期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
深度强化学习的攻防与安全性分析综述
被引量：
12
1
作者
陈晋音
章燕
+3 位作者
王雪柯
蔡鸿斌
王珏
纪守领
《自动化学报》
EI
CAS
CSCD
北大核心
2022年第1期21-39,共19页
深度强化学习是人工智能领域新兴技术之一,它将深度学习强大的特征提取能力与强化学习的决策能力相结合,实现从感知输入到决策输出的端到端框架,具有较强的学习能力且应用广泛.然而,已有研究表明深度强化学习存在安全漏洞,容易受到对抗...
深度强化学习是人工智能领域新兴技术之一,它将深度学习强大的特征提取能力与强化学习的决策能力相结合,实现从感知输入到决策输出的端到端框架,具有较强的学习能力且应用广泛.然而,已有研究表明深度强化学习存在安全漏洞,容易受到对抗样本攻击.为提高深度强化学习的鲁棒性、实现系统的安全应用,本文针对已有的研究工作,较全面地综述了深度强化学习方法、对抗攻击、防御方法与安全性分析,并总结深度强化学习安全领域存在的开放问题以及未来发展的趋势,旨在为从事相关安全研究与工程应用提供基础.
展开更多
关键词
深度强化学习
对抗攻击
防御
策略攻击
安全性
在线阅读
下载PDF
职称材料
基于决策边界敏感性和小波变换的电磁信号调制智能识别对抗样本检测方法
被引量：
3
2
作者
徐东伟
蒋斌
+5 位作者
朱慧燕
宣琦
王巍
林云
沈伟国
杨小牛
《信号处理》
CSCD
北大核心
2024年第4期625-638,共14页
深度学习在图像分类和分割、物体检测和追踪、医疗、翻译和语音识别等与人类相关的任务中取得了巨大的成功。它能够处理大量复杂的数据,并自动提取特征进行预测,因此可以更准确地预测结果。随着深度学习模型的不断发展,以及可获得的数...
深度学习在图像分类和分割、物体检测和追踪、医疗、翻译和语音识别等与人类相关的任务中取得了巨大的成功。它能够处理大量复杂的数据,并自动提取特征进行预测,因此可以更准确地预测结果。随着深度学习模型的不断发展,以及可获得的数据和计算能力的提高,这些应用的准确性不断提升。最近,深度学习也在电磁信号领域得到了广泛应用,例如利用神经网络根据信号的频域和时域特征对其进行分类。但神经网络容易受到对抗样本的干扰,这些对抗样本可以轻易欺骗神经网络,导致分类错误。因此,对抗样本的生成、检测和防护的研究变得尤为重要,这将促进深度学习在电磁信号领域和其他领域的发展。针对现阶段单一的检测方法的有效性不高的问题,提出了基于决策边界敏感性和小波变换重构的对抗样本检测方法。利用了对抗样本与正常样本对模型决策边界的敏感性差异来进行检测,接着针对第一检测阶段中未检测出的对抗样本,本文利用小波变换对样本进行重构,利用样本去噪前后在模型中的预测值差异来进行检测。本文在两种调制信号数据集上进行了实验分析,并与基线检测方法进行对比,此方法更优。这一研究的创新点在于综合考虑了模型决策边界的敏感性和小波变换的重构能力,通过巧妙的组合,提出了一种更为全面、精准的对抗样本检测方法。这为深度学习在电磁信号领域的稳健应用提供了新的思路和方法。
展开更多
关键词
对抗样本检测
小波重构
决策边界
电磁信号
对抗攻击
在线阅读
下载PDF
职称材料
基于特征融合的电磁信号对抗样本检测方法
3
作者
徐东伟
蒋斌
+4 位作者
陈嘉峻
宣琦
王巍
赵文红
杨小牛
《电波科学学报》
CSCD
北大核心
2024年第5期926-933,共8页
针对电磁信号调制识别智能模型容易受到对抗样本攻击的问题,提出了一种基于特征融合的电磁信号对抗样本检测方法。该方法首先通过变分模态分解对测试样本进行去噪得到去噪后的电磁信号样本,然后分别将去噪前后的电磁信号样本输入到神经...
针对电磁信号调制识别智能模型容易受到对抗样本攻击的问题,提出了一种基于特征融合的电磁信号对抗样本检测方法。该方法首先通过变分模态分解对测试样本进行去噪得到去噪后的电磁信号样本,然后分别将去噪前后的电磁信号样本输入到神经网络模型中,接着计算去噪前后模型输出向量的余弦相似性值和置信度差值,最后将两个特征进行融合,输入到一个神经网络模型中进行检测。与基线方法相比,该方法在实验中取得了更高的检测成功率。本文方法具有时间复杂度低、易于实现的优点,为电磁信号调制识别智能模型提供了一种新颖的对抗样本检测方法。
展开更多
关键词
电磁信号调制识别
对抗样本检测
特征融合
余弦相似性
置信度差
在线阅读
下载PDF
职称材料
题名
深度强化学习的攻防与安全性分析综述
被引量：
12
1
作者
陈晋音
章燕
王雪柯
蔡鸿斌
王珏
纪守领
机构
浙江工业大学
信息工程学院
浙江工业大学网络安全研究院
华东师范
大学
软件工程学院
浙江
大学
计算机科学与技术学院
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2022年第1期21-39,共19页
基金
浙江省自然科学基金(LY19F020025)
宁波市“科技创新2025”重大专项(2018B10063)
科技创新2030—“新一代人工智能”重大项目(2018AAA0100800)资助~~。
文摘
深度强化学习是人工智能领域新兴技术之一,它将深度学习强大的特征提取能力与强化学习的决策能力相结合,实现从感知输入到决策输出的端到端框架,具有较强的学习能力且应用广泛.然而,已有研究表明深度强化学习存在安全漏洞,容易受到对抗样本攻击.为提高深度强化学习的鲁棒性、实现系统的安全应用,本文针对已有的研究工作,较全面地综述了深度强化学习方法、对抗攻击、防御方法与安全性分析,并总结深度强化学习安全领域存在的开放问题以及未来发展的趋势,旨在为从事相关安全研究与工程应用提供基础.
