基于輸入通道拆分的無線通信網絡對抗攻擊多任務防御

摘" 要： 在無線通信網絡中，由于網絡的開放性和共享性，攻擊源自多個不同的源頭，展現出多種多樣的特征。傳統的防御方法難以同時應對多種攻擊模式，且在處理多模態數據時存在效率低下和準確性不足的問題。為此，研究基于輸入通道拆分的無線通信網絡對抗攻擊多任務防御方法。利用Morlet小波變換將無線通信網絡信號轉換為時頻圖像，以輸入通道拆分的方式拆分時頻圖像，得到RGB三個通道的時頻圖像。在改進注意力機制生成對抗網絡內，結合多任務學習建立多防御模型。該模型內生成器通過空間注意力模塊與時間注意力長短期記憶網絡模塊，提取RGB三個通道時頻圖像的時空特征，并生成對抗樣本，通過判別器識別圖像類型。檢測到攻擊時，用對抗樣本替換攻擊數據，實現無線通信網絡的多任務對抗防御。實驗證明，該方法可有效將無線通信網絡信號轉換成時頻圖像，且有效生成對抗樣本，完成無線通道網絡對抗攻擊多任務防御。

關鍵詞： 輸入通道拆分； 無線通信網絡； 對抗攻擊； 多任務防御； 小波變換； 注意力機制； 生成對抗網絡； 長短期記憶網絡

中圖分類號： TN92?34； TP391" " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " 文章編號： 1004?373X（2024）11?0013?05

Wireless communication network counter attack multi?task defense

based on input channel splitting

GAO Chengxin， WEN Xin， CAO Rui

（School of Software， Taiyuan University of Technology， Jinzhong 030600， China）

Abstract： In wireless communication networks， attacks come from various sources and exhibit a variety of characteristics because of the openness and sharing of the network. It is difficult for the traditional defense methods to deal with multiple attack modes simultaneously. In addition， the defense efficiency is low and the accuracy is unsatisfied when processing multimodal data. Therefore， a wireless communication network counter attack multi?task defense based on input channel splitting is proposed. The Morlet wavelet transform is used to convert wireless communication network signals into time?frequency images， the time?frequency images are split into three RGB channels by input channel splitting. By the improved self?attention generative adversarial network （SAGAN）， a multi?defense model is established in combination with multi?task learning. The generator within this model extracts the spatiotemporal features of RGB channel time?frequency images by the spatial attention module and the temporal attention long short?term memory （LSTM） network module， and generates adversarial samples. The image types are identified by discriminators. When an attack is detected， the attack data is replaced with adversarial samples to achieve multi?task adversarial defense in wireless communication networks. Experimental results have shown that the proposed method can effectively convert wireless communication network signals into time?frequency images and generate adversarial samples effectively， so as to complete wireless communication network counter attack multi?task defense.

Keywords： input channel splitting; wireless communication network; counter attack; multi?task defense; wavelet transform; attention mechanism; GAN; LSTM

收稿日期：2024?03?07" " " " " "修回日期：2024?03?28

基金項目：國家自然科學基金委員會青年科學基金：基于腦老化的多中心功能磁共振分析方法研究（62206196）；山西省青年科學基金項目：神經影像大數據功能指紋挖掘及模型可解釋性研究（202103021223035）

0" 引" 言

無線通信網絡作為現代社會信息交換的關鍵基礎設施，承載著從個人通信到大型數據傳輸等多樣化的任務。然而，隨著技術的不斷進步和網絡規模的擴大，無線通信網絡面臨著日益復雜的威脅和攻擊手段。這些攻擊不僅可能破壞網絡的連通性和服務質量，還可能泄露敏感信息，對國家安全和個人隱私構成嚴重威脅。因此，研究無線通信網絡對抗攻擊的多任務防御策略具有重要的現實意義和緊迫性。

文獻[1]提出利用圖神經網絡建模無線通信網絡，并通過微小擾動圖數據的圖攝動技術增強模型魯棒性，提高對抗攻擊的能力。但該方法在更復雜的網絡環境和更高級的攻擊手段下，其泛化能力較差。文獻[2]提出利用生成器產生對抗樣本，并通過判別器區分真實樣本和對抗樣本的方法，以提高無線通信網絡的防御性能。但該方法生成的對抗樣本過于單一，缺乏足夠的多樣性。文獻[3]通過構建智能識別神經網絡，利用深度學習技術提取網絡流量的深層特征，進而準確區分正常通信流量與惡意攻擊流量，完成攻擊防御。但該方法高度依賴于訓練數據的質量和數量，導致模型泛化能力弱，對未知攻擊防御效果不佳。文獻[4]利用對比學習和多任務學習提升圖神經網絡對無線通信網絡流量的處理能力，有效區分正常流量和攻擊流量。但該方法的動態適應性較差。

為此，本文研究基于輸入通道拆分的無線通信網絡對抗攻擊多任務防御方法，為無線通信網絡的安全防護提供了更加先進和高效的解決方案。

1" 無線通信網絡對抗攻擊多任務防御

1.1" 無線通信網絡信號的時頻圖像轉換方法

無線通信網絡因其開放性和共享性面臨來自多個源頭的多樣化攻擊，傳統防御方法在處理這些多模態數據時效率低且準確性不足，難以同時應對多種攻擊模式。傳統的防御方法對無線通信網絡信號僅展開時域分析或頻域分析，不能呈現無線通信網絡信號隨時間的變化趨勢，影響無線通信網絡對抗攻擊多任務防御效果。通過時頻分析能夠同時提供時間與頻率的聯合分布，清晰呈現無線通信網絡信號隨時間的變化趨勢。為此，利用Morlet的小波變換技術，將無線通信網絡信號轉換成時頻圖像，具體步驟如下：

步驟1：通過內積處理Morlet小波[ψt]和前半部分的無線通信網絡信號[xt]，得到小波系數[Z]，用于分析[ψt]與[xt]間的相似程度，其值與相似程度具有正相關關系。

步驟2：向右平移[ψt]，平移長度是[b]，即[ψt-b]，重復操作步驟1，直到所有信號都完成分析。通過平移操作，能夠逐步捕捉信號在不同時間點的頻率特征。

步驟3：為了獲得更全面的時頻分布，進一步擴展[ψt]，得到擴展后的小波系數集[ψt2]，并重復操作步驟1與步驟2。

步驟4：不斷擴展[ψt]，并重復操作步驟1～步驟3，得到轉換后的無線通信網絡信號時頻圖像[x]，公式如下：

[x=xtψ*t-badta] （1）

式中：[ψ*]是[ψ]的復共軛；[a]是尺度因子。

1.2" 無線通信網絡信號時頻圖像的輸入通道拆分

無線通信網絡面臨的主要難點在于攻擊源自多個不同源頭，且每種攻擊都具有獨特的特征。為了解決這一問題，本文提出一種基于輸入通道拆分的方法，通過將時頻圖像[x]進行拆分，得到RGB三個通道的輸入時頻圖像[xR]、[xG]、[xB]，能夠捕捉到信號在不同頻率和時間點的變化。通過對每個通道進行獨立分析，可以更準確地識別出各種攻擊模式，從而采取有效的防御措施[5]。通過OpenCV庫在Python中完成無線通信信號時頻圖像輸入通道拆分。輸入通道拆分流程如圖1所示。

具體步驟如下：

步驟1：在Python腳本中導入OpenCV庫，并輸入[x]。

步驟2：讀取[x]。使用cv2.imread（）函數讀取[x]，這個函數會返回一個NumPy數組，其中包含[x]的像素數據，確保將'path_to_image.jpg'替換為[x]的實際路徑。

步驟3：驗證[x]是否正確讀取。在拆分通道之前，檢查[x]是否正確讀取，如果cv2.imread（）無法讀取圖像，它會返回None。

步驟4：拆分RGB通道。使用cv2.split（）函數拆分無線通信信號的RGB時頻圖像通道，這個函數會將時頻圖像數組分割成三個單通道圖像，分別對應紅色、綠色和藍色通道。

步驟5：保存RGB三個通道圖像[xR]、[xG]、[xB]。使用cv2.imwrite（）函數保存[xR]、[xG]、[xB]，對每個通道的圖像進行獨立的分析，從而更加準確地識別出各種攻擊特征。

通過這一拆分過程，不僅能夠深入了解無線通信網絡信號的時頻特性，還能夠有效地識別出不同的攻擊模式。這對于提升無線通信網絡的安全性，防止潛在的攻擊行為具有重要意義。

1.3" 無線通信網絡對抗攻擊多任務防御的實現

由于無線通信網絡攻擊源自多個源頭，呈現出多樣化的特征，傳統的防御方法難以應對。為了提升網絡安全性，整合了時頻圖像轉換和輸入通道拆分技術，構建了多個對抗攻擊防御模型，精準識別不同攻擊模式[6?7]。通過改進注意力機制生成對抗網絡（SAGAN）并引入多任務學習框架，建立多個針對無線通信網絡對抗攻擊的防御模型，實現對多種攻擊的多任務防御，顯著提升了網絡的安全性能。

每個改進SAGAN內均包含生成器S與判別器V，其中生成器利用空間自注意力模塊，提取RGB三個通道內[xR]、[xG]、[xB]的空間特征，并輸入至時間注意力的LSTM模塊內，提取RGB三個通道內[xR]、[xG]、[xB]的時空特征，通過整合RGB三個通道的時空特征，生成無線通信網絡對抗樣本[χ]。通過判別器分析RGB三個通道輸入的無線通信網絡信號時頻圖像是否為攻擊信號，若為攻擊信號，則利用生成器生成的對抗樣本替換該時頻圖像，完成無線通信網絡對抗攻擊多任務防御[8]。

空間自注意力模塊內RGB三個通道在合成第[j]個區域對第[l]個區域的關注程度為：

[?jlR，G，B=expfTxR，j，xG，j，xB，jfxR，l，xG，l，xB，lλ=1MexpfTxR，j，xG，j，xB，jfxR，λ，xG，λ，xB，λ] （2）

式中：[f]是函數；[M]是無線通信網絡信號時頻圖像的區域數量；[xR，j]、[xG，j]、[xB，j]、[xR，l]、[xG，l]、[xB，l]是第[j]、[l]個區域內三個通道的無線通信網絡信號時頻圖像。

該模塊內注意力層輸出的無線通信網絡信號時頻圖像特征為[q=q1，q2，…，qM]，公式如下：

[qjR，G，B=WxR，j，xG，j，xB，jl=1M?jlWxR，l，xG，l，xB，l] （3）

式中[W]是學習權值矩陣。

通過融合[qj]和比例參數[δ]，同時輸入[xR，j，xG，j，xB，j]，得到空間注意力模塊輸出的各通道空間特征，公式如下：

[yjR，G，B=δqjR，G，B+xR，j，xG，j，xB，j] （4）

時間注意力的LSTM模塊利用LSTM在[yj]內，提取RGB三個通道內無線通信網絡信號時頻圖像的時空特征，LSTM的計算過程如下：

[ajt=φωa?yjt+ωa?ujt-1+bapjt=φωp?yjt+ωp?ujt-1+bpdjt=pjt?djt-1+ajt?tanhωd?yjt+ωd?ujt-1+bdojt=φωo?yjt+ωo?ujt-1+boujt=ojt?tanhαjt] （5）

式中：[ajt]是第[k]個無線通信網絡信號時頻圖像空間特征的輸入門；[pjt]是遺忘門；[djt]是細胞狀態；[ojt]是輸出門；[ujt]是無線通信網絡信號時頻圖像時空特征提取結果；[ωa]、[ωp]、[ωd]、[ωo]是權值；[ba]、[bp]、[bd]、[bo]是偏置；[φ?]是Sigmoid激活函數。

在LSTM內引入時間注意力機制，能夠重點關注重要的無線通信網絡信號時頻圖像時空特征信息，提升時空特征提取質量[9?10]。時間注意力機制的權值為：

[wj=φw2σw1ρyj] （6）

式中：[ρ]是全局池化操作；[σ?]是ReLU激活函數；[w1]、[w2]是兩個全連接層的權值。

最終的無線通信網絡信號時頻圖像時空特征為：

[yj=wj?ujt] （7）

通過上述方法獲取RGB三個通道內的無線通信網絡信號時頻圖像時空特征[yR，G，B]，依據[yR，G，B]生成無線通信網絡信號時頻圖像對抗樣本[χR，χG，χB]。

利用多個改進SAGAN對抗攻擊防御模型[11?12]，對無線通信網絡對抗攻擊進行多任務防御的步驟如下：

步驟1：在判別器V內輸入通道拆分后RGB三個通道的無線通信網絡信號時頻圖像[xR，xG，xB]，會輸出概率值[V1]與[V2]，[V1]代表S生成的對抗樣本為正常無線通信網絡信號的概率；[V2]代表RGB三個通道無線通信網絡信號為正常信號的概率。

步驟2：分離對抗攻擊數據[kR，kG，kB]和正常數據[xR，xG，xB]。

步驟3：在S內輸入[xR，xG，xB]，通過空間注意力模塊提取[xR，xG，xB]的空間特征，并輸入至時間注意力的LSTM模塊內，提取時空特征，并生成RGB三個通道的無線通信網絡信號時頻圖像對抗樣本[χR，χG，χB]。

步驟4：在V內輸入[χR，χG，χB]，若[V1]較大，那么代表[χR，χG，χB]的質量符合要求，反之，[χR，χG，χB]的質量不符合要求，需要繼續訓練。

步驟5：在V內輸入[xR，xG，xB]后，若判別結果為某種類型的對抗攻擊數據時，那么通過S生成的[χR，χG，χB]替換[xR，xG，xB]，完成無線通信網絡對抗攻擊防御；若判別結果為正常數據，則繼續利用其余防御模型的判別器進行對抗攻擊數據判別[13]。當全部防御模型判別器完成判別時，則完成無線通信網絡對抗攻擊多任務防御。

2" 實驗分析

以800 m×800 m的無線通信網絡為實驗對象，該無線通信網絡區域內共包含80個無線傳感器節點，該無線通信網絡的相關參數如表1所示。

利用本文方法將無線通信網絡信號轉換成時頻圖像，以部分無線通信網絡信號為例，時頻圖像轉換結果如圖2所示。

分析圖2a）可知，無線通信網絡信號主要在-10～-80 dBm之間波動，隨著時間的延長，無線通信網絡信號無明顯的變化趨勢。圖2b）中，橫向為無線通信網絡信號的時間，縱向為無線通信網絡信號的頻率，分析圖2b）可知，所提方法可有效將無線通信網絡信號轉換成時頻圖像，從時頻圖像中可以看出，該無線通信網絡信號頻率隨時間的變化情況。

利用本文方法對該無線通信網絡信號時頻圖像進行輸入通道拆分，拆分后的RGB通道時頻圖像如圖3所示。

分析圖3a）～圖3c）可知，本文方法可有效對無線通信網絡信號時頻圖像進行輸入通道拆分，得到RGB三個通道的時頻圖像，為后續無線通信網絡對抗攻擊多任務防御提供多樣性的數據支持。

同時對該無線通信網絡施加MitM攻擊、DoS攻擊與DDoS攻擊，利用本文方法對該無線通信網絡進行對抗攻擊多任務防御，應用本文方法前后，該無線通信網絡對抗攻擊多任務防御結果如圖4、圖5所示。

其中，圖4a）、圖5a）表示正常無線通信網絡信號，圖4b）、圖5b）表示MitM攻擊防御后的無線通信網絡信號，圖4c）、圖5c）表示DoS攻擊防御后的無線通信網絡信號，圖4d）、圖5d）表示DDoS攻擊防御后的無線通信網絡信號。

分析圖4可知，應用本文方法前，該無線通信網絡在防御MitM攻擊時，其無線通信網絡信號時頻圖像與原始圖像基本相同，說明成功防御了MitM攻擊；在防御DoS攻擊時，時頻圖像呈現模糊狀態，說明該無線通信網絡已被DoS成功攻擊，防御失敗；在防御DDoS攻擊時，時頻圖像的模糊狀態進一步加深，說明該無線通信網絡也并未成功防御DDoS。

分析圖5可知，應用本文方法后，在遭受三種類型的對抗攻擊時，該無線通信網絡視頻圖像均與原始時頻圖像基本相同，說明本文方法成功防御了MitM攻擊、DoS攻擊與DDoS攻擊，即本文方法具備無線通信網絡對抗攻擊多任務防御的有效性。

3" 結" 語

網絡對抗攻擊已成為威脅網絡安全和穩定的重要因素。為了應對這一挑戰，本文提出了基于輸入通道拆分的無線通信網絡對抗攻擊多任務防御方法。通過深入研究和實踐驗證，證實了該方法在提高網絡防御能力方面的有效性。這不僅為無線通信網絡的安全防護提供了新的思路和解決方案，也為相關領域的研究提供了有益的參考和啟示。

注：本文通訊作者為曹銳。

參考文獻

[1] WANG K， WU J X， ZHU T T， et al. Defense against membership inference attack in graph neural networks through graph perturbation [J]. International journal of information security， 2023， 22（2）： 497?509.

[2] BAEK F， KIM D， PARK S， et al. Conditional generative adversarial networks with adversarial attack and defense for generative data augmentation [J]. Journal of computing in civil engineering， 2022， 36（3）： 1?14.

[3] 韓超，秦若熙，王林元，等.無線通信中的智能識別神經網絡對抗攻擊技術綜述[J].電訊技術，2023，63（6）：918?926.

[4] 陳晉音，熊海洋，馬浩男，等.基于對比學習的圖神經網絡后門攻擊防御方法[J].通信學報，2023，44（4）：154?166.

[5] 鄭德生，陳繼鑫，周靜，等.基于輸入通道拆分的對抗攻擊遷移性增強算法[J].計算機工程，2023，49（1）：130?137.

[6] 呂彥超，楊玉麗，陳永樂.基于神經網絡模型的成員推理防御算法[J].太原理工大學學報，2023，54（5）：763?772.

[7] 高春剛，王永杰，熊鑫立.MTD增強的網絡欺騙防御系統[J].計算機工程與應用，2022，58（15）：124?132.

[8] 曾凡鋒，田雨絲，王景中.物聯網中節點捕獲攻擊早期檢測方法研究[J].計算機仿真，2022，39（8）：477?481.

[9] 陳雪雁，章志明，楊偉，等.輕量級的無線傳感器網絡選擇性轉發攻擊檢測[J].計算機科學與探索，2022，16（4）：865?876.

[10] 劉盈澤，郭淵博，方晨，等.基于有限理性的網絡防御策略智能規劃方法[J].通信學報，2023，44（5）：52?63.

[11] 趙玉明，顧慎凱.融合殘差密集塊自注意力機制和生成對抗網絡的對抗攻擊防御模型[J].計算機應用，2022，42（3）：921?929.

[12] 劉斯杰，張志祥，張喬嘉.基于對抗訓練和圖像去噪的對抗樣本防御算法[J].計算機工程與設計，2022，43（11）：3093?3100.

[13] 陳晉音，吳長安，鄭海斌，等.基于通用逆擾動的對抗攻擊防御方法[J].自動化學報，2023，49（10）：2172?2187.

作者簡介：高程昕（1993—），男，山西祁縣人，碩士，講師，研究方向為人工智能安全。

溫" 昕（1989—），男，山西靈丘人，博士，講師，研究方向為腦科學與智能計算、深度學習。

曹" 銳（1982—），男，山西臨縣人，博士，副教授，研究方向為腦科學與智能信息處理、虛擬現實。