欺骗干扰长期以来对雷达系统构成重大威胁，其通过注入虚假信息干扰搜索、捕获与跟踪过程，转移系统对真实目标的关注。随着干扰策略日益复杂化，雷达系统在此类攻击中的脆弱性持续加剧。本文系统梳理了抗欺骗干扰技术的发展脉络，从传统解决方案延展至最新技术突破。现有研究聚焦三大核心方向：预防策略——着力削弱干扰机篡改雷达信号处理的能力；检测策略——实现对欺骗行为的实时告警及攻击类型判别；缓解策略——致力于降低或抑制干扰影响。研究同时指明未来关键发展方向，着重强调分布式、认知型及人工智能赋能雷达系统的前沿探索。本文旨在为抗欺骗干扰领域现有文献提供系统性导引，该领域研究对提升雷达系统应对新型威胁的防御能力具有重要战略价值。
图 1：欺骗干扰对雷达信号接收的影响示意图：（上图）跟踪欺骗误导雷达估计错误的目标轨迹。(下图）产生多个假目标，阻碍目标探测。
电子对抗（ECM）系统是电子战（EW）的组成部分，旨在削弱对手对电磁频谱的有效利用能力。作为ECM的核心要素，欺骗干扰机（亦称转发式干扰机）部署于雷达密集环境，通过干扰敌方雷达对场景中物理目标（PTs）的探测、识别与跟踪能力发挥作用。此类干扰机通过复制雷达波形，在雷达搜索、捕获或跟踪阶段注入虚假信息或快速生成多重虚假目标（FTs），从而误导或过载雷达处理能力[4]。典型应用场景包括破坏雷达锁定以保护战机规避导弹威胁，或在自卫场景中模拟关注目标（TOI）实施隐蔽欺骗。图1展示了两类欺骗干扰策略的示意图。
值得注意的是，只要干扰信号功率超过雷达检测阈值，即使低于TOI回波强度，仍可生成有效虚假目标。与噪声干扰机不同，欺骗干扰机无需在雷达信号全周期持续发射，其功率效率更高且系统重量更轻，隐蔽性优势也降低了被敌方系统探测的概率。然而，欺骗干扰机需具备高存储容量与灵敏度以实现雷达回波的精准跟踪与复制。深入理解欺骗攻击特征及处理策略，是发展先进电子反对抗（ECCM）技术、提升雷达抗干扰韧性的关键前提。本文聚焦抗欺骗干扰技术进展，应对日益复杂的电子攻击威胁。
研究首先介绍相干雷达系统与非相干雷达系统的差异：前者依赖信号相位与频率的精密同步以增强检测与处理能力，后者则无需此类同步。20世纪70年代，脉冲压缩、脉冲多普勒（PD）雷达及合成孔径雷达（SAR）等相干信号处理技术的兴起，对传统转发式干扰机构成挑战。尽管当时干扰机已具备距离门拖引等欺骗手段，但无法有效利用信号相干性带来的处理增益。这一局限推动了90年代数字射频存储器（DRFM）技术的发展[10]，其能够精确监测、存储并修改信号时延或多普勒频移等参数，近乎完美地重构雷达信号。DRFM设备虽概念简洁，却因需高速数字处理而技术复杂度高，在计算机直接控制下可实施相干与非相干干扰。
高速采样与宽带雷达信号复制等信号处理技术的进步，凸显了发展抗欺骗策略应对DRFM威胁的迫切需求。本质上，ECM与ECCM技术呈协同演进态势，计算机硬件的快速发展推动二者交替升级。尽管技术实现手段持续迭代，欺骗攻击的核心原理仍保持稳定。以距离门拖引（RGPO）攻击为例，其最初采用非相干模式，后续融入相干特性，如今结合优化技术以最大化欺骗成功率。这强调了对经典技术进行回溯研究的重要性，以理解现代对抗措施的设计逻辑与挑战。为此，本文综述2000年代初期至今的雷达抗欺骗文献，并探讨人工智能（AI）、认知技术（含博弈论）网络化分布式雷达架构在抗干扰领域的应用前景。
图 2：雷达反欺骗干扰策略的分类，基于其功能目标
雷达抗欺骗干扰策略分类
如图2所示，本研究根据功能目标将雷达抗欺骗干扰策略划分为预防、检测与缓解三类，下文分节详述。文献[84]区分了被动与主动抗干扰策略：被动方法通过信号处理自适应提升系统韧性，主动方法则通过发射波形调制对抗欺骗。后者包含以预防欺骗攻击为目标的策略，我们将优先探讨。
A. 预防策略
+概念简洁
+迫使干扰机被动适应，增加其处理负荷
+部分方法无需改动雷达处理链
