認知通信對抗關鍵技術研究

張君毅，李 淳，楊 勇

(1.河北省電磁頻譜認知與管控重點實驗室，河北 石家莊 050081；2.中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

0 引言

當今國際形勢風云變幻，電磁頻譜和網絡域的競爭態勢日益激烈，斗爭常態化特征日趨顯著。2017年10月，美國戰略與預算評估中心(CSBA)發布了《決勝灰色地帶——運用電磁戰重獲局勢掌控優勢》報告，被稱為是《決勝電磁波——重塑美國在電磁頻譜領域的優勢地位》的續篇。報告指出，電磁戰是美國應對低強度軍事行動或準軍事行動的有效手段[1-2]。

信息已經成為現代戰爭重要的戰略資源，為了獲得制電磁頻譜權，網絡電磁領域作戰模式正在由以人為主、人在回路向人工智能、人機協同轉型。認知通信對抗系統利用機器學習、自主推理和智能決策等先進技術，在頻譜密集的環境下實現在任意時間、任意地點可以自主發現、識別、跟蹤、瞄準、交戰與評估任意目標，可快速實現電磁態勢認知和電子干擾策略生成，并通過學習目標的變化加以優化，提高攻擊效能。

1 通信對抗面臨的主要問題和挑戰

隨著通信和網絡技術的發展進步，電磁信號呈現出多模式、多制式、智能化、高度自適應和快速捷變等特點，認知無線電的提出進一步加快了信息系統的智能化進程，多功能軟件定義波形電臺、認知雷達和認知通信等新型目標的應用日益廣泛，傳統的通信對抗系統面臨以下主要問題和挑戰[3]：

① 對未知目標的識別、提取、認知與攻擊是未來電子戰裝備面臨的首要問題；

② 對從未出現過的目標態勢提出最優對抗策略是發揮我方攻擊資源效能的最佳方式；

③ 對抗裝備智能化能力不足是應對敵方戰場信息智能系統的致命缺陷；

④ 對戰場電磁態勢攻擊效果無法給出可靠的評估指標是阻礙下一步合理行動的關鍵；

⑤ 對戰場的態勢不能準確理解和預測是影響把控全局的核心因素。

為了適應現代戰場復雜電磁環境的智能變化，迫切需要建立電磁認知作戰的智能架構，形成作戰新形態，獲取智能化電磁作戰能力：

① 對未知目標，尤其是新型智能化、認知化目標具有認知能力；

② 對于新出現的目標、網絡，具有優化我方資源、實現有效電子攻擊的快速決策能力；

③ 具有準確評估、理解戰場電磁態勢的能力，并做出行為預測；

④ 具有自主學習和持續進化能力。

2 認知通信對抗

2.1 總體構想

認知通信對抗能夠利用人工智能(機器學習)技術快速感知、理解電磁目標并形成應對措施，同時自動學習威脅目標的變化，嘗試不同的干擾、策略，從而快速實現有效對抗，其感知、推理、決策和評估能力以機器學習和推理進化為重要支撐。認知通信對抗的基本能力和關鍵技術如圖1所示。

圖1 認知通信對抗的基本能力和關鍵技術Fig.1 Capabilities and key techniques of cognitive communication countermeasures

在認知通信對抗系統的總體架構中，具有內在高層特征提取能力的深度學習模型、學習能力的知識推理模塊以及知識表達與管理能力的知識庫模塊構成了核心動力部分，稱為認知引擎，其原理如圖2所示。認知引擎通過感知當前環境并不斷生成新知識，產生推動感知設備、知識庫、推理器、優化器以及射頻環境構成閉合環路持續工作的動力，其中，知識庫為推理器提供相關論據、算法和模型，推理器一方面產生新知識和規則，另一方面為優化器生成認知結果和基本策略，優化器則通過增強學習方法進一步增強邏輯推理能力，獲取最優的對抗行動方案。

圖2 認知引擎原理Fig.2 Schematic diagram of the principle of cognitive engine

認知通信對抗[4-7]將干擾效果建模為主要目標，遵循的基本過程是調整自身參數和策略來實現某一期望的(最優的)輸出組合，并觀測其結果，如果觀測結果與預測結果相吻合，則本次對環境/目標的理解和干擾策略正確，如果觀測結果與預測結果不匹配，認知引擎會從這次經歷中學到經驗并嘗試其他配置，認知調整環基本流程如圖3所示。認知通信對抗采用的這種工作概念與當前關于人腦如何工作的觀點類似。人類智能來源于當前觀測到的環境對將來行為的預測能力。換句話說，大腦首先對感官感覺到的當前情景進行建模，然后對下一個觀測到的可能狀態進行預測。當預測和現實不匹配時，大腦通過進一步處理二者的偏差進行學習，并且將這一偏差綜合到以后的建模中。

