基于GRU神經(jīng)網(wǎng)絡(luò)的自適應(yīng)跳頻技術(shù)研究

何雨桐，朱立東，施文軍

(電子科技大學(xué)通信抗干擾技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，四川 成都611731)

0 引言

跳頻技術(shù)可以在干擾方采用一些單音干擾、多音干擾等情況下，通過(guò)變換工作頻率，使信息傳輸避開(kāi)干擾，保證通信的效率和質(zhì)量。近年來(lái)，跳頻通信技術(shù)已得到廣泛應(yīng)用,為了有效對(duì)抗跳頻技術(shù)，自適應(yīng)干擾技術(shù)得以發(fā)展，文獻(xiàn)[1]采用了卷積神經(jīng)網(wǎng)絡(luò)(CNN)時(shí)頻特性對(duì)調(diào)制方式進(jìn)行研究，其核心在于研究收發(fā)雙方的跳頻圖案后通過(guò)數(shù)據(jù)采集和數(shù)據(jù)處理技術(shù)對(duì)跳頻圖案進(jìn)行預(yù)測(cè)。然而，現(xiàn)在的跳頻系統(tǒng)對(duì)于跳頻圖案也進(jìn)行了諸多優(yōu)化和升級(jí)，例如采用偽隨機(jī)序列設(shè)計(jì)的跳頻圖案具有隨機(jī)性強(qiáng)、分布廣泛且均勻等特點(diǎn)，極具迷惑性，讓干擾方難以預(yù)測(cè)。近年來(lái)，諸多自適應(yīng)干擾為了高效破壞跳頻過(guò)程，開(kāi)始利用神經(jīng)網(wǎng)絡(luò)來(lái)捕獲跳頻系統(tǒng)中的同步頻率集。

同步頻率集是跳頻系統(tǒng)中專門用于同步信息傳遞的頻點(diǎn)集合。在一個(gè)跳頻系統(tǒng)中，頻點(diǎn)被分為數(shù)據(jù)跳和同步跳，數(shù)據(jù)跳主要用于傳遞數(shù)據(jù)信息，而同步跳主要用于傳遞同步信息(例如：時(shí)間信息、密鑰、用于接收機(jī)捕獲和進(jìn)行抗頻偏處理的一些同步頭等)。通常情況下，出于跳頻同步的功能需要，每個(gè)同步跳中的跳頻碼序列都必須具有周期性。在通信過(guò)程中，為了時(shí)間捕獲、抗頻偏處理和同步保持，需要定期加入同步跳。對(duì)于干擾方而言，只要能夠干擾同步跳，就可以阻斷收發(fā)雙方的同步過(guò)程，讓接收機(jī)無(wú)法正確接收信息，一種新的自適應(yīng)干擾方式由此產(chǎn)生。文獻(xiàn)[2]采用了RBF網(wǎng)絡(luò)對(duì)跳頻圖案進(jìn)行分析，在極短的時(shí)間內(nèi)分析出跳頻系統(tǒng)的同步過(guò)程，找出同步頻率集。由于同步頻率集具有固定周期，其特征非常易于識(shí)別，干擾方只需要分析出用于同步的幾個(gè)固定頻點(diǎn)，即可對(duì)同步跳施加干擾，精準(zhǔn)且快速地破壞通信系統(tǒng)[3]。基于此背景進(jìn)行研究，提出一種自適應(yīng)切換同步頻率集方法可以在有效迷惑非合作方的前提下盡可能降低切換速率，有效保障系統(tǒng)性能。

1 跳頻系統(tǒng)幀結(jié)構(gòu)設(shè)計(jì)

