《利用深度学习生成类噪声通信代码》2023最新报告

无线电隐蔽通信涉及发送不易被第三方观察者发现或截获的信号。目前有多种低检测概率（LPD）策略，如扩频（SS）、码分多址（CDMA）和混沌 CDMA。机器学习（ML）为实现 LPD 提供了一种新策略。具体来说，随着包括生成对抗网络（GANs）在内的深度学习（DL）技术的最新进展，我们假设 ML 可用于开发难以与自然噪声区分开来的编码方案--自然噪声既存在于射频环境中，也表现在无线电接收机的电子电路中。

最早记录在案的隐形无线电通信形式是 SS 技术，即通过伪随机选择的信道传输部分信号，这样窃听者可能对任何单个频段的信息知之甚少。CDMA 是这一策略的现代替代方案，可产生低于噪声底限（即信噪比 [SNR] 低于 0 dB）的信号。除非窃听者知道要寻找的代码（如用于手机的商业标准 CDMA），否则他们可能无法识别射频背景中是否存在人工信号。混沌生成的芯片序列或长序列伪随机生成的密钥可以进一步防止窃听者识别射频活动。多年来，人们还提出了其他 LPD 通信方法，包括不精确的同相/正交相位 (I/Q) 星群和多天线。此外，还分析了在信道条件下通信的隐蔽性和内容丰富程度的问题。

GANs 是 ML 领域相对较新的发展，它允许模型合成与训练集相似的真实数据。GANs 还可用于生成能够骗过同时训练的判别器的数据。在本报告中，我们探讨了是否有可能生成一种既能冒充随机高斯白噪声（GWN），又能向知情接收者准确传达英文文本序列的代码。我们训练了一个判别神经网络模型，以区分伪随机高斯白噪声和编码信息。我们还同时训练编码器和解码器网络，以便在纯文本信息和 8 位类噪声代码之间进行转换，这大致相当于典型的低成本软件定义无线电的 I/Q 输入和输出精度。

我们在此不讨论隐身无线通信中的一个基本挑战，即在传输频段中存在可探测到的多余能量。但我们知道，信噪比远低于 0 dB 也能用于信息通信，这在全球导航卫星系统 (GNSS) 和 CDMA 应用中都能看到。