圖3 認知調整環基本流程Fig.3 Workflow of cognitive loop

2.2 動態感知

復雜戰場環境存在檢測難、識別難的問題，開展基于機器學習的智能動態感知技術研究，探索智能感知的新機理、新方法和新技術，形成具有“智能化”特征的電磁頻譜偵察能力，是解決戰場環境面臨的電磁密集復雜、動態多變等問題的有效技術途徑，其工作流程如圖4所示。

圖4 動態感知工作流程Fig.4 Workflow of dynamic perception

利用卷積神經網絡[8]、隨機森林、自適應增強、K近鄰法、樸素貝葉斯、決策樹和支持向量機等基于人工智能的方法，可以解決通信信號動態感知問題，包括寬頻帶信號檢測、輻射源個體識別[9-10]，其網絡結構如圖5和圖6所示。

圖5 寬頻帶信號檢測網絡Fig.5 Network of signal detection in wide band

圖6 輻射源個體識別網絡Fig.6 Network of emitter individual identification

2.3 自主決策

高動態、強對抗、未知信號、智能設備充斥的電磁環境下，基于固定干擾模板庫的經典干擾方式無法適應快速變化的智能對抗環境。綜合利用信號特征和知識庫中的先驗信息，通過搜索、推理獲取干擾策略，進行干擾資源分配和最優化處理后生成干擾波形，其中，干擾策略知識庫包含干擾設備屬性、干擾工作模式、推理規則集合、決策樹和推理算法等內容，并具有根據當前干擾策略運行效果進行修正和更新的能力。

基于生成式對抗網絡的波形自主產生算法[11]、基于案例的推理算法、基于博弈論的策略生成算法均屬于智能化推理決策技術，其基本原理如圖7、圖8和圖9所示。

圖7 生成式對抗網絡工作流程Fig.7 Workflow of generative adversarial networks

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

圖9 基于博弈論的深度強化學習原理Fig.9 Principle of deep reinforcement learning based on game theory

2.4 效果評估

對抗效果評估是觀察、定位、決策和行動環路的重要組成部分，主要功能是根據實施干擾前后目標特征變化評估對抗效果，為優化干擾策略提供依據，這也是認知通信對抗區別于傳統方法的核心環節。對抗效果評估主要包括以下能力：

① 基于大數據的目標常態、干擾狀態用頻模型構建能力；

② 實時采集評估數據能力；

③ 目標行為實時分析能力；

④ 博弈狀態下目標行為動態分析能力。

基于非合作方的干擾效果評估方法，由偵察傳感器截獲目標信號，引導干擾機對目標信號實施干擾，同時通過對被干擾目標信號參數變化進行反推來實現基于干擾方的效能評估。即通過分析威脅目標頻率、發射功率、調制樣式、編碼方式、通信體制和波束掃描等行為是否變化[12-13]，判斷其工作狀態轉換，并結合威脅目標行為模型，綜合評估干擾效果。干擾效果評估原理示意如圖10所示。

圖10 干擾效果評估原理示意Fig.10 Principle schematic diagram of jamming effects assessment

樣本庫的建立是重要核心，主要包括平時偵察的目標信號特征、干擾前后的行為變化和對應的干擾效果類別。其中，信號特征包括頻率、工作模式、調制樣式、帶寬、數據速率、編碼方式、發射功率和空間位置等參數；行為特征包括上述特征的變化，以及是否采用了抗干擾措施。

對抗效果評估過程主要包括訓練和判別2個階段。訓練階段是指通過平時偵察以及人工情報，獲得目標的特征參數以及干擾對象在受擾前后的行為變化特征和對應的干擾效果類別，通過人工分析建立訓練樣本，并訓練推理器。判別階段是指在戰時條件下，對目標信號進行偵察，獲得特征以及受擾前后的變化情況，送入推理器進行識別，得到本次干擾的對抗效果評估結果。

3 結束語

2019年5月，“老烏鴉”協會第23屆歐洲電子戰年會開幕式上提出：在面對未來更加復雜的威脅時，電子戰系統的設計重點是有效對抗當前與未來的目標，并能夠快速升級。這與認知通信對抗的發展初衷不謀而合，未來的認知通信對抗系統不僅可以適應新型目標網絡和復雜態勢，而且具有準確評估戰場電磁態勢、做出行為預測的能力，是提升電磁空間的作戰能力和整體優勢、奪取制電磁權的重要手段，也是信息化條件下聯合作戰取得勝利的基本保障。