為了應(yīng)對(duì)高動(dòng)態(tài)大頻偏等復(fù)雜的環(huán)境，采用了如下的幀結(jié)構(gòu)設(shè)計(jì)：假設(shè)本系統(tǒng)的工作頻率可能是500 MHz帶寬內(nèi)的任何位置，將500 MHz帶寬均分為50個(gè)頻段，每個(gè)頻段帶寬為10 MHz。跳速為20 000 hop/s。當(dāng)系統(tǒng)工作于Ka頻，且多普勒頻移達(dá)到600 kHz時(shí)，為了捕獲信號(hào)設(shè)計(jì)出如下幀結(jié)構(gòu)：每一同步幀中，有8跳作為數(shù)據(jù)跳，2跳作為同步跳，由此產(chǎn)生跳頻圖案。

通信系統(tǒng)是碼分多址(CDMA)系統(tǒng)，系統(tǒng)中的物理信道配置由復(fù)幀、幀和時(shí)隙組成：

時(shí)隙(slot)：持續(xù)時(shí)間為0.6 ms,一個(gè)時(shí)隙內(nèi)包含10跳；

幀：持續(xù)時(shí)間為30 ms,一個(gè)幀內(nèi)包含50個(gè)時(shí)隙；

復(fù)幀：持續(xù)時(shí)間為600 ms,一個(gè)幀內(nèi)包含20個(gè)幀。

圖1為跳頻系統(tǒng)的幀結(jié)構(gòu)設(shè)計(jì)，可以看出，整個(gè)跳頻圖案由復(fù)雜度低、周期短的同步跳序列與混沌序列組成的數(shù)據(jù)跳序列拼接而成。為了對(duì)抗文獻(xiàn)[4]中提出的干擾類型，保護(hù)同步跳的安全，設(shè)計(jì)出如圖2所示的跳頻同步更新模式，以實(shí)現(xiàn)抗干擾、抗截獲的目的。

圖1 跳頻系統(tǒng)同步幀結(jié)構(gòu)設(shè)計(jì)Fig.1 Design of synchronous frame structure for frequency hopping system

圖2 自適應(yīng)跳頻系統(tǒng)更新方式Fig.2 Adaptive frequency hopping system update method

2 神經(jīng)網(wǎng)絡(luò)模型

跳頻圖案實(shí)際上是一種復(fù)雜的時(shí)間序列，而循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是一種能夠處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，其最重要的特點(diǎn)是神經(jīng)元某一時(shí)刻的輸出可以作為輸入再次輸入給神經(jīng)元，保留了數(shù)據(jù)之間的依賴關(guān)系。因此RNN的串聯(lián)式結(jié)構(gòu)解決了早期神經(jīng)網(wǎng)絡(luò)的時(shí)序推理問(wèn)題，可以用于處理跳頻圖案數(shù)據(jù)[5-6]。

但是對(duì)于跳頻圖案這種較長(zhǎng)的時(shí)間序列數(shù)據(jù)，RNN在序列交替的反向傳播過(guò)程中容易出現(xiàn)梯度消失或者梯度爆炸的問(wèn)題，這導(dǎo)致在訓(xùn)練過(guò)程中，梯度不能在較長(zhǎng)序列中一直傳遞下去，從而使RNN無(wú)法捕捉到長(zhǎng)距離的影響。

而長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-term Memory，LSTM)是一種特殊的RNN，其具有記憶狀態(tài)單元和“門”結(jié)構(gòu)。這種特殊的結(jié)構(gòu)能夠使LSTM網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的誤差在反向傳播過(guò)程中不再依次傳遞，從而克服誤差反向傳播時(shí)的梯度爆炸問(wèn)題。同時(shí)LSTM網(wǎng)絡(luò)通過(guò)在RNN隱藏層中加入的3個(gè)“門”結(jié)構(gòu)，選擇性地將之前時(shí)刻有用的循環(huán)信息長(zhǎng)時(shí)間記憶、傳遞至以后的訓(xùn)練模型中，避免因循環(huán)結(jié)構(gòu)產(chǎn)生重復(fù)計(jì)算，以此解決了傳統(tǒng)RNN在訓(xùn)練長(zhǎng)跳頻序列中存在的梯度消失問(wèn)題。

LSTM的核心思想是使用遺忘門ft、輸入門it和輸出門ot作為控制開(kāi)關(guān)來(lái)實(shí)現(xiàn)對(duì)跳頻序列信息的提取和處理。LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)如圖3所示。

