réseau de neurones convolutif ou par le sigle CNN qui renvoie à la dénomination anglaise de « Convolutional Neural Networks ».
  • Dans un réseau de neurones à convolution, chaque neurone d'une même couche présente exactement le même schéma de connexion que ses neurones voisins, mais à différentes positions d'entrée. Le motif de connexion est appelé noyau de convolution ou, plus souvent, « kernel » en référence à la dénomination anglaise correspondante.
  • Une couche de neurones entièrement connectée est une couche dans laquelle les neurones de ladite couche sont chacun connectés à tous les neurones de la couche précédente.
  • Un tel type de couche est plus souvent dénommé selon le terme anglais de « fully connected », et parfois désigné sous la dénomination « couche dense ».
  • Les valeurs des poids, facteurs multiplicateurs et biais le cas échéant sont apprises lors d'une phase d'apprentissage machine pour réaliser la tâche de classification.
  • L'invention s'applique avec tous les types de réseau de neurones, en particulier avec des réseaux de neurones convolutifs ou CNN, réseaux de neurones profonds ou DNN, modèles LSTM (pour « long short term memory model) etc.
  • Plusieurs scénarios de fonctionnement sont envisageables dans le système de communication 2.
  • Le dispositif émetteur 4 est susceptible d'émettre un signal modulé non bruité, SE1, émis par le module 10 d'interface de communication sans application du traitement de bruitage 20, ou un signal module bruité SE2, émis par le module 10 d'interface de communication après application du traitement de bruitage 20.
  • Dans le cas d'application où le dispositif récepteur 6 est un récepteur légitime, destinataire du signal radio émis par le dispositif émetteur 4, le dispositif récepteur est capable de traiter à la fois un signal reçu SR1, correspondant au signal module non bruité SE1, éventuellement modifié par les effets du canal de propagation 8 et un signal reçu SR2, correspondant au signal module bruité SE2, éventuellement modifié par les effets du canal de propagation 8. En effet, un dispositif récepteur légitime est informé de la mise en œuvre éventuelle du traitement de bruitage 20 par un émetteur dans le but d'être furtif, et est informé de la classe initiale probable de l'émetteur. Ainsi, un dispositif récepteur légitime est configuré pour mettre en œuvre un décodage soit en connaissance de la classe initiale, soit en connaissance de la classe d'émetteur détectée, et donc d'obtenir l'information contenues dans le signal reçu SR1 ou SR2.
  • Dans le cas d'application où le dispositif récepteur 6 est un récepteur non destinataire du signal radio émis, potentiellement malveillant, le dispositif récepteur 6 est capable de détecter la classe d'émetteur du dispositif émetteur 4 à partir d'un signal reçu SR1, correspondant au signal module non bruité SE1, éventuellement modifié par les effets du canal de propagation 8, mais n'est pas capable de détecter correctement la classe d'émetteur du dispositif émetteur 4 à partir d'un signal reçu SR2, correspondant au signal module bruité SE2, éventuellement modifié par les effets du canal de propagation 8. En d'autres termes, la classe CI_E obtenue en sortie du module 44 est différente de la classe d'émetteur du dispositif 4. En effet, grâce au traitement de bruitage 20, le modèle de classification 42 fournit un résultat de classification erroné.
  • En d'autres termes, le traitement de bruitage 20 permet de leurrer un dispositif récepteur non légitime. La détermination incorrecte de la classe d'émetteur induit par la suite un décodage incorrect du signal radio reçu.
  • La figure 2 est un synoptique des principales étapes d'un procédé de bruitage avant émission.
  • Le procédé est mis en œuvre par le processeur 12 d'un dispositif électronique de calcul.
  • Le procédé comporte une étape 50 de pré-traitement pour obtenir un premier signal modulé en format I/Q prêt à être transmis au module d'interface de communication pour émission. Le dispositif émetteur appartient à classe d'émetteur donnée, dite classe initiale. Le premier signal code un message binaire (ou charge utile) destiné à un ou plusieurs récepteurs légitimes.
  • Selon un mode de réalisation, l'étape 50 met en œuvre une simulation de propagation par ajout de distorsions (e.g. bruit, déphasage) susceptible d'être induit par un canal de propagation et un pré-traitement de signal radio reçu par un récepteur. Le procédé comporte ensuite une étape 52 de transformation temps-fréquence du premier signal modulé pour obtenir un premier spectrogramme correspondant.
  • Par exemple, la transformation temps-fréquence appliquée est une transformation STFT.
  • Le premier spectrogramme est représenté sous forme de matrice de points, de taille chaque point ayant une valeur associée et étant associé à un indice temporel et à un indice fréquentiel.