–可能降低雷达处理的相干性
–需精细管理脉冲重复间隔（PRI）/波形参数
（注：符号"+"表示策略优势，符号"–"表示潜在限制）
将预防策略定义为在传输过程中动态调整雷达信号参数，以阻碍干扰器成功复制目标回波的能力。这通常是通过在雷达信号设计中引入不可预测性或复杂性来实现的，同时还对接收器处理过程进行修改，以更有效地防止欺骗。
B. 检测策略
+基于统计与阈值方法实现虚假目标（FTs）识别
+部分方案可无缝整合至现有雷达架构，改动量极小
–低信干比（SJR）下性能显著下降
–依赖信号统计特性先验知识与阈值设定（高成本/过拟合的基于学习的方法除外）
本研究中的 “检测”一词专指在接收信号中识别干扰，而 “辨别 ”则指区分目标回波和干扰回波。检测通常是缓解干扰前的第一步，通常被表述为一个假设检验问题。此外，这项工作还探索了不仅能检测干扰，还能识别干扰类型的分类方法。图 6 显示了检测和分类过程的框图。
图 6：干扰信号检测和分类示意图。从接收到的信号中计算出统计指标用于假设检验，而提取特征用于分类。请注意，分类不需要事先进行检测。
C. 缓解策略
+可在信号层或量测层（数据层）应用多样化技术
+部分方法不依赖虚假目标检测结果
+与贝叶斯滤波的关联性通过利用目标运动历史增强鲁棒性，抑制错误量测影响
–概念复杂度较高
–需配备先进信号处理能力
本文中，“缓解 ”指的是抵制欺骗性测量结果的产生，或者在测量结果产生后减轻其对系统性能的影响。将前者称为信号域缓解，后者称为测量域缓解。同样，文献[58]在反欺骗目标跟踪算法中区分了 “数据级 ”和 “信号级 ”融合机制，这也与本小节讨论的缓解策略相一致。这些缓解子类型与雷达探测和跟踪的两个主要阶段密切相关，即：(i) 对每个传感器应用模糊函数和匹配滤波以生成测量值，以及 (ii) 利用这些测量值估计目标状态。
雷达抗欺骗干扰前沿技术探索
随着雷达欺骗技术日益精密化，发展有效对抗手段的紧迫性持续提升。本节聚焦分布式雷达、认知雷达及人工智能赋能雷达系统的抗欺骗干扰前沿研究，部分第三节所述方法与新兴技术存在关联性，故在此复述。针对各子领域，本文同时提出未来研究方向以引导创新突破。
A. 分布式雷达系统
分布式架构允许各雷达节点通过融合邻近节点数据自主更新目标置信度，无需依赖中心协调器[57]。近期研究表明，此类系统即使在欺骗干扰存在时仍能保持灵活自适应响应。例如，文献[59]探索了分布式雷达网络在功率约束下优化功率分配策略以提升受欺骗攻击时的跟踪性能；文献[58]提出利用网络内主动与被动节点信息协同识别虚假目标。关于分布式雷达网络算法与实施挑战的深入探讨可参阅文献[57]（非欺骗干扰场景），表VI则对比了集中式与分布式架构的优劣。尽管分布式系统将数据保留在本地，但节点间共享信息仍存在泄露风险。我们建议将隐私保护型抗欺骗干扰列为未来研究方向，其他领域（如GNSS干扰分类[169]）应用的联邦学习技术或可迁移至雷达系统，实现去中心化且隐私感知的干扰缓解策略。
最新研究表明，协同式欺骗干扰技术能够突破雷达网络空间分集优势。文献[58]所述协同欺骗方法可推断网络拓扑结构并同步生成多雷达虚假目标，克服图7所示的对齐偏差问题。此类场景中，多雷达提供的空间分集不足以区分真实与虚假目标，凸显增设防护层必要性。对此，文献[58]提出整合无源雷达与共识数据共享机制的协同抗干扰方案，提升存在协同干扰时的目标跟踪鲁棒性。此外，文献[50]探讨了分布式MIMO雷达网络的相关性，作者基于博弈论框架分析MIMO网络与干扰源的动态对抗，该内容将在下节详述。在此框架下，各MIMO雷达以最小发射功率实现干扰机与回波间互信息最大化。分布式MIMO还被用于协同资源调度提升多目标跟踪性能[55][61]，以及通过因子图建模与迭代消息传递算法联合估计真实/虚假目标参数[54]。增强分布式雷达系统抗欺骗干扰韧性的研究仍处活跃阶段，现有方法需引入更贴近实际的假设条件，例如解决传感器视场非重叠挑战[58]。文献[56]则致力于应对分布式雷达系统中因传感器同步失败导致的配准误差问题。
