程凱欣，朱 磊，楊煒偉，姚昌華

（1.陸軍工程大學通信工程學院，南京 210007；2.陸軍研究院系統(tǒng)工程研究所，北京 100072；3.南京信息工程大學電子與信息工程學院，南京 210044）

引 言

電磁頻譜對抗是指在電磁頻譜空間內以控制破壞敵方作戰(zhàn)系統(tǒng)，保護己方作戰(zhàn)系統(tǒng)為目標的作戰(zhàn)行動［1］。當前，中國在電磁頻譜對抗領域面臨的挑戰(zhàn)十分嚴峻。美軍憑借大數(shù)據技術的迅速發(fā)展和全球信息柵格等基礎信息系統(tǒng)的輔助，致力于實現(xiàn)協(xié)同、交互和共享的地、海、空、天一體化的情報、監(jiān)視和偵察系統(tǒng)，并通過在電磁頻譜空間進行全天候、全天時的偵察與監(jiān)視，對我軍導彈、海軍編隊和潛艇、隱形飛機等戰(zhàn)術部署形成威脅和壓制。因此，提升我軍電磁頻譜空間作戰(zhàn)能力刻不容緩。

電磁頻譜作為傳輸媒介與獲取信息的重要手段，在采用無線方式聯(lián)接的網絡系統(tǒng)、移動通信系統(tǒng)、以電磁探頭和雷達為傳感器的無線電子系統(tǒng)及物聯(lián)網中的無線傳感系統(tǒng)等諸多環(huán)境中發(fā)揮著重要作用。近年來，電磁對抗環(huán)境下電磁頻譜行為分析的相關研究發(fā)展迅速［2］，由美國國防高級研究計劃局（Defense advanced research projects agency，DARPA）發(fā)布的“自適應電子戰(zhàn)行為學習項目（Behavioral learning for adaptive electronic warfare，BLADE）”［3］指出，電磁頻譜行為分析有助于進一步提高自主識別威脅的能力，從而增強電磁頻譜戰(zhàn)OODA（Observe→orient→decide→act）循環(huán)中的環(huán)境感知能力，進而奪取電磁頻譜制勝權。通信頻譜行為作為電磁頻譜行為的主要組成部分，對其進行深入研究對把握電磁頻譜態(tài)勢具有重要意義，本文主要對電磁對抗條件下通信系統(tǒng)中的電磁頻譜行為分析研究現(xiàn)狀進行綜述，并對未來發(fā)展趨勢進行探討。

1 通信頻譜行為分析

在電磁對抗環(huán)境中，無線電通信作為一種重要通信保障方式，能夠有效應對電磁頻譜戰(zhàn)中通信主體的高移動性和空間分布不確定性。無線電通信信號具有的廣播和開放特性使其容易被監(jiān)測與截獲。因此，分析通信電磁頻譜數(shù)據中包含的通信行為，識別推理通信意圖，成為感知戰(zhàn)場通信態(tài)勢的重要途徑。

行為，在現(xiàn)代漢語詞典中的解釋是：受到內在思想支配而表現(xiàn)出來的外在活動。其中包含兩個要素，內在思想與外在活動。通信行為的內涵可以概括為：出于一定通信意圖而表現(xiàn)在傳播媒介中的活動。其中內在思想對應通信意圖，外在活動對應傳播媒介中的活動。電磁對抗場景下無線通信系統(tǒng)中的通信頻譜行為則可以進一步解釋為，為了實現(xiàn)一定戰(zhàn)略、戰(zhàn)術通信意圖而表現(xiàn)出來的頻譜活動。行為特征通常用于描述具有規(guī)律性的活動，在電磁頻譜空間中的通信頻譜行為特征則可以表示為通信意圖在頻譜數(shù)據上反映出的規(guī)律性活動［1］。通信頻譜行為特征也是通信頻譜行為分析的研究對象，主要包括通信主體的用頻特征、輻射源特征、通信主體間的通聯(lián)關系、層級關系和行為特征等。對應的技術問題包含頻譜感知與預測、輻射源個體識別、通聯(lián)關系挖掘、通信行為識別以及網絡結構分析等。在電磁對抗環(huán)境下，不同的通信頻譜行為分析技術對應具體問題與目標。通信頻譜行為分析內涵示意圖如圖1 所示。

圖1 通信頻譜行為分析內涵示意圖Fig.1 Diagram of contents in communication spectral behavior analysis

本文將通信頻譜行為分析的研究目標歸納為：用頻行為分析、網絡拓撲識別與通信意圖推理3 大類。用頻行為分析指通過學習通信主體的用頻特征掌握其用頻行為，進一步實現(xiàn)頻譜資源的感知與調度，為實現(xiàn)電磁態(tài)勢感知打下基礎，涉及的主要技術問題有頻譜感知與頻譜預測。通信網絡中的拓撲識別是通過確定“誰在通信”和“誰與誰通信”，從而感知通信網絡基本結構，實現(xiàn)非合作條件下的通信網絡拓撲識別，其對應的技術問題包括輻射源個體識別和通聯(lián)關系挖掘。通信意圖推理是對戰(zhàn)場通信態(tài)勢的更高層次感知，根據前兩項任務得到的先驗知識，進一步探討網絡中存在的不同類型通信行為和通信網絡中存在的層級結構，從而回答“怎樣通信”和“為何通信”的問題，具體技術問題包含通信行為識別與網絡結構分析。

