基于在線學習的智能抗干擾通信系統設計

馬海波 俞力 周新 馮熳

摘? 要：面對復雜多變的電磁環境，通信系統的抗干擾能力愈發重要，而傳統的抗干擾方式缺少靈活性，無法動態適應復雜的傳輸環境。目前人工智能算法在抗干擾領域已有廣泛研究，但大多只局限在某個方面，沒有完整的抗干擾通信系統架構。基于上述問題，文章提出了一種基于在線學習的智能抗干擾系統架構，介紹了其系統工作流程;詳細描述了系統各模塊的功能和設計方案，證明了運用在線學習的方法進行智能抗干擾系統設計的可行性。

關鍵詞：在線學習;智能通信;抗干擾通信

Abstract：Facing the complex and changeable electromagnetic environment，the anti-interference ability of the communication system is becoming more and more important，while the traditional anti-interference method lacks flexibility and cannot dynamically adapt to the complex transmission environment. At present，artificial intelligence algorithms have been extensively studied in the field of anti-interference，but most of them are limited to a certain aspect，and there is no complete anti-interference communication system architecture. Based on this，the article proposed an intelligent anti-interference system architecture based on online learning，introduced its system workflow;described in detail the functions and design schemes of each module of the system，and proved the feasibility of using online learning method for intelligent anti-interference system design.

Keywords：online learning;intelligent communication;anti-interference communication

0? 引? 言

5G網絡的規模化部署，已經在全世界范圍內展開，與此同時，B5G/6G技術的研究已全面啟動。作者在網絡通信與安全紫金山實驗室從事無線移動通信領域系統架構設計相關工作，研究發現隨著無線移動通信系統中所使用的頻段不斷上移以及信息傳輸環境愈發復雜多變，通信的質量、效率對于無處不在的干擾越來越敏感，而傳統的抗干擾方式[1，2]缺少靈活性，無法應對復雜多變的干擾環境，因此設計一個高效可靠的智能抗干擾系統迫在眉睫。

隨著人工智能[3]技術的發展，在通信領域涌現了大量基于在線學習的智能算法的研究。電子科技大學的李少謙教授指出智能抗干擾技術是新一代抗干擾技術發展的新方向[4]，可通過對復雜電磁環境的感知，利用人工智能算法實現最佳通信;文獻[5]以認知無線電為背景，研究了智能決策技術，將人工蜂群算法、基于反向傳播的神經網絡應用到決策模型中;文獻[6]將深度強化學習算法應用到編碼調制中，可有效減少通信方案策略變化所需要的功耗;文獻[7]引入了自適應的交叉算子和變異算子，仿真表明系統的抗干擾性能顯著提升;文獻[8]提出了基于強化學習的Stacklberg博弈算法，采用納什均衡求解，提高了通信用戶的效用值函數。

本文在綜合上述多種方案優缺點的基礎上提出了一種基于在線學習的智能抗干擾系統架構，根據不同干擾環境，進行有針對性的自適應抗干擾方案設計，并對調制、編碼、發射功率等多個參數進行聯合優化，最終實現實時、高效、可靠的抗干擾通信。

1? 基于在線學習的智能抗干擾系統架構

傳統的抗干擾系統無法對環境進行自適應、工作效率低、缺乏靈活性，因此本文提出一種基于在線學習的智能抗干擾系統，其系統架構如圖1所示。

詳細的系統流程如圖2所示，具體的流程為：

（1）頻譜感知模塊感知各信道的干擾情況;干擾識別模塊對當前信道中的干擾類型進行識別，頻譜感知與干擾識別的結果被送入方案選擇模塊;

（2）方案選擇模塊根據頻譜感知與干擾識別結果選擇對應方案。情況1：當前信道無干擾，跳至（5）;情況2：當前信道存在干擾，但同時存在空閑信道，跳至（3）;情況3：當前信道存在干擾且無空閑信道，或者是連續多次采用情況2的方案后當前信道中仍存在干擾，跳至（4）;

（3）智能信道決策模塊根據頻譜感知結果選擇空閑信道，并將該信息送給智能參數決策模塊，至（5）;