图 7：多静态雷达系统对欺骗攻击（如图中的 RGPO（距离放大））的固有复原力说明。FT 的测距结果导致不同传感器的目标位置不匹配，而 PT 的测距结果与可行的目标位置一致。
B. 认知雷达技术
认知雷达决策机制[65]使干扰机可通过"感知-行动"循环[170]依据环境动态调整策略。随着智能欺骗攻击的发展，认知抗干扰策略的重要性日益凸显。文献[40]是早期认知波形设计案例，通过调整初始脉冲相位在被干扰真实目标周围形成频率阻带，提升信干比以对抗速度欺骗。文献[39]在感知阶段发射高脉冲重复频率波形探测干扰机并估计其波达方向，行动阶段则调整发射波束在干扰方向形成陷波。文献[41]提出一种信噪比约束下的发射波形与接收滤波器联合设计认知防护策略。新兴的元认知雷达概念[67]借鉴人类学习机制增强系统适应性，该框架平衡"探索"（学习新策略）与"利用"（优化现有策略），其抗欺骗干扰潜力尚待挖掘，是极具前景的研究方向。
认知策略演进与博弈论原理深度契合，后者为理解ECM/ECCM动态对抗提供结构化框架[43][48][49]。博弈论抗干扰案例包括发射极化优化[44]、多基地雷达波束成形与功率分配联合优化[46]。另有研究提出增设虚假信道发射误导信息以分散干扰功率[45]，该场景建模为领导者-追随者博弈：系统（领导者）优先分配功率，干扰机（追随者）根据真实/虚假信道信号调整策略。需指出，现有研究多假设静态博弈或单轮动态博弈，而实战电子战环境存在多轮非完美信息博弈[47]。因此，构建更贴近现实的博弈论干扰机模型是未来重要方向。
C. AI赋能雷达
在认知雷达设计中引入机器学习（ML）基础上，强化学习（RL）为抗欺骗干扰开辟创新路径。RL智能体可在欺骗威胁环境中自适应选择行动以增强系统韧性。早期应用案例见文献[24]，其将第三节所述的频率捷变策略扩展为自适应跳频模式，通过最大化奖励提升信干比。此类策略聚焦基于奖励反馈动态调整功率分配、传感器部署及检测阈值等关键参数[30]。值得注意的是，强化学习亦被攻击方用于增强欺骗干扰效能，例如文献[42]借鉴蚁群信息素机制提升干扰决策的探索效率与收敛速度。
如表III所示，现代雷达抗干扰检测与分类技术日益融合机器学习方法。其中大量研究采用基于CNN的检测器与分类器，因雷达信号可转化为距离-多普勒、时频谱等多维图像化表征。然而，雷达信号样本本质为时序数据，这为LSTM网络及日益流行的Transformer模型提供了应用场景。此类模型擅长从序列数据中提取特征，可在最小化信号预处理与信息损失条件下揭示欺骗成分。如近期研究[171]提出多模态融合模型用于欺骗干扰判别：CNN提取包络特征，基于注意力机制的双向LSTM从数据模态中提取运动学时序特征。
近两年，基于Transformer的欺骗干扰信号识别研究取得显著突破。文献[34]采用图卷积网络捕获空间信息，结合Transformer提取全局数据特征，通过全连接层输出干扰判别结果；文献[35]设计卷积嵌入模块桥接CNN与Transformer，结合注意力模块缓解Transformer对缺失信息的敏感性；文献[36]探索扩散模型与Swin Transformer的结合，后者高效处理大尺度输入并捕获图像长程依赖，该方案在低干噪比（JNR）环境下仍保持高识别精度。最后，与前述分布式策略呼应，文献[37]提出抗多欺骗干扰机的多雷达协同框架：各节点将虚假目标回波转为时频谱图，输入Transformer架构进行分类与参数估计。
总体而言，AI在雷达抗欺骗干扰中的应用仍处于快速发展阶段，存在显著提升空间。Transformer架构的引入与领域快速演进[38]要求持续创新，以同步优化欺骗与抗欺骗策略。
原文
相关内容
微信扫码咨询专知VIP会员