圖3 LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)圖Fig.3 LSTM neural network unit structure diagram

門控循環(huán)單元(Gate Recurrent Unit,GRU)是LSTM的一種變體，其對(duì)LSTM模型進(jìn)行了改進(jìn)，和LSTM相比GRU保留了其克服長(zhǎng)期依賴問(wèn)題的能力，同時(shí)又減少了“門”的數(shù)量，可以節(jié)省更多訓(xùn)練時(shí)間[7]。

GRU實(shí)際上是將LSTM中的遺忘門和輸入門合成一個(gè)新的更新門zt，用重置門rt替換LSTM中的輸出門，GRU神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)如圖4所示。

圖4 GRU神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)圖Fig.4 GRU neural network unit structure diagram

與LSTM網(wǎng)絡(luò)相比，GRU同樣能克服傳統(tǒng)RNN的長(zhǎng)期依賴問(wèn)題，保證了預(yù)測(cè)準(zhǔn)確性的同時(shí)，門結(jié)構(gòu)數(shù)量的減少，加快了網(wǎng)絡(luò)訓(xùn)練時(shí)間。因此，GRU相比于傳統(tǒng)RNN和LSTM，更適合用來(lái)處理較長(zhǎng)的跳頻圖案序列[8-9]。

表1為L(zhǎng)STM網(wǎng)絡(luò)和GRU網(wǎng)絡(luò)處理同一組數(shù)據(jù)所耗時(shí)間統(tǒng)計(jì)。不難看出，使用GRU網(wǎng)絡(luò)可以在一定程度上節(jié)約訓(xùn)練時(shí)間，對(duì)跳頻系統(tǒng)來(lái)說(shuō)，每秒鐘都會(huì)生成數(shù)以萬(wàn)計(jì)的樣本數(shù)據(jù)，所以采用GRU網(wǎng)絡(luò)的實(shí)時(shí)預(yù)測(cè)能力會(huì)明顯優(yōu)于LSTM網(wǎng)絡(luò)。

表1 訓(xùn)練時(shí)間與訓(xùn)練次數(shù)的關(guān)系Tab.1 Relationship between training time and training times

3 仿真及結(jié)果分析

在跳頻系統(tǒng)中，采用混沌序列的數(shù)據(jù)生成跳頻圖案的流程如圖5所示。

圖5 混沌序列跳頻圖案生成過(guò)程Fig.5 Generation process of chaotic sequence frequency hopping pattern

混沌序列是一種復(fù)雜的偽隨機(jī)序列，從理論上講，它是無(wú)理數(shù)，沒(méi)有周期。所以，用混沌序列作為跳頻圖案能夠很好地避免非合作方實(shí)施的跟蹤干擾[10]。同時(shí)，混沌跳頻系統(tǒng)具有系統(tǒng)具備初值敏感性和拓?fù)鋫鬟f性等優(yōu)勢(shì)，混沌序列生成器中的初值、映射方式或者擾動(dòng)系數(shù)只要有細(xì)微的變化，就會(huì)使得生成結(jié)果相差甚遠(yuǎn)，在極大程度上具有優(yōu)良的保密性能。

在預(yù)設(shè)的跳頻圖案中，數(shù)據(jù)跳采用了Cat序列。Cat 序列是一種二維離散混沌系統(tǒng)，其映射定義式為：

式中，mod1表示取小數(shù)點(diǎn)后的部分，不難發(fā)現(xiàn)xn和yn的范圍都在0～1之間[11]。

對(duì)Cat映射作為X和Y的生成映射，即X和Y為兩個(gè)混沌序列，按照上述步驟進(jìn)行仿真。圖6為Cat序列自相關(guān)函數(shù)曲線，可見(jiàn)Cat序列不僅隨機(jī)性強(qiáng)，遍歷性好，其相關(guān)性能也非常良好，十分適合作為跳頻序列使用。