從以上分析中不難看出，通信頻譜行為分析所包含的用頻行為分析、網絡拓撲識別和通信意圖推理3 類研究目標，在戰(zhàn)術層面上具有從客觀感知到主觀認知的遞進關系。從頻譜對抗的角度考慮，3 類目標逐漸完成了對通信電磁態(tài)勢從“感知”到“認知”的躍升。

2 通信頻譜行為分析研究現(xiàn)狀

通信系統(tǒng)中的電磁頻譜對抗“OODA”循環(huán)被劃分為：“觀察”、“判斷”、“決策”、“行動”4 個階段，每個階段對應頻譜通信行為分析的若干實際問題［4］，其包含的具體技術及相互聯(lián)系如圖2 所示。用頻行為分析、網絡拓撲識別與通信意圖推理分別作為“觀察”、“判斷”、“決策”階段的代表性工作，具有內在邏輯聯(lián)系，前者為后者的研究基礎。“觀察”階段的目標是初步掌握空間內頻譜態(tài)勢情況，因此更為關注通信信號的外部特征，如：頻段、功率和調制方式等?！坝^察”階段的工作是后續(xù)“判斷”的基礎。“判斷”階段的主要工作包含輻射源個體識別、通聯(lián)關系挖掘，這一階段的工作更為關注客觀頻譜特征中蘊含的內在規(guī)律，是將通信電磁對抗態(tài)勢的研究從“感知”轉為“認知”的關鍵環(huán)節(jié)。其中，對通信輻射源的識別和通聯(lián)關系的挖掘分別可以解決“誰在通信”和“誰與誰通信”的問題?！皼Q策”階段則是利用前期“觀察”與“判斷”得到的信息形成綜合的通信頻譜態(tài)勢，了解通信行為、獲取網絡層級，從而有效推理通信意圖，為下一步的戰(zhàn)略決策做準備。通信意圖推理是通信頻譜態(tài)勢感知的目標，可以為后續(xù)的“決策”階段提供信息支持，從而為“行動”階段提供指導，實現(xiàn)從“認知”到“智能”的跨越。由此可見，以用頻行為分析、網絡拓撲識別與通信意圖推理為目標的3 類通信頻譜行為分析方法共同組成通信電磁對抗OODA 循環(huán)中的“觀察”、“判斷”、“決策”環(huán)節(jié)，在戰(zhàn)術層面依次遞進，層層深入，共同推進實現(xiàn)電磁對抗中通信態(tài)勢從“感知”到“認知”，從“認知”到“智能”的升級。

圖2 通信電磁對抗OODA 循環(huán)中的主要問題Fig.2 Main problems of OODA loop in communication electromagnetic countermeasure environments

當前，通信頻譜行為分析相關技術已發(fā)展較為完善，這為通信態(tài)勢感知與意圖推理研究提供了堅實的理論基礎與技術支持。然而電磁對抗環(huán)境中的通信行為分析會面臨以下諸多困難和挑戰(zhàn)：

（1）電磁對抗環(huán)境難以獲得完整準確的先驗信息；

（2）受非合作監(jiān)測條件限制，監(jiān)測數(shù)據量不足，存在“小樣本”難題；

（3）情報誤差或復雜電磁環(huán)境容易導致監(jiān)測數(shù)據質量差；

（4）高動態(tài)的對抗環(huán)境對分析方法實時性提出較高要求。

當前以電磁對抗為背景的通信頻譜行為分析研究還較為零散，尚未形成體系，且較少顧及對抗環(huán)境給通信頻譜行為分析帶來的困難。因此，本文聚焦電磁對抗環(huán)境，將通信頻譜行為分析方法按照用頻行為分析、網絡拓撲識別和通信意圖推理3 大類進行分類，討論通信頻譜行為分析方法的研究現(xiàn)狀，梳理相關技術發(fā)展脈絡，并對未來的研究方向做出展望。

2.1 用頻行為分析

在電磁對抗環(huán)境中進行用頻行為分析的意義是通過頻譜感知獲取通信主體的用頻特征、進行頻譜預測，從而分析用頻行為，實現(xiàn)對通信頻譜環(huán)境的初步感知，主要技術包括頻譜感知與頻譜預測。頻譜感知的任務是了解監(jiān)測區(qū)域內通信主體的頻譜使用和存在情況。而頻譜預測則是通過感知結果對未來頻譜分布作出預測，輔助優(yōu)化決策。目前，頻譜感知與頻譜預測技術在民用領域應用深廣，但主要研究目的是為了提升頻譜資源利用率，提高傳輸效率，實現(xiàn)對頻譜資源的優(yōu)化利用，其在電磁對抗頻譜行為分析領域的應用還有待進一步開發(fā)。