  • Le procédé comporte en outre une étape 54 d'application d'une méthode d'attaque adversaire par rapport à un modèle de classification 22 préalablement entraîné par apprentissage machine pour déterminer une classe d'émetteur à partir du spectrogramme d'un signal en format I/Q.
  • Le modèle de classification 22 est un par exemple un réseau de neurones, dont les paramètres sont connus.
  • Des méthodes d'attaques adversaires, également appelées attaques d'évasion, sont connues dans le domaine de l'intelligence artificielle. Ces méthodes d'attaques consistent à modifier les données d'entrée dans le but de modifier le comportement du modèle de classification, les données d'entrée étant en général des images numériques qui sont modifiées de manière non perceptible pour l'observateur humain.
  • A titre d'exemple, on peut citer l'article « Towards Deep Learning Models Resistant to Adversarial Attacks » de A. Madry et al, publié sur Internet et disponible à l'adresse URL https://arxiv.org/pdf/1706.06083.pdf, qui décrit plusieurs méthodes d'attaques adversaires. L'article « Wasserstein Adversarial Examples via Projected Sinkhorn Iterations » de E. Wong et al, publié sur Internet et disponible à l'adresse URL https://arxiv.org/abs/1902.07906 décrit des attaques par itération de modèles de classification d'images.
  • Par exemple, la méthode d'attaque adversaire appliquée est méthode de descente de gradient (en anglais « Projected Gradient Descent »).
  • Alternativement, toute autre méthode attaque adversaire, entraînant une classification erronée par un modèle de classification, est applicable.
  • A l'issue de l'étape 54 est obtenu un spectrogramme modifié. Le modèle de classification 22, lorsqu'il est appliqué avec le spectrogramme modifié en entrée, fournit en sortie une classe d'émetteur erronée, qui est différente de la classe initiale.
  • Le procédé comporte alors une étape 56 de transformation inverse approximative de la transformation appliquée à l'étape 52, la transformation inverse approximative étant appliquée sur le spectrogramme modifié et permettant d'obtenir un deuxième signal modulé.
  • La transformation inverse est dite approximative car, de manière connue, la transformation STFT n'est inversible que si certaines conditions relatives au fenêtrage appliqué sont vérifiées (voir par exemple l'article d'Ivan W. Selesnik, « Short-Time Fourier Transform and Its Inverse » publié sur Internet à l'adresse https://eeweb.engineering.nyu.edu/iselesni/EL713/STFT/stft_inverse.pdf. En d'autres termes, si certaines conditions relatives au fenêtrage sont respectées, l'application de la transformation temps-fréquence 52 au deuxième signal modulé permet d'obtenir le spectrogramme modifié. Si ces conditions relatives au fenêtrage ne sont pas respectées, l'application de la transformation temps-fréquence 52 au deuxième signal modulé fournit un deuxième spectrogramme différent du spectrogramme modifié.
  • Le procédé comprend en plus, optionnellement, une étape 57 de vérification lors de laquelle la transformation STFT appliquée à l'étape de transformation 52 est appliquée (étape 58) sur le deuxième signal modulé, et un deuxième spectrogramme est obtenu, puis une classification 60 par le modèle de classification 22 est appliquée avec le deuxième spectrogramme en entrée. Une classe détectée CI_E est obtenue en sortie de l'étape de classification 60.
  • La classe détectée CI_E est alors comparée (étape 62) à la classe initiale de l'émetteur.
  • Si la classe détectée est différente de la classe initiale, le deuxième signal modulé est transmis à l'émetteur à l'étape de transmission 64.
  • Si la classe détectée est la même que la classe initiale, le procédé comprend alors une étape 66 de bruitage supplémentaire, lors de laquelle un bruit est ajouté au deuxième signal en format I/Q, et l'étape de vérification est répétée jusqu'à ce que la classe détectée soit différente de la classe initiale. Le bruit ajouté pouvant l'être par exemple grâce à la méthode « Projected Gradient Adversarial attack ».
  • En outre, il est vérifié que le deuxième signal en format I/Q bruité est décodable par un dispositif récepteur légitime pour en extraire le message binaire, le dispositif récepteur légitime connaissant la classe initiale d'émetteur, et donc la méthode de démodulation à appliquer
  • Avantageusement, le procédé proposé permet d'induire en erreur un dispositif récepteur non légitime, et donc par conséquent d'empêcher tout décodage du message porté par le signal module par un tel dispositif récepteur, tout en préservant la capacité de décodage d'un dispositif récepteur légitime, la classe initiale d'émetteur ayant été transmise au préalable au récepteur légitime, par exemple lors de l'établissement du plan de mission.