圖6 Cat序列自相關(guān)函數(shù)曲線Fig.6 Autocorrelation function curve of cat series

采用GRU網(wǎng)絡(luò)對(duì)跳頻圖案進(jìn)行學(xué)習(xí)并預(yù)測(cè)本文的跳頻圖案，分析在GRU網(wǎng)絡(luò)下傳統(tǒng)跳頻系統(tǒng)的同步頻率集被捕獲的時(shí)間，對(duì)同步頻率集變換周期進(jìn)行調(diào)整，從而達(dá)到對(duì)抗自適應(yīng)干擾的目的[12]。圖7為GRU預(yù)測(cè)混沌序列下的完整跳頻圖案。不難看出，神經(jīng)網(wǎng)絡(luò)對(duì)于混沌序列的調(diào)頻圖案預(yù)測(cè)性能非常差，數(shù)據(jù)跳部分的預(yù)測(cè)結(jié)果與實(shí)際的跳頻圖案幾乎完全不同。可見(jiàn)，Cat序列的隨機(jī)性非常好，對(duì)于網(wǎng)絡(luò)而言，難以預(yù)測(cè)[13-14]。

圖7 GRU預(yù)測(cè)混沌序列下的完整跳頻圖案Fig.7 GRU neural network predicts frequency hopping pattern of chaotic sequence

圖8為同步頻率集變換周期為500跳變換一次時(shí)，導(dǎo)入跳頻圖案的前2 000跳作為樣本進(jìn)行訓(xùn)練后GRU網(wǎng)絡(luò)預(yù)測(cè)出的跳頻圖案。在GRU網(wǎng)絡(luò)下，雖然由混沌序列生成的數(shù)據(jù)跳跳頻圖案難以預(yù)測(cè)，復(fù)雜度低的同步跳還是易于預(yù)測(cè)，且對(duì)同步跳的圖案預(yù)測(cè)準(zhǔn)確率高達(dá)95%以上[15]。圖中方框處重合部分正是表示同步跳頻圖案已經(jīng)被GRU網(wǎng)絡(luò)預(yù)測(cè)到。在通信系統(tǒng)中，此時(shí)如果不對(duì)同步跳進(jìn)行自適應(yīng)變換，非合作方只需要定時(shí)針對(duì)同步頻率集進(jìn)行干擾，就足以破壞整個(gè)通信過(guò)程[16]。

圖8 GRU網(wǎng)絡(luò)預(yù)測(cè)跳頻圖案Fig.8 GRU neural network predicts complete frequency hopping patterns

圖9為同步頻率集每500跳切換一次時(shí)LSTM網(wǎng)絡(luò)輸入2 000跳數(shù)據(jù)作為學(xué)習(xí)樣本預(yù)測(cè)傳統(tǒng)跳頻圖案的結(jié)果。不難看出，傳統(tǒng)LSTM網(wǎng)絡(luò)通過(guò)學(xué)習(xí)依然可以輕松預(yù)測(cè)出同步跳的跳頻圖案。

圖9 LSTM網(wǎng)絡(luò)預(yù)測(cè)跳頻圖案Fig.9 LSTM network predicts frequency hopping patterns

為應(yīng)對(duì)這種自適應(yīng)干擾，自適應(yīng)跳頻系統(tǒng)可以將GRU網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)同步跳頻圖案的頻率作為訓(xùn)練樣本，自適應(yīng)更改切換一次同步頻率集的時(shí)間間隔，這更有利于安全穩(wěn)定的傳輸信號(hào)[17]。降低神經(jīng)網(wǎng)絡(luò)可訓(xùn)練的樣本數(shù)量后，其預(yù)測(cè)的效率會(huì)大大降低。

圖10為L(zhǎng)STM網(wǎng)絡(luò)預(yù)測(cè)自適應(yīng)的跳頻圖案，此時(shí)，同步頻率集切換間隔變?yōu)?00跳。不難發(fā)現(xiàn)當(dāng)更新映射方式，自適應(yīng)地使用200跳切換同步頻率集后，LSTM網(wǎng)絡(luò)在學(xué)習(xí)2 000跳后依然無(wú)法準(zhǔn)確預(yù)測(cè)跳頻圖案。