2.1.1 頻譜感知

在電磁對抗環(huán)境中，頻譜感知是對電磁環(huán)境感知的先決任務，也是用頻行為分析的必要準備工作。當前對頻譜感知的主要研究集中在以提升頻譜資源利用率為目的的民用場景。在提升頻譜使用率而讓不同優(yōu)先級用戶共享頻譜資源時，通過頻譜感知方式搜索空閑信道的模式逐漸取代預設替換信道的方式［5］。傳統(tǒng)頻譜感知方法包括：匹配濾波器檢測［6］、能量檢測［7］、波形檢測［8］和循環(huán)平穩(wěn)特征檢測［9］等。除能量檢測方法外，其他方法的共同點是對先驗知識和數(shù)據質量要求較高，并且由于特征分析的針對性強，導致方法的普適性差，而能量檢測方法雖然較為簡單，但存在檢測性能上的局限性。傳統(tǒng)方法從檢測帶寬上還可以分為寬帶頻譜感知［10］與窄帶頻譜感知［11］，寬帶頻譜感知相較于傳統(tǒng)窄帶頻譜感知方法，能夠更快地發(fā)現(xiàn)空閑頻譜機會，從而提升傳輸速率。然而寬帶頻譜感知方法存在處理時間長、硬件成本高和計算復雜度高等問題，難以適應對抗條件下的監(jiān)測條件與高實時性需求，為此，壓縮感知技術被廣泛應用于頻譜感知中［12］。使用壓縮感知技術在信號稀疏的條件下可以以較低的采樣率進行頻譜感知。然而壓縮感知技術的使用條件較為嚴苛，對數(shù)據和硬件要求高且不適應過于嘈雜的真實環(huán)境。

隨著人工智能的發(fā)展，深度學習技術在頻譜感知領域得到充分的應用［13］。卷積神經網絡（Convolutional neural network，CNN）在低信噪比環(huán)境中有助于提升主用戶信號檢出率［14］，從而提升頻譜感知能力?；贑NN 的頻譜感知流程主要被分為兩個階段：數(shù)據預處理階段和頻譜感知階段。使用CNN 作為分類器，將經過處理的頻譜數(shù)據送入訓練好的CNN 進行感知識別，其流程如圖3 所示。

圖3 基于CNN 的頻譜感知流程Fig.3 Spectrum sensing process based on CNN

深度協(xié)作感知利用深度神經網絡分別學習不同頻段中不同用戶的感知模式，從而實現(xiàn)整體的頻譜感知［15］。類似地，文獻［16］提出一種基于卷積神經網絡的深度學習頻譜感知算法，與基于模型的頻譜感知算法相比，該學習方法僅由數(shù)據驅動，既不需要信號噪聲概率模型，也不需要主要用戶活動模式模型，極大降低了對感知環(huán)境中先驗信息的需求。

從深度學習技術在頻譜感知中的應用可以發(fā)現(xiàn)，深度神經網絡的使用在一定程度上代替了傳統(tǒng)方法中基于信號處理等方法的特征提取過程，降低了頻譜感知對先驗知識的依賴程度。然而將深度學習方法應用在電磁對抗環(huán)境仍面臨一些困難，例如深度網絡的訓練往往需要大量有標簽數(shù)據的支持，這與對抗環(huán)境下的“小樣本”問題存在矛盾。同時，在頻譜感知準備階段仍需進行數(shù)據預處理，這與高動態(tài)戰(zhàn)場環(huán)境下的實時性需求產生矛盾。

2.1.2 頻譜預測

頻譜預測是在頻譜感知的基礎上，通過分析歷史頻譜數(shù)據，估計未來頻譜資源使用情況的技術，是用頻行為分析中的主要工作。頻譜預測是認知無線電的重要技術組成，其在頻率選擇和增強自動鏈路建立、抗干擾等方面極具應用價值。

傳統(tǒng)頻譜預測方法從時間、頻率、空間維度出發(fā)，通過頻譜建模的方式利用歷史狀態(tài)推斷未來狀態(tài)［17］。在后續(xù)研究中，部分學者從編碼與發(fā)射角度兩個維度研究電磁頻譜預測問題［18］，還有以信道、空間相關性為切入點進行頻譜使用情況預測的相關研究［19］。然而，有限維度的相關性預測無法準確擬合具有多維特征性質的頻譜數(shù)據，因此傳統(tǒng)方法在預測準確率上存在瓶頸，同時復雜的建模方式會給頻譜預測帶來較大的響應時延。

