认知通信对抗关键技术研究

张君毅，李 淳，杨 勇

(1.河北省电磁频谱认知与管控重点实验室，河北 石家庄 050081；2.中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

0 引言

当今国际形势风云变幻，电磁频谱和网络域的竞争态势日益激烈，斗争常态化特征日趋显著。2017年10月，美国战略与预算评估中心(CSBA)发布了《决胜灰色地带——运用电磁战重获局势掌控优势》报告，被称为是《决胜电磁波——重塑美国在电磁频谱领域的优势地位》的续篇。报告指出，电磁战是美国应对低强度军事行动或准军事行动的有效手段[1-2]。

信息已经成为现代战争重要的战略资源，为了获得制电磁频谱权，网络电磁领域作战模式正在由以人为主、人在回路向人工智能、人机协同转型。认知通信对抗系统利用机器学习、自主推理和智能决策等先进技术，在频谱密集的环境下实现在任意时间、任意地点可以自主发现、识别、跟踪、瞄准、交战与评估任意目标，可快速实现电磁态势认知和电子干扰策略生成，并通过学习目标的变化加以优化，提高攻击效能。

1 通信对抗面临的主要问题和挑战

随着通信和网络技术的发展进步，电磁信号呈现出多模式、多制式、智能化、高度自适应和快速捷变等特点，认知无线电的提出进一步加快了信息系统的智能化进程，多功能软件定义波形电台、认知雷达和认知通信等新型目标的应用日益广泛，传统的通信对抗系统面临以下主要问题和挑战[3]：

① 对未知目标的识别、提取、认知与攻击是未来电子战装备面临的首要问题；

② 对从未出现过的目标态势提出最优对抗策略是发挥我方攻击资源效能的最佳方式；

③ 对抗装备智能化能力不足是应对敌方战场信息智能系统的致命缺陷；

④ 对战场电磁态势攻击效果无法给出可靠的评估指标是阻碍下一步合理行动的关键；

⑤ 对战场的态势不能准确理解和预测是影响把控全局的核心因素。

为了适应现代战场复杂电磁环境的智能变化，迫切需要建立电磁认知作战的智能架构，形成作战新形态，获取智能化电磁作战能力：

① 对未知目标，尤其是新型智能化、认知化目标具有认知能力；

② 对于新出现的目标、网络，具有优化我方资源、实现有效电子攻击的快速决策能力；

③ 具有准确评估、理解战场电磁态势的能力，并做出行为预测；

④ 具有自主学习和持续进化能力。

2 认知通信对抗

2.1 总体构想

认知通信对抗能够利用人工智能(机器学习)技术快速感知、理解电磁目标并形成应对措施，同时自动学习威胁目标的变化，尝试不同的干扰、策略，从而快速实现有效对抗，其感知、推理、决策和评估能力以机器学习和推理进化为重要支撑。认知通信对抗的基本能力和关键技术如图1所示。

图1 认知通信对抗的基本能力和关键技术Fig.1 Capabilities and key techniques of cognitive communication countermeasures

在认知通信对抗系统的总体架构中，具有内在高层特征提取能力的深度学习模型、学习能力的知识推理模块以及知识表达与管理能力的知识库模块构成了核心动力部分，称为认知引擎，其原理如图2所示。认知引擎通过感知当前环境并不断生成新知识，产生推动感知设备、知识库、推理器、优化器以及射频环境构成闭合环路持续工作的动力，其中，知识库为推理器提供相关论据、算法和模型，推理器一方面产生新知识和规则，另一方面为优化器生成认知结果和基本策略，优化器则通过增强学习方法进一步增强逻辑推理能力，获取最优的对抗行动方案。

图2 认知引擎原理Fig.2 Schematic diagram of the principle of cognitive engine

认知通信对抗[4-7]将干扰效果建模为主要目标，遵循的基本过程是调整自身参数和策略来实现某一期望的(最优的)输出组合，并观测其结果，如果观测结果与预测结果相吻合，则本次对环境/目标的理解和干扰策略正确，如果观测结果与预测结果不匹配，认知引擎会从这次经历中学到经验并尝试其他配置，认知调整环基本流程如图3所示。认知通信对抗采用的这种工作概念与当前关于人脑如何工作的观点类似。人类智能来源于当前观测到的环境对将来行为的预测能力。换句话说，大脑首先对感官感觉到的当前情景进行建模，然后对下一个观测到的可能状态进行预测。当预测和现实不匹配时，大脑通过进一步处理二者的偏差进行学习，并且将这一偏差综合到以后的建模中。