Claims (10)

  1. Procédé de bruitage avant émission d'un signal radio par un émetteur appartenant à une classe d'émetteurs donnée, dite classe initiale, en vue de rendre inopérante une détection d'une classe d'appartenance de l'émetteur par mise en œuvre d'un modèle de classification préalablement entraîné par apprentissage machine pour détecter la classe d'émetteur parmi une pluralité de classes d'appartenance d'émetteur prédéterminées,
    le procédé étant mis en œuvre par un processeur de calcul et comportant des étapes de :
    - A) obtention (50) d'un premier signal modulé en format I/Q,
    - B) transformation (52) temps-fréquence dudit premier signal modulé pour obtenir un premier spectrogramme,
    - C) application (54) d'une méthode d'attaque adversaire, connaissant le modèle de classification (22) préalablement entraîné par apprentissage machine pour détecter une classe d'émetteur à partir d'un spectrogramme, la méthode d'attaque adversaire permettant d'obtenir un spectrogramme modifié à partir du premier spectrogramme, tel que ledit modèle de classification (22) fournit une classe d'émetteur erronée à partir du spectrogramme modifié,
    - D) transformation inverse approximative (56) du spectrogramme modifié pour obtenir un deuxième signal modulé.
  2. Procédé selon la revendication 1, comportant en outre un envoi (64) du deuxième signal modulé à un module d'interface d'émission (10) pour émission radio dudit deuxième signal modulé.
  3. Procédé selon la revendication 1, comportant en outre une application (58) de ladite transformation temps-fréquence sur le deuxième signal modulé pour obtenir un deuxième spectrogramme, une classification (60) par ledit modèle de classification (22) permettant d'obtenir une classe d'émetteur détectée, une comparaison (62) de la classe détectée et de la classe initiale, et, si la classe détectée est différente de la classe initiale, un envoi (64) du deuxième signal modulé à un module d'interface d'émission (10) pour émission radio dudit deuxième signal modulé.
  4. Procédé selon la revendication 3, dans lequel, si suite à la comparaison (62), la classe détectée est la classe initiale, le procédé comporte en outre une modification (66) dudit deuxième signal modulé par ajout d'un bruit.
  5. Procédé selon la revendication 4, dans lequel l'ajout de bruit est effectué par une méthode d'attaque par descente de gradient.
  6. Procédé selon l'une quelconque des revendications 1 à 5, dans lequel ladite transformation temps-fréquence est une transformation de Fourier à court terme, STFT.
  7. Procédé selon l'une quelconque des revendications 1 à 6, dans lequel ladite méthode adversaire appliquée à l'étape C) est une méthode de descente de gradient.
  8. Programme d'ordinateur comportant des instructions logicielles qui, lorsqu'elles sont exécutées par un dispositif électronique programmable, mettent en œuvre un procédé de bruitage avant émission d'un signal radio conforme aux revendications 1 à 7.
  9. Dispositif de bruitage avant émission d'un signal radio par un émetteur appartenant à une classe d'émetteurs donnée, dite classe initiale, en vue de rendre inopérante une détection d'une classe d'appartenance de l'émetteur par mise en œuvre d'un modèle de classification préalablement entraîné par apprentissage machine pour détecter la classe d'émetteur parmi une pluralité de classes d'appartenance d'émetteur prédéterminées, comportant un processeur de calcul configuré pour mettre en œuvre :
    - un module (18) d'obtention d'un premier signal modulé en format I/Q,
    - un module (24) de transformation temps-fréquence dudit premier signal modulé pour obtenir un premier spectrogramme,
    - un module (26) d'application d'une méthode d'attaque adversaire, connaissant le modèle de classification préalablement entraîné par apprentissage machine pour détecter une classe d'émetteur à partir d'un spectrogramme, la méthode d'attaque adversaire permettant d'obtenir un spectrogramme modifié à partir du premier spectrogramme, tel que ledit modèle de classification fournit une classe d'émetteur erronée à partir du spectrogramme modifié,
    - un module (28) de transformation inverse approximative du spectrogramme modifié pour obtenir un deuxième signal modulé.
  10. Dispositif selon la revendication 9, comportant en outre un module (30) de vérification configuré pour mettre en œuvre une application de ladite transformation temps-fréquence sur le deuxième signal modulé pour obtenir un deuxième spectrogramme, une classification par ledit modèle de classification permettant d'obtenir une classe d'émetteur détectée.
EP25180645.1A 2024-06-04 2025-06-04 Procédé de bruitage avant émission d'un signal radio par un émetteur, dispositif et programme d'ordinateur associés Pending EP4661321A1 (fr)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FR2405833A FR3162955B1 (fr) 2024-06-04 2024-06-04 Procédé de bruitage avant émission d'un signal radio par un émetteur, dispositif et programme d'ordinateur associés

Publications (1)

Publication Number Publication Date
EP4661321A1 true EP4661321A1 (fr) 2025-12-10

Family

ID=93456077

Family Applications (1)

Application Number Title Priority Date Filing Date
EP25180645.1A Pending EP4661321A1 (fr) 2024-06-04 2025-06-04 Procédé de bruitage avant émission d'un signal radio par un émetteur, dispositif et programme d'ordinateur associés