深度學習技術同樣在頻譜預測領域得到充分應用。文獻［20］利用深度信念網絡（Deep belief net?work，DBN）實現(xiàn)用戶代理識別，從而對空閑頻譜和時隙進行預測。為了利用循環(huán)神經網絡（Recurrent neural network，RNN）在序列特征提取上的優(yōu)勢，文獻［21］提出了一種基于RNN 的頻譜預測方法，利用蜂窩認知無線電網絡中的經驗頻譜數(shù)據來獲得頻譜占用概率信息以輔助動態(tài)信道分配。針對電磁對抗環(huán)境中頻譜數(shù)據不完全問題，文獻［22］利用殘差網絡（ResNet）模塊在細微特征提取上的優(yōu)勢，提出一種基于頻譜相關性的ResNet 模型對時間譜進行預測，在數(shù)據不完全條件下通過頻譜預測的方式進行數(shù)據修復，實驗顯示在90%以上的頻點預測均方誤差在0.29 以下。長短時記憶（Long short?term mem?ory，LSTM）網絡因其對上下文信息的記憶力而適用于長時依賴問題，因此也在序列相關性較強的頻譜預測問題有出色表現(xiàn)。為了解決對抗條件下頻譜數(shù)據不足給頻譜預測帶來的困難，文獻［23］將LSTM與遷移學習結合，利用具有相似用頻特征的不同頻段數(shù)據進行跨頻段的頻譜預測。基于LSTM 與遷移學習的頻譜預測方法如圖4 所示，通過不同頻段之間用頻特征相似性，使用遷移學習解決待預測頻段數(shù)據缺乏問題，這為電磁對抗環(huán)境下頻譜預測問題的解決帶來一種新思路。

圖4 基于LSTM 與遷移學習的頻譜預測方法Fig.4 Spectrum prediction method based on LSTM and transfer learning

當前頻譜感知與預測相關研究主要關注頻譜資源的優(yōu)化問題，對電磁對抗環(huán)境中的約束條件考慮較少。從方法的發(fā)展脈絡中可以發(fā)現(xiàn)，傳統(tǒng)方法大多是從特征工程的角度出發(fā)進行頻譜感知與預測，在特定條件下效果顯著，但方法普適性不強，對數(shù)據質量、待解決問題相關先驗知識的要求高，且往往需要較為繁瑣的數(shù)據預處理。而深度學習方法能夠通過神經網絡對數(shù)據的學習自動提取所需特征，進而實現(xiàn)分類、感知和預測，設計思路較為簡潔且方法具有較強可移植性，但在實際應用中存在對訓練樣本的數(shù)據量需求大、需要數(shù)據預處理等缺陷。

2.2 網絡拓撲識別

網絡拓撲識別的含義是：對用頻行為分析中得到的通信頻譜態(tài)勢信息進一步分析，從中識別輻射源個體，挖掘網絡通聯(lián)關系，識別通信網絡中存在的拓撲。網絡拓撲識別作為智能頻譜態(tài)勢感知［24］中的重要一環(huán)，其首要任務是找到通信網絡中的通信主體，即對輻射源個體的識別，解決“誰在通信”的問題。其次，需要明確通信系統(tǒng)中，哪些通信主體之間存在通聯(lián)關系，挖掘網絡中存在的通聯(lián)關系，解決“誰與誰通信”的問題。完成通信網絡中“點”與“邊”的確定，可以大致形成網絡中的拓撲結構，實現(xiàn)網絡拓撲識別。

2.2.1 輻射源個體識別

輻射源個體識別，也稱輻射源“指紋”識別，其概念是：通過分析接收到的電磁信號，提取可以表現(xiàn)輻射源個體差異的特征，結合先驗信息實現(xiàn)不同輻射源的唯一識別［25］。

傳統(tǒng)輻射源個體識別研究聚焦于對“指紋”特征的提取，“指紋”特征可分類為暫態(tài)特征與穩(wěn)態(tài)特征。暫態(tài)特征指在傳輸開始到穩(wěn)定傳輸?shù)倪^程中無線電發(fā)射機的獨特瞬態(tài)特征［26］。提取暫態(tài)特征的主要難點在于暫態(tài)信號的檢測分離，對暫態(tài)信號起點的確定方法有基于電平突變［27］、相位特征檢測［28］、基于貝葉斯方法的均值變化檢測［29］等。由Hilbert?Huang 變換獲得的瞬態(tài)通信信號時頻能量分布［30］，以及具有多尺度細化優(yōu)勢的小波變換［31］，都有助于暫態(tài)特征的提取并在輔助輻射源個體識別工作中取得了較好的效果。然而由于在電磁對抗環(huán)境中，較難準確檢測并采集到帶有暫態(tài)信息的信號，同時復雜電磁環(huán)境給信號特征的提取也造成了困難，相比之下穩(wěn)態(tài)信號更易獲取。利用穩(wěn)態(tài)特征進行對抗條件下的輻射源個體識別時，由于穩(wěn)態(tài)階段各元器件疊加現(xiàn)象明顯，輻射源指紋特征與噪聲混雜，為細微特征的提取造成困難，高階譜變換［32?34］因其能夠去除噪聲影響的同時保留信號原始頻率相位形態(tài)，而被應用于提取輻射源穩(wěn)態(tài)特征。

