基于可解释深度学习的自动调制分类对抗防御
信号处理
2025-09-22 v1
摘要
深度学习（Deep Learning, DL）已被广泛应用于增强自动调制分类（Automatic Modulation Classification, AMC）。然而，复杂的 AMC 神经网络容易受到各种对抗攻击的影响，由于泛化能力和计算成本的限制，这些攻击难以应对。本文从揭示攻击对 AMC 网络影响的角度出发，提出了一种基于可解释深度学习的防御方案，称为 SHapley Additive exPlanation 增强的对抗微调（SHAP-AFT）。通过引入认知负信息的概念，首先从理论上分析了使用 SHAP 进行防御的动机。所提方案包含三个阶段，即攻击检测、信息重要性评估和 AFT。第一阶段指示攻击的存在。第二阶段评估接收数据的贡献，并利用对应于攻击引起的支配性负信息的负 Shapley 值移除这些数据位置。然后，基于使用精炼后接收数据模式的对抗自适应样本对 AMC 网络进行微调。仿真结果表明了 Shapley 值作为关键指标的有效性，以及所提 SHAP-AFT 方案在面对不同攻击类型和强度时的优越防御性能。
引用
@article{arxiv.2509.15766,
title = {Explainable Deep Learning Based Adversarial Defense for Automatic Modulation Classification},
author = {Peihao Dong and Jingchun Wang and Shen Gao and Fuhui Zhou and Qihui Wu},
journal= {arXiv preprint arXiv:2509.15766},
year = {2025}
}
备注
Accepted by IEEE Internet of Things Journal