（4）抗干擾決策模塊根據干擾識別結果選擇正確的抗干擾策略（直擴，跳頻）與對應干擾環境下的誤碼率預測值，將該信息傳送給智能參數決策模塊，至（5）;當無法給出誤碼率預測方法時，根據模塊中的預設參數，選擇最優情況直接輸出到調制發射端，至（6）;

（5）智能參數決策模塊根據信道情況、信干噪比、功率、誤碼率、速率等因素，決策最優調制參數策略，并輸出到調制發射端;

（6）調制發射端根據接收到的參數，調制并發射信號;一段時間后跳至（1），進入新的周期。

2? 系統各模塊功能與設計

2.1? 頻譜感知模塊

頻譜感知模塊用來檢測空閑信道，感知干擾在信道上的分布情況，為下一步干擾識別和方案選擇提供依據。常用的頻譜感知方法主要包括匹配濾波檢測、循環平穩特征檢測和能量檢測三種，其具體的適用范圍及主要優缺點如表1所示。

綜上，基于能量檢測的算法最為簡單、快速，本文選擇該算法完成頻譜感知。

2.2? 干擾識別模塊

在本文提出的智能抗干擾系統中，通過干擾識別模塊檢測當前信道中干擾的類型，為后續的方案選擇模塊提供依據，使調制方案及參數選擇更有針對性，進一步提高干擾環境下通信系統性能。具體的干擾識別系統框圖[9]如圖3所示。

特征提取是干擾識別模塊的關鍵，傳統的基于特征提取的干擾識別大多將干擾信號類比為調制信號進行研究，因此其識別方法也大體相同。在特征提取之前，首先要對信號做功率歸一化處理，其目的是使樣本數據的大小盡量符合標準正態分布，從而使學習器能夠在統一的量綱上進行學習，能有效提高學習器的收斂效果和識別準確率，但是上述方法在干擾信號和調制信號混合的情況下識別效果并不理想，尤其在低信干噪比情況下，識別效果較差。因此，文獻[9]提出了一種基于奇異值分解的干擾識別方法，在基本不增加計算量的同時，大幅提升了干擾識別準確率，因此本文擬采用該方法完成干擾識別。

2.3? 方案選擇模塊

方案選擇模塊將干擾檢測和頻譜感知的結果匯總，分析信道中的干擾情況，并對將要采用的決策方式做出安排，該模塊主要將干擾情況分為以下三種：

（1）當前信道無干擾;

（2）當前信道存在干擾，但其他信道受干擾較小，或干擾施加有規律，可通過調整信道規避干擾;

（3）當前信道存在干擾，且干擾相對智能，無法通過調整信道規避干擾。

2.4? 智能信道決策模塊

智能信道決策模塊是實現高質量通信的關鍵，它根據頻譜感知的結果，基于強化學習算法，通過學習干擾系統的信道切換策略直接切換到無干擾且質量最好的信道進行通信，減少了信道反饋時間，有效提高了工作效率。

文獻[10]提出利用SARSA算法和Q learning算法解決信道決策問題。在SARSA算法下，考慮固定模式干擾和隨機模式干擾，并假設干擾系統沒有頻譜感知能力，仿真結果表明在學習初期通信系統被干擾成功，但經過一段時間訓練后通信系統可以完全規避干擾。在Q learning算法下設置干擾具有頻譜感知的功能，仿真結果表明具備頻譜感知能力的固定模式干擾和隨機模式干擾需要更長學習時間。智能模式干擾下的仿真結果表明，當系統可以完全規避干擾時，用戶和干擾方的Q learning參數相同，所需要的學習時間更短。同時該文獻針對固定模式干擾情況下收斂速度慢的問題，提出了一種改進的Q learning算法，仿真結果表明所提算法可大大提高收斂速度。本文擬采用這種改進的Q learning算法完成智能信道決策。

2.5? 智能參數決策模塊

智能參數決策模塊[10]以人工智能算法為核心，根據輸入參數，如噪聲功率、干擾類型及信干噪比等，結合預先設定的約束條件和用戶要求/政策，對調制方式、編碼方式、發射功率等通信參數進行決策，使系統能獲得最佳的傳輸性能，其簡化模型如圖4所示。系統根據決策引擎中的優化決策算法在目標函數的解空間中尋找最優解，得到通信中相關參數的配置信息，然后根據用戶要求的反饋更新知識庫;也可以學習知識庫中的通信案例，充分利用已知信息，由強化學習算法推理出下一個時刻的參數選擇。