然而不論是利用暫態(tài)特征還是穩(wěn)態(tài)特征進行輻射源個體識別，工作的重點都集中于對數(shù)據特征的提取，這樣的處理方式在實際應用中受到的限制多：對先驗知識要求高，方法的復雜度高、普適性差，難以適應靈活機動的戰(zhàn)場環(huán)境。

為了克服傳統(tǒng)方法的缺陷，深度學習技術被引入到輻射源個體識別［35］。深度模型強大的特征表征能力可以代替人工提取特征的過程，通過學習大量訓練樣本捕捉數(shù)據之間的細微特征差異，從而進行輻射源個體識別，最為簡單的卷積神經網絡就可以通過時域信號完成輻射源識別任務［36］。文獻［37］使用改進的AlexNet 對采集的原始IQ 數(shù)據進行學習，在無需解碼、特征工程和協(xié)議的條件下，在0.6 m～15 m 的接收距離范圍內能夠達到90%～99%的識別精度。深度學習技術在輻射源個體識別領域展現(xiàn)出超強的適應性，相關研究層出不窮，后續(xù)研究的主要創(chuàng)新點集中于網絡結構的改良或結合數(shù)據特點進行適當預處理，例如多采樣卷積神經網絡［38］的提出解決了對興趣區(qū)域有偏好的輻射源識別問題、利用ResNet［39］可以提升對輻射源特征希爾伯特譜的識別效率。深度學習方法大大降低了輻射源個體識別工作在前期特征提取過程中的難度和復雜度，只需簡單的數(shù)據預處理即可通過訓練得到具有良好分類能力的識別網絡。然而，深度網絡對大規(guī)模訓練樣本和標簽的需求成為將其應用于對抗環(huán)境下的最大制約。傳統(tǒng)輻射源個體識別方法與基于深度學習的輻射源個體識別方法對比如圖5 所示。

圖5 傳統(tǒng)與基于深度學習的輻射源個體識別方法對比Fig.5 Comparison between traditional and deep learning based specific emitter identification methods.

2.2.2 通聯(lián)關系挖掘

通聯(lián)關系指不同通信實體進行數(shù)據交換而產生的關系［40］。電磁對抗中的通聯(lián)關系挖掘研究根據方法可以分為基于先驗知識、基于聚類和基于深度學習方法3 類。

在基于先驗知識的研究中，通常是在已知通信網絡中通信規(guī)則、通信協(xié)議的前提下，對頻譜監(jiān)測數(shù)據進行時域、頻域和空域的特征提取進而根據規(guī)則進行統(tǒng)計分析［41］。文獻［42］基于無線通信規(guī)則模擬頻譜監(jiān)測數(shù)據，通過統(tǒng)計分析獲得通聯(lián)關系，并利用路徑損耗模型推理節(jié)點位置，從而確定通信網絡結構。文獻［43］提出一種基于超短波電臺通信規(guī)則的通聯(lián)關系挖掘方法，該方法通過提取甚高頻范圍內監(jiān)測到的超短波電臺頻譜數(shù)據特征，根據通信規(guī)則分析找到超短波電臺之間的通聯(lián)關系，為進一步從頻譜數(shù)據中推斷敵方通信網絡的結構奠定了基礎。然而，電磁對抗環(huán)境中對敵先驗知識不足導致基于先驗知識的通聯(lián)關系挖掘方法較難開展。

聚類方法可以從未知數(shù)據集中發(fā)現(xiàn)某些具有相似特征的集群從而識別新的結構和知識，一些改進的方法甚至可以在無需人工指導的情況下自主確定集群數(shù)量［44］。因此，聚類方法非常適用于解決先驗知識匱乏條件下的通聯(lián)關系挖掘問題。文獻［45］提出了一種基于改進的空間密度聚類（Density?based spatial clustering of applications with noise，DBSCAN）的通信關系挖掘方法，該方法基于跳頻周期、信號平均功率和時間的特征，研究頻譜信號的物理特性和統(tǒng)計規(guī)律，從不完整的頻譜監(jiān)測數(shù)據中發(fā)現(xiàn)無線電臺的通聯(lián)關系。文獻［46］提出一種基于關聯(lián)分析的通信關系挖掘方法。該方法提出一種改進的峰值密度聚類算法，研究頻譜信號的分布規(guī)律和統(tǒng)計信息，然后將聚類結果在時域范圍進行相關性分析，從而挖掘出混沌和丟失頻譜信號之間的通聯(lián)關系。文獻［47］基于已提取的頻譜特征數(shù)據，從時間、頻率、帶寬和功率等特征維度分別進行聚類分析，而后對聚類結果匹配分析得到網絡中的通聯(lián)關系。

綜上可知，基于聚類的通聯(lián)關系挖掘方法基本脫離了對先驗知識的依賴，通過分析頻譜數(shù)據特征的聚類結果得到通聯(lián)關系。然而，此類方法弊端在于需要先進行特征提取操作獲得各維度特征，再從多特征維度出發(fā)進行聚類分析或相關性分析，無法直接利用監(jiān)測到的頻譜數(shù)據。特征提取的時間成本與電磁對抗條件下的實時性要求相悖。同時，聚類方法的準確性較為依賴數(shù)據集數(shù)量和質量，但由于對抗環(huán)境中頻譜數(shù)據的監(jiān)測易受干擾，高質量監(jiān)測數(shù)據較為稀缺，因此難以支持高準確率的聚類分析。