Country Status (2)

Country Link
EP (1) EP4661321A1 (fr)
FR (1) FR3162955B1 (fr)

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. MADRY ET AL., TOWARDS DEEP LEARNING MODELS RESISTANT TO ADVERSARIAL ATTACKS, Retrieved from the Internet <URL:https://arxiv.org/pdf/1706.06083.pdf>
E. WONG ET AL., WASSERSTEIN ADVERSARIAL EXAMPLES VIA PROJECTED SINKHORN ITERATIONS, Retrieved from the Internet <URL:https://arxiv.org/abs/1902.07906>
SADEGHI MEYSAM ET AL: "Adversarial Attacks on Deep-Learning Based Radio Signal Classification", IEEE WIRELESS COMMUNICATIONS LETTERS, IEEE, PISCATAWAY, NJ, USA, vol. 8, no. 1, February 2019 (2019-02-01), pages 213 - 216, XP011710609, ISSN: 2162-2337, [retrieved on 20190216], DOI: 10.1109/LWC.2018.2867459 *
ZHANG WENHAN ET AL: "Intelligent Jamming of Deep Neural Network Based Signal Classification for Shared Spectrum", MILCOM 2021 - 2021 IEEE MILITARY COMMUNICATIONS CONFERENCE (MILCOM), IEEE, 29 November 2021 (2021-11-29), pages 987 - 992, XP034063131, DOI: 10.1109/MILCOM52596.2021.9653072 *

Also Published As

Publication number Publication date
FR3162955B1 (fr) 2026-05-01
FR3162955A1 (fr) 2025-12-05

Similar Documents

Publication Publication Date Title
Khan et al. 3D convolutional neural networks based automatic modulation classification in the presence of channel noise
EP3301617B1 (fr) Procédés d&#39;apprentissage sécurisé de paramètres d&#39;un réseau de neurones à convolution, et de classification sécurisée d&#39;une donnée d&#39;entrée
CN121789179A (zh) 用于识别图像中的对象的方法
EP3674741B1 (fr) Système et procédé d&#39;identification de source radar
WO2011157920A1 (fr) Procede de securisation d&#39;une communication sans fil, dispositif recepteur et systeme de communication mettant en œuvre ce procede
FR3118503A1 (fr) Procédé et dispositif de détection d&#39;anormalité de données
EP1941547B1 (fr) Procédé de transmission d&#39;un signal multiporteuse conçu pour limiter l&#39;interférence, signal, dispositif d&#39;émission, procédé et dispositif de réception, et programmes d&#39;ordinateur correspondants
WO2018019452A1 (fr) Procede et dispositif d&#39;identification de modes d&#39;emission radar
WO2022207573A1 (fr) Autoencodeur multimodal a fusion de donnees latente amelioree
FR3106914A1 (fr) Procédé de surveillance de données échangées sur un réseau et dispositif de détection d’intrusions
EP4661321A1 (fr) Procédé de bruitage avant émission d&#39;un signal radio par un émetteur, dispositif et programme d&#39;ordinateur associés
FR3118749A1 (fr) Dispositif et procédé de calcul de paramètres de conduite
FR3118243A1 (fr) Procede d’extraction d’une signature d’une empreinte digitale et dispositif mettant en oeuvre ledit procede
EP0364333A1 (fr) Procédé et dispositif de validation de plots, pour radar, avec mise à jour autoadaptative
FR3084944A1 (fr) Procede de traitement d&#39;images d&#39;empreintes
EP3917024A1 (fr) Methode de demodulation par apprentissage automatique pour recepteurs mimo a detection d&#39;energie
FR3127602A1 (fr) procédé de génération d’une image augmentée et dispositif associé
EP3239731B1 (fr) Procédé de post-traitement de signaux radars à faible puissance d&#39;émission
FR3123746A1 (fr) Méthode et dispositif de classification d&#39;impulsions de signaux radar
FR3144337A1 (fr) Procédé et système de tatouage de modèle de segmentation sémantique d&#39;images mis au point par apprentissage machine
EP0762310A1 (fr) Système d&#39;échange de données comportant une pluralité de porteurs de données
FR3160495A1 (fr) Procédé de classification de signaux, dispositif et programme d’ordinateur associés
Reshma et al. Chicken-moth search optimization-based deep convolutional neural network for image steganography
EP4557166A1 (fr) Procédé et dispositif de détermination d&#39;appartenance aux données d&#39;apprentissage utilisées pour l&#39;entraînement d&#39;un modèle de classification de données par apprentissage machine
EP4369310A1 (fr) Procédé de classification d&#39;une image à classer parmi un ensemble de classes prédéfinies, ensemble de produit(s) programme d ordinateur et système électronique de classification associés

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR