科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度学习的电磁信号识别模型具有高效、准确和人工干预少的优点，然而其与传统神经网络模型一样容易受到对抗样本的影响.研究对抗样本对测试和提升模型的安全性和鲁棒性有着重要意义.为生成高质量电磁信号对抗样本，本文提出了基于雅可比显著图批量特征点攻击算法（Batch Points Jacobian-based Saliency Map Attack, BP-JSMA）.与传统雅可比显著图的攻击方法相比，BP-JSMA通过批量选取关键特征点能够更快生成对抗样本.此外，针对电磁信号数据的特点，增加自适应扰动限制，使得生成的对抗样本更具隐蔽性.在公开数据集的实验结果表明，与雅可比显著图攻击方法相比，BP-JSMA在生成速度方面提升了11倍，隐蔽性提升了10%；而与传统快速梯度符号攻击算法相比，攻击成功率提升了24%，隐蔽性提升了20%.
