面向 AI 驱动的卷积干扰消除网络通用抗干扰方案

无线链路正日益用于提供关键服务，而故意干扰（jamming）仍是此类服务非常严重的威胁。本文关注一种通用抗干扰构建模块的设计与评估，该模块与通信链路的具体细节无关，因此可与现有技术结合。我们认为此类模块不应需要显式探测、 sounding、训练序列、信道估计，甚至不需要发射机协作。为满足这些要求，我们提出了一种依赖机器学习进展以及神经加速器与软件定义无线电前景的方法。我们识别并解决了多重挑战，最终形成用于多天线系统的卷积神经网络架构与模型，以推断干扰的存在、干扰发射的数量及其各自相位。该信息被持续输入一个消除干扰信号的算法。我们开发了双天线原型系统，并利用软件定义无线电平台在各种环境设置与调制方案下评估我们的干扰消除方法。我们证明，配备本方法的接收节点能以超过 99% 的准确率检测干扰机，并实现低至 $10^{-6}$ 的误码率（BER），即使在干扰机功率比合法信号高近两个数量级（18 dB）时亦然，且无需修改链路调制。在非对抗环境下，我们的方法还可具有其他优势，如检测与缓解冲突。