图3 认知调整环基本流程Fig.3 Workflow of cognitive loop

2.2 动态感知

复杂战场环境存在检测难、识别难的问题，开展基于机器学习的智能动态感知技术研究，探索智能感知的新机理、新方法和新技术，形成具有“智能化”特征的电磁频谱侦察能力，是解决战场环境面临的电磁密集复杂、动态多变等问题的有效技术途径，其工作流程如图4所示。

图4 动态感知工作流程Fig.4 Workflow of dynamic perception

利用卷积神经网络[8]、随机森林、自适应增强、K近邻法、朴素贝叶斯、决策树和支持向量机等基于人工智能的方法，可以解决通信信号动态感知问题，包括宽频带信号检测、辐射源个体识别[9-10]，其网络结构如图5和图6所示。

图5 宽频带信号检测网络Fig.5 Network of signal detection in wide band

图6 辐射源个体识别网络Fig.6 Network of emitter individual identification

2.3 自主决策

高动态、强对抗、未知信号、智能设备充斥的电磁环境下，基于固定干扰模板库的经典干扰方式无法适应快速变化的智能对抗环境。综合利用信号特征和知识库中的先验信息，通过搜索、推理获取干扰策略，进行干扰资源分配和最优化处理后生成干扰波形，其中，干扰策略知识库包含干扰设备属性、干扰工作模式、推理规则集合、决策树和推理算法等内容，并具有根据当前干扰策略运行效果进行修正和更新的能力。

基于生成式对抗网络的波形自主产生算法[11]、基于案例的推理算法、基于博弈论的策略生成算法均属于智能化推理决策技术，其基本原理如图7、图8和图9所示。

图7 生成式对抗网络工作流程Fig.7 Workflow of generative adversarial networks

图8 基于案例的推理工作流程Fig.8 Workflow of reasoning based on cases

图9 基于博弈论的深度强化学习原理Fig.9 Principle of deep reinforcement learning based on game theory

2.4 效果评估

对抗效果评估是观察、定位、决策和行动环路的重要组成部分，主要功能是根据实施干扰前后目标特征变化评估对抗效果，为优化干扰策略提供依据，这也是认知通信对抗区别于传统方法的核心环节。对抗效果评估主要包括以下能力：

① 基于大数据的目标常态、干扰状态用频模型构建能力；

② 实时采集评估数据能力；

③ 目标行为实时分析能力；

④ 博弈状态下目标行为动态分析能力。

基于非合作方的干扰效果评估方法，由侦察传感器截获目标信号，引导干扰机对目标信号实施干扰，同时通过对被干扰目标信号参数变化进行反推来实现基于干扰方的效能评估。即通过分析威胁目标频率、发射功率、调制样式、编码方式、通信体制和波束扫描等行为是否变化[12-13]，判断其工作状态转换，并结合威胁目标行为模型，综合评估干扰效果。干扰效果评估原理示意如图10所示。

图10 干扰效果评估原理示意Fig.10 Principle schematic diagram of jamming effects assessment

样本库的建立是重要核心，主要包括平时侦察的目标信号特征、干扰前后的行为变化和对应的干扰效果类别。其中，信号特征包括频率、工作模式、调制样式、带宽、数据速率、编码方式、发射功率和空间位置等参数；行为特征包括上述特征的变化，以及是否采用了抗干扰措施。

对抗效果评估过程主要包括训练和判别2个阶段。训练阶段是指通过平时侦察以及人工情报，获得目标的特征参数以及干扰对象在受扰前后的行为变化特征和对应的干扰效果类别，通过人工分析建立训练样本，并训练推理器。判别阶段是指在战时条件下，对目标信号进行侦察，获得特征以及受扰前后的变化情况，送入推理器进行识别，得到本次干扰的对抗效果评估结果。

3 结束语

2019年5月，“老乌鸦”协会第23届欧洲电子战年会开幕式上提出：在面对未来更加复杂的威胁时，电子战系统的设计重点是有效对抗当前与未来的目标，并能够快速升级。这与认知通信对抗的发展初衷不谋而合，未来的认知通信对抗系统不仅可以适应新型目标网络和复杂态势，而且具有准确评估战场电磁态势、做出行为预测的能力，是提升电磁空间的作战能力和整体优势、夺取制电磁权的重要手段，也是信息化条件下联合作战取得胜利的基本保障。