论文推荐：深度学习对抗攻击-通过少量数据点伪造信号攻击调制分类中的深层神经网络

论文下载：IEEE Xplore Full-Text PDF:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9520398

或者（免费）：

https://download.csdn.net/download/qq_20481015/25641401

摘要：

近年来，基于深度学习（DL）的自动调制分类（AMC）方法得到了快速发展，其性能优于传统的分类方法。为了干扰的基于深度学习的AMC分类器，在本文中，我们提出了一种对抗性攻击方法来生成伪信号，以欺骗基于DL的分类器。首先，定义了视觉差异性和伪信号可恢复性的约束条件。其次，提出了少量数据点攻击器（FDPA），并通过差分进化算法生成含有少量扰动数据点的伪信号。在公共数据集RML 2016上的大量实验结果表明，FDPA产生的伪信号可以显著降低三种基于DL的AMC分类器的准确度：基于卷积神经网络（CNN）的分类器、基于长-短期记忆递归神经网络（LSTM-RNN）的分类器以及CNN和LSTM-RNN相结合的分类器。代码将可用。

论文通过对信号的少量数据点（甚至一个点）的值进行极小的扰动，生成欺骗AMC分类器的伪信号。

代码：GitHub - hongbinxidian/adversarial-robustness--signal-toolboxhttps://github.com/hongbinxidian/adversarial-robustness--signal-toolbox