具體的智能參數決策引擎是要將待優化的目標和信道檢測的結果以及可調參數關聯，以得到最佳的決策方案。為改進傳輸質量、增加系統信息傳輸量、減小能耗等，本文考慮的主要目標函數包括：最小化誤碼率、最大化數據吞吐量、最低功耗、最小干擾以及最大頻譜利用率。待優化的參數包括：傳輸功率、調制方式、調制進制數、傳輸頻率、帶寬、傳輸速率等。由于每個性能指標都和優化參數相關聯，為了達到各指標的折中性能，需要對其進行歸一化處理。具體過程為：首先對誤碼率、發射功率和平均信息傳輸速率等進行歸一化處理;然后根據用戶的需求選擇加權系數，完成對目標函數的設計;通過目標函數將多目標問題轉換為單目標問題，對系統的參數重新配置，實現當前環境下的最佳通信。

其中決策優化模塊中，系統根據用戶的需求或政策要求，通過人工智能算法在目標函數對應的解空間中進行全局搜索，以獲得最優的系統參數配置，主要算法包括遺傳算法、人工蜂群算法以及二進制粒子群算法等。

2.6? 抗干擾決策模塊

抗干擾決策模塊主要根據干擾檢測模塊的識別結果，選取針對性的抗干擾策略。主要包括以下兩個方面：

（1）抗干擾方式的選擇：對單音、多音干擾，選擇跳頻的方式;對于部分頻帶等寬帶干擾，選擇直擴的方式;

（2）誤碼率預測：在調制方式、發射功率等其他參數的選擇上，依舊需要智能參數決策模塊來決定;而干擾決策模塊需要通過公式法或查表法給出干擾環境下的誤碼率預測方法，并傳給智能參數決策模塊，使其修改目標函數。

3? 結? 論

本文重點研究了基于在線學習的智能抗干擾系統設計，通過引入在線學習算法，設計了基于在線學習的智能抗干擾系統架構。在此基礎上，對方案中的各個子模塊，包括頻譜感知模塊、干擾識別模塊、方案選擇模塊、智能信道決策模塊和智能參數決策模塊等，進行詳細分析和描述。本文所提出的基于在線學習的智能抗干擾系統架構及詳細設計，是通信系統中一種可行、高效的抗干擾解決方案。

參考文獻：

[1] 陳青松，胡曉飛.無線通信抗干擾技術性能 [J].電子技術與軟件工程，2018（21）：22.

[2] 郭冬.超高速跳頻通信系統的設計與實現 [D].西安：西安電子科技大學，2015.

[3] GOODFELLOW I，BENGIO Y，GOURVILLE A.深度學習 [M].趙申劍，黎彧君，符天凡，等譯.北京：人民郵電出版社，2017.

[4] 李少謙，程郁凡，董彬虹，等.智能抗干擾通信技術研究 [J].無線電通信技術，2012，38（1）：1-4.

[5] 王小青.認知抗干擾通信系統的智能決策技術研究 [D].成都：電子科技大學，2018.

[6] ZHANG L，TAN J，LIANG Y C，et al. Deep Reinforcement Learning-Based Modulation and Coding Scheme Selection in Cognitive Heterogeneous Networks [J].IEEE Transactions on Wireless Communications，2019，18（6）：3281-3294.

[7] DAI X. Allele Gene Based Adaptive Genetic Algorithm to the Code Design [J].IEEE Transactions on Communications，2011，59（5）：1253-1258.

[8] JIA L，YAO F，SUN Y，et al. A Hierarchical Learning Solution for Anti-jamming Stackelberg Game with Discrete Power Strategies [J].IEEE Wireless Communications Letters，2017，6（6）：818-821.

[9] 王梓楠.干擾環境下基于深度學習的調制識別方法研究 [D].南京：東南大學，2020.

[10] 周新.基于智能決策的抗干擾通信系統設計 [D].南京：東南大學，2020.

作者簡介：馬海波（1976—），男，漢族，黑龍江大慶人，高級項目經理，工程師，碩士，研究方向：5G通信系統架構。