圖11為GRU網(wǎng)絡(luò)預(yù)測(cè)自適應(yīng)跳頻圖案，在導(dǎo)入2 000跳作為學(xué)習(xí)樣本后，GRU網(wǎng)絡(luò)預(yù)測(cè)頻點(diǎn)序號(hào)的絕對(duì)誤差小于LSTM網(wǎng)絡(luò)，但在100跳的圖案中，GRU網(wǎng)絡(luò)依然沒(méi)有成功預(yù)測(cè)到同步跳頻圖案。

圖12為L(zhǎng)STM網(wǎng)絡(luò)和GRU網(wǎng)絡(luò)對(duì)預(yù)測(cè)同步頻率集不同切換周期時(shí)的精度。

圖10 LSTM網(wǎng)絡(luò)預(yù)測(cè)自適應(yīng)的跳頻圖案Fig.10 LSTM network predicts frequency hopping patterns

圖11 GRU網(wǎng)絡(luò)預(yù)測(cè)自適應(yīng)跳頻圖案Fig.11 GRU network predicts adaptive frequency hopping pattern

圖12 LSTM網(wǎng)絡(luò)和GRU網(wǎng)絡(luò)對(duì)預(yù)測(cè)同步頻率集不同切換周期時(shí)的精度Fig.12 Accuracy comparison between LSTM network and GRU network for predicting synchronization frequency sets with different switching periods

經(jīng)過(guò)仿真驗(yàn)證，在本系統(tǒng)條件下低于每200跳更換一次同步頻率集，GRU預(yù)測(cè)的準(zhǔn)確率幾乎為零。在時(shí)鐘信息高位部分跳頻同步模式下，通常在幾秒鐘內(nèi)都不會(huì)更新同步頻率集，GRU網(wǎng)絡(luò)可以輕易地預(yù)測(cè)出同步跳頻圖案。通過(guò)基于GRU網(wǎng)絡(luò)的抗截獲技術(shù)研究，在干擾方使用GRU網(wǎng)絡(luò)對(duì)系統(tǒng)施加跟蹤干擾時(shí)，自適應(yīng)地根據(jù)信道環(huán)境，結(jié)合模擬非合作方捕獲系統(tǒng)的跳頻圖案，找出適宜的同步頻率集切換速度，既不會(huì)很大程度上提高系統(tǒng)復(fù)雜度，還可以達(dá)到抗截獲和自適應(yīng)跟蹤干擾的目的[18]。

4 結(jié)論

本文針對(duì)基于神經(jīng)網(wǎng)絡(luò)的跟蹤干擾問(wèn)題，對(duì)其原理進(jìn)行了簡(jiǎn)要介紹，并提出了兩種先進(jìn)的網(wǎng)絡(luò)進(jìn)行測(cè)試。與傳統(tǒng)RNN網(wǎng)絡(luò)相比，LSTM網(wǎng)絡(luò)和GRU網(wǎng)絡(luò)的訓(xùn)練成本低，用于預(yù)測(cè)同步跳頻圖案的效果顯著。LSTM的檢測(cè)效果與GRU網(wǎng)絡(luò)差距較小，但是其復(fù)雜度更高，用GRU網(wǎng)絡(luò)預(yù)測(cè)同步跳頻圖案成為了一個(gè)很好的參考方式。在此基礎(chǔ)上進(jìn)行一系列自適應(yīng)同步跳頻圖案切換方案研究可以有效避免基于神經(jīng)網(wǎng)絡(luò)的跟蹤干擾，提高通信系統(tǒng)的抗干擾和抗截獲能力。同時(shí)，也在安全基礎(chǔ)上最大程度降低了同步頻率集切換速度，得到一個(gè)對(duì)抗GRU網(wǎng)絡(luò)預(yù)測(cè)的最優(yōu)切換速率，使得系統(tǒng)性能在最大程度上得到保障。