关键词
深度强化学习
对抗攻击
防御
策略攻击
安全性
Keywords
Deep reinforcement learning
adversarial attack
defense
policy attack
security
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于决策边界敏感性和小波变换的电磁信号调制智能识别对抗样本检测方法
被引量：
3
2
作者
徐东伟
蒋斌
朱慧燕
宣琦
王巍
林云
沈伟国
杨小牛
机构
浙江工业大学网络安全研究院
浙江工业大学
信息工程学院
电磁空间
安全
全国重点实验室
哈尔滨工程
大学
信息与通信工程学院
出处
《信号处理》
CSCD
北大核心
2024年第4期625-638,共14页
基金
国家自然科学基金联合重点基金(U21B2001)
嘉兴南湖学院校级科研项目(62211ZL)。
文摘
深度学习在图像分类和分割、物体检测和追踪、医疗、翻译和语音识别等与人类相关的任务中取得了巨大的成功。它能够处理大量复杂的数据,并自动提取特征进行预测,因此可以更准确地预测结果。随着深度学习模型的不断发展,以及可获得的数据和计算能力的提高,这些应用的准确性不断提升。最近,深度学习也在电磁信号领域得到了广泛应用,例如利用神经网络根据信号的频域和时域特征对其进行分类。但神经网络容易受到对抗样本的干扰,这些对抗样本可以轻易欺骗神经网络,导致分类错误。因此,对抗样本的生成、检测和防护的研究变得尤为重要,这将促进深度学习在电磁信号领域和其他领域的发展。针对现阶段单一的检测方法的有效性不高的问题,提出了基于决策边界敏感性和小波变换重构的对抗样本检测方法。利用了对抗样本与正常样本对模型决策边界的敏感性差异来进行检测,接着针对第一检测阶段中未检测出的对抗样本,本文利用小波变换对样本进行重构,利用样本去噪前后在模型中的预测值差异来进行检测。本文在两种调制信号数据集上进行了实验分析,并与基线检测方法进行对比,此方法更优。这一研究的创新点在于综合考虑了模型决策边界的敏感性和小波变换的重构能力,通过巧妙的组合,提出了一种更为全面、精准的对抗样本检测方法。这为深度学习在电磁信号领域的稳健应用提供了新的思路和方法。
关键词
对抗样本检测
小波重构
决策边界
电磁信号
对抗攻击
Keywords
adversarial detection
wavelet reconstruction
decision boundaries
electromagnetic signal
adversarial attack
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于特征融合的电磁信号对抗样本检测方法
3
作者
徐东伟
蒋斌
陈嘉峻
宣琦
王巍
赵文红
杨小牛
机构
杭州市滨江区浙工大人工智能创新
研究院
浙江工业大学网络安全研究院
中国电子科技集团公司第三十六
研究
所
嘉兴学院
出处
《电波科学学报》
CSCD
北大核心
2024年第5期926-933,共8页
基金
国家自然科学基金联合重点基金(U21B2001)
嘉兴南湖学院校级科研项目(62211ZL)。
文摘
针对电磁信号调制识别智能模型容易受到对抗样本攻击的问题,提出了一种基于特征融合的电磁信号对抗样本检测方法。该方法首先通过变分模态分解对测试样本进行去噪得到去噪后的电磁信号样本,然后分别将去噪前后的电磁信号样本输入到神经网络模型中,接着计算去噪前后模型输出向量的余弦相似性值和置信度差值,最后将两个特征进行融合,输入到一个神经网络模型中进行检测。与基线方法相比,该方法在实验中取得了更高的检测成功率。本文方法具有时间复杂度低、易于实现的优点,为电磁信号调制识别智能模型提供了一种新颖的对抗样本检测方法。
关键词
电磁信号调制识别
对抗样本检测
特征融合
余弦相似性
置信度差
Keywords
electromagnetic signal modulation recognition
deep learning
adversarial sample detection
cosine similarity
confidence difference
分类号
TN975 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
深度强化学习的攻防与安全性分析综述
陈晋音
章燕
王雪柯
蔡鸿斌
王珏
纪守领
《自动化学报》
EI
CAS
CSCD
北大核心
2022
12
在线阅读
下载PDF
职称材料
2
基于决策边界敏感性和小波变换的电磁信号调制智能识别对抗样本检测方法
徐东伟
蒋斌
朱慧燕
宣琦
王巍
林云
沈伟国
杨小牛
《信号处理》
CSCD
北大核心
2024