使用对抗机器学习对无线通信进行干扰攻击，通过深度学习分类器可靠预测下一个成功的传输并有效地干扰。开发了生成对抗网络以减少获取训练数据集的时间。作为一种防御方案，传输机故意采取一些错误的动作来干扰干扰器的可靠分类器，从而增加其吞吐量。

Jul, 2018

本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

Sep, 2019

本研究通过使用神经网络、环境背散射通信等技术，设计了一种新型的深度强化学习算法，实现了优秀的反制干扰效果，提高了平均吞吐量 426% 并减少了 24% 的数据包丢失率，可以应用于 URLLC 和军事场景。

Apr, 2019

本研究演示了通过深度学习和软件无线电实现完全由神经网络构成的通信系统，并使用两阶段学习方法应对训练过程中的不可导问题。

Jul, 2017

在基于机器学习的在线观测系统中，利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击，研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。

May, 2024

本文研究了使用数据驱动的深度学习方法分离观测到的两个混合通信信号的潜力。我们提出了一种基于非平稳特征的领域知识驱动神经网络设计，能够通过精确同步信号和干扰信号获得显著的性能提升，其结果突出了通信特定领域知识在数据驱动方法的发展中所起到的关键作用。

Sep, 2022

本文旨在使用深度神经网络对广播领域中使用的信号处理算法进行分类，探究故意制造的对抗性扰动可能如何欺骗 DNN 分类器并显著降低其准确度的论题，并尝试定义特定于类别和独立于样本的对抗性扰动，展示这些攻击在物理信道上使用软件定义电台通过空中进行的有效性，以及这些对抗扰动可以从通信设备之外的源头发出，使得这些攻击实用于无法在物理层操纵其传输信号的设备。

Feb, 2022

本研究论文提出了一种新型的通用深度神经网络 (Uni-DNN)，可以在不需重新训练模型的情况下，在各种无线环境中实现高检测性能。该模型由无线信道分类器和信号检测器组成，可广泛适用于多种无线信道分布，通过使用卷积神经网络进一步提高信号检测性能，并在实际低导频密度场景中，较常规的基于深度学习的方法以及最小二乘和最小均方误差信道估计器具有更低的误码率性能。

Apr, 2024

通过分析具有专用设备的无线电信号，我们提出了一种用于检测干扰攻击的方法，并使用卷积神经网络 (CNN) 作为检测器实现广义最大似然比准则 (GLRT)。通过使用包括真实合法信号和人工生成的模拟不同类型干扰信号的数据集训练 CNN，我们评估了该检测器的性能，并展示了其在检测干扰攻击方面的有效性。

May, 2024

本文介绍了一个基于 5G 协议栈中信号参数的匿名干扰检测模型，该系统通过监督学习和无监督学习实时高精度地检测干扰，包括未知类型干扰。监督模型的 AUC 为 0.964 至 1，相比之下，LSTM 模型的 AUC 为 0.923 至 1。然而，需要数据标注限制了监督方法的应用。为解决这个问题，本文提出了一种无监督的基于自编码器的异常检测方法，其 AUC 为 0.987。该方法对抗对抗性训练样本具有抵抗性。为了提高透明度和领域知识注入，还引入了基于贝叶斯网络的因果分析。

Nov, 2023