深度學習方法也被應用于通聯(lián)關系挖掘問題。文獻［48］基于ResNet 設計的深度網絡通過學習通信頻譜數(shù)據中包含的通聯(lián)關系特征，實現(xiàn)了較高精度的識別，在測試數(shù)據集上達到99.02%的識別準確率?；谙闰炛R、基于聚類方法與基于深度學習的通聯(lián)關系挖掘方法對比如圖6 所示。通過對比可以發(fā)現(xiàn)，深度學習方法由于無需過多先驗知識與復雜的人工特征提取過程，非常適用于電磁對抗環(huán)境下的通聯(lián)關系挖掘工作，其在通聯(lián)關系挖掘上的應用還存在相當大的發(fā)展空間。

圖6 3 類通聯(lián)關系挖掘方法對比Fig.6 Comparison of three communication relationship discovery methods

從以上的研究現(xiàn)狀中可以發(fā)現(xiàn)，用頻行為分析和網絡拓撲識別兩類研究都在按照從以特征工程為著眼點的傳統(tǒng)方法到基于深度學習的新方法的發(fā)展進程演化，深度學習方法因其強大的特征表征能力在解決通信頻譜行為分析問題中具有較強優(yōu)勢。但同時也需注意，深度學習方法對樣本數(shù)據量和標簽量的要求相對較高，因此需要更具適應性的改進才能適用于電磁對抗環(huán)境中。

2.3 通信意圖推理

用頻行為分析和網絡拓撲識別分別回答了通信態(tài)勢感知任務中“誰在通信”和“誰與誰通信”的問題，而通信意圖推理則旨在回答“如何通信”與“為何通信”，以實現(xiàn)對戰(zhàn)場態(tài)勢更高層次的感知。通信行為識別和通信網絡結構分析是實現(xiàn)通信意圖推理的主要技術支持，通過了解通信行為與通信層級結構，明晰當前局勢輔助決策部署。

2.3.1 通信行為識別

在電磁對抗環(huán)境下的通信網絡中，不同通信主體由于職責劃分、業(yè)務性質和層級部署的不同，在通信行為上也顯示出不同的特征。對通信網絡拓撲識別可以完成通信網絡基礎結構的建立，在此基礎上對通信實體間的通信行為進行識別，可以進一步感知當前通信態(tài)勢，實現(xiàn)通信意圖推理。本文中通信行為是相對于通信頻譜行為的狹義概念，指通信主體在通信過程中表現(xiàn)出的與通信意圖相關的活動特征，例如：通信頻次、通信時長、通聯(lián)規(guī)律和交互行為規(guī)律等。最傳統(tǒng)直觀的通信行為識別和通信意圖推理方法是監(jiān)聽與破譯，通過監(jiān)聽方式截獲信號［49?52］，然后對所截獲信號的內容進行分析和識別。此類方法的優(yōu)點是可以準確把握通信行為甚至理解通信內容，獲得深層次的情報信息，但此類方法也存在諸多問題。首先，對監(jiān)測數(shù)據的質量要求較高，這對監(jiān)測環(huán)境、監(jiān)測設備皆有極高要求。同時，技術方法復雜，實際操作困難，對監(jiān)聽數(shù)據進行破譯通常需要冗長而復雜的分析過程，難以適用于缺乏先驗信息并具有高實時性需求的電磁頻譜對抗環(huán)境。為此，文獻［53］證明了在不了解通信內容的前提下，僅憑監(jiān)測到的物理層頻譜感知數(shù)據進行通信行為識別的可行性。這意味著在未知信號內容、信號形式等具體技術細節(jié)的條件下，可以利用頻譜感知數(shù)據所呈現(xiàn)出的特征實現(xiàn)對通信行為的識別。

在通信行為識別問題研究中以深度學習為代表的人工智能方法在近期得到了快速的發(fā)展［54］。面對電磁對抗條件下監(jiān)測數(shù)據不完全、數(shù)據量匱乏等問題，深度神經網絡、遷移學習和生成對抗網絡等技術在解決各類數(shù)據困境上都展現(xiàn)出不俗的效果。

為直接利用物理層通信行為監(jiān)測數(shù)據，文獻［55］將通信行為識別問題轉化為圖像識別問題，利用DenseNet 進行通信行為識別。文獻［56］使用改進的Lenet 對雙譜特征矩陣進行識別，從而實現(xiàn)非合作條件下的短波電臺通信行為識別。由于深度學習對訓練數(shù)據量要求高，而電磁頻譜對抗條件下的監(jiān)測數(shù)據往往面臨“小樣本”難題，生成對抗網絡方法（Generative adversarial network，GAN）［57］被廣泛應用于“小樣本”條件下頻譜數(shù)據的增強。輔助分類生成對抗網絡（Auxiliary classifier GAN，ACGAN）能夠有效增強非合作短波電臺的通信連接建立行為數(shù)據，實驗表明，在“小樣本”條件下經過ACGAN 進行數(shù)據增強的樣本可以提升相同網絡模型的通信行為識別準確率［58］。當所研究頻段的樣本數(shù)據匱乏，而其他頻段具有相似通信行為的樣本數(shù)據充足時，可以將GAN 技術與遷移學習融合，通過一種聯(lián)合框架解決頻譜數(shù)據稀缺的問題［59］。在識別以用戶交互方式為特征的通信行為時，為應對稀缺頻譜數(shù)據帶來的“小樣本”難題，文獻［60］提出基于深度卷積生成對抗網絡（Deep convolutional GAN，DCGAN）的數(shù)據增強通信行為識別方案以應對數(shù)據稀缺帶來的識別困難，其識別結果如圖7 所示。橫坐標表示基于DCGAN 數(shù)據增強方法進行數(shù)據增強后加入訓練樣本的數(shù)據量，即增強樣本數(shù)據量?？v坐標中是原始樣本與增強樣本共同訓練的通信行為識別網絡的識別準確率。不同顏色與圖標表示不同的原始樣本量。從結果上看在原始樣本量不足情況下，通信行為識別準確率會隨著增強樣本量的增加而顯著增加，因為增強樣本的加入改善了因樣本量不足所導致的網絡欠擬合問題。原始樣本經增強后能夠逼近甚至超越10 倍原始數(shù)據量才能實現(xiàn)的識別準確率。同時，作者對使用GAN 方法所帶來的時間、空間復雜度進行了討論，其中使用基于DCGAN 的數(shù)據增強識別方案對比只使用CNN 識別網絡在時間復雜度和空間復雜度上分別增加2 和1 個數(shù)量級。這說明雖然GAN 技術的應用緩解了由數(shù)據稀缺帶來的通信行為識別準確率低的問題，卻增加了識別算法中的計算復雜度和時間復雜度。

圖7 基于DCGAN 數(shù)據增強的通信行為識別方法準確率Fig.7 Accuracy of DCGAN based communication behavior recognition method

可見，利用深度學習方法可以應對電磁對抗條件下數(shù)據稀缺和先驗知識不足的問題，但是在應用中存在知識、數(shù)據條件與模型復雜度之間的匹配問題。先驗知識的不足可以利用深度學習的特征提取能力彌補，但要以大規(guī)模的訓練樣本為代價。當數(shù)據量不足時，使用深度網絡中的數(shù)據增強模型能夠一定程度地緩解困境，但與之相應的是模型計算成本的大幅增加。因此，根據實際場景中的知識、數(shù)據條件，提出與之匹配的通信頻譜行為分析方案是電磁頻譜行為分析問題中的全新挑戰(zhàn)。

2.3.2 網絡結構分析

在電磁對抗環(huán)境中，通信網絡結構分析是在已知通信主體與通聯(lián)關系的基礎上，結合通信行為特征，對通信網絡中組織架構、層級結構進行的歸納整合，是通信意圖推理研究中的重點環(huán)節(jié)。

社團結構是現(xiàn)實世界網絡的重要特征，可以揭示網絡的結構和動態(tài)特征。社團結構檢測是指根據網絡中相互作用節(jié)點的結構特性來識別它們的過程［61］。電磁對抗環(huán)境中，在完成通信行為識別的前序工作后可以掌握通信網絡中大量通信行為相關特征，從而對通信網絡中的社團結構進行檢測。

現(xiàn)存的各類社團檢測方法同樣適用于通信網絡。文獻［62］從層次分析法的角度提出一種基于可達通信距離排序的社團檢測算法。通過構建多分辨率的通信密度嵌入樹，可以顯示社團內的層次結構和關鍵成員。通過修剪嵌入樹，可以降低社團檢測和層次結構分析過程中的計算復雜度。文獻［63］提出一種基于IP 節(jié)點之間通信行為相似性的社團結構檢測方法，通過分析網絡節(jié)點之間的通信關系和交互頻率，將具有最高相似度的節(jié)點迭代添加到社團中，以形成最終的社團劃分結果，實驗顯示在4 類網絡數(shù)據集上的誤差均小于5%。文獻［64］基于已有的關系譜分析方法，利用節(jié)點分布和高維空間中的坐標特征，結合計算機視覺分析方法在構建全局拓撲結構的過程中對節(jié)點和邊界進行篩選和過濾，從而實現(xiàn)對網絡拓撲的探索和可視化。由于網絡的多樣性，任何社團結構檢測算法都無法通用于所有類型的網絡［65?66］，適應一種網絡類型的算法可能在另一種網絡類型中的性能就會較差。傳統(tǒng)社團檢測中存在的困難包括混合類型數(shù)據的聚類、評估困難、全局信息可用性、瞬時社團檢測和社團數(shù)量估計等，這些問題同樣存在于通信網絡的社團結構檢測，也是電磁對抗條件下網絡結構分析需要關注的問題。

網絡結構分析在前序工作的基礎上進行，電磁對抗環(huán)境中頻譜數(shù)據的局限性雖然不直接作用于其分析結果，但前序工作的誤差仍然會影響網絡結構分析的準確度，過于復雜的分析過程和嚴苛的先驗信息條件也會降低方法在對抗環(huán)境中的適應性。考慮結合模糊理論分析前序結果確信度，形成具有決策導向的結論，同時對算法復雜度的考量也應納入分析方法評價體系。當前電磁對抗條件下的網絡結構分析研究還存在較大可探索空間。

3 結束語

本文對電磁頻譜對抗條件下通信頻譜行為相關研究進行綜述，從用頻行為分析、網絡拓撲識別和通信意圖推理3 個方面，總結各類方法的發(fā)展現(xiàn)狀。從研究現(xiàn)狀上看，當前電磁頻譜行為分析正在完成由“認知”向“智能”的轉變，以深度學習為代表的人工智能技術在頻譜數(shù)據增強、特征提取、模式識別等方面的融合應用，在解決實際頻譜對抗條件下的數(shù)據不完全、“小樣本”難題等實際困難上具有良好效果。表1 分別展示了用頻行為分析、網絡拓撲識別和通信意圖推理對應技術方法的總結與比較。

表1 通信頻譜行為分析方法總結與比較Table 1 Comparison of communication spectral behavior analysis methods

從整體上看，傳統(tǒng)方法的主要缺點是對先驗信息的要求高，且大多技術難度較高、處理過程較為漫長。而基于深度學習的方法通過訓練深度模型自動提取特征，憑借對細微特征的提取能力在識別任務中具有較高的精度，并且能以數(shù)據增強的方式緩解數(shù)據量不足帶來的特征學習困難問題，但隨之而來的是算法復雜度的上升。對通信頻譜行為分析方法的選擇主要取決于知識與數(shù)據條件。較強的先驗知識和高質量的監(jiān)測頻譜數(shù)據可以使用簡單的分析方法，缺乏先驗知識或監(jiān)測數(shù)據的情況則需要選擇較為復雜的模型，犧牲復雜度以換取高性能的分析。在不同的數(shù)據條件下，應根據實際需求進行權衡，采用適宜的電磁通信頻譜行為分析策略?；仡櫳衔膶νㄐ蓬l譜行為分析研究現(xiàn)狀的綜述，結合電磁對抗環(huán)境中存在的挑戰(zhàn)，當前通信頻譜行為分析方法的研究中仍存在諸多局限：

（1）頻譜行為分析領域聚焦通信意圖推理的研究較少。頻譜感知與預測技術在民用領域影響廣泛，但在以通信意圖推理為目的的頻譜行為分析領域尚存空白。當前對通信網絡拓撲識別的研究大多停留在通信網絡中的通聯(lián)關系層面，解決了“有無通信”、“誰在通信”的問題，但對不同通信行為（包括通信的意圖、性質等）的關注較少，缺乏從點到面的全局視野。然而，實現(xiàn)以通信意圖推理為目標的通信頻譜行為分析是明晰當前局勢、決策行動部署的關鍵依據，其對提升頻譜偵察能力、增強電磁頻譜戰(zhàn)的核心戰(zhàn)斗力至關重要。

（2）對電磁對抗環(huán)境下電磁頻譜行為分析過程的時效性關注不夠。利用深度網絡學習通信頻譜行為時，不論是行為分析模型還是數(shù)據增強模型，其訓練過程都極為耗時，與實戰(zhàn)條件下實時決策的需求產生矛盾。如何在不影響通信頻譜行為分析準確性的前提下，盡可能提高網絡訓練速度，實現(xiàn)高效化生成、識別有待進一步探究。

（3）對電磁對抗環(huán)境下知識、數(shù)據條件的關注較少。在實際頻譜對抗中，不同時間、地點和環(huán)境中獲得的知識、數(shù)據條件是不同的。知識、數(shù)據條件的不同決定了對數(shù)據的運用方式的差異，當前研究把注意力更多地放在頻譜數(shù)據的分析方法上，而對其所利用的數(shù)據條件關注較少。如何適應性地綜合利用數(shù)據條件，選擇與之適配的方法進行電磁頻譜行為分析是值得進一步研究的方向。

綜上，展望未來電磁對抗環(huán)境下的電磁通信頻譜行為分析研究，需要在智能化背景下，關注行為邏輯，落腳通信意圖，提升分析結果的決策輔助力；優(yōu)化網絡模型，提升方法時效性，尋求識別準確率與效率之間的平衡；增強運用不同知識、數(shù)據條件的能力，設計實用、高效的頻譜行為分析方案。最終實現(xiàn)通信電磁頻譜態(tài)勢從“感知”到“認知”，從“認知”到“智能”的跨越，提升我軍在未來電磁頻譜戰(zhàn)中的核心戰(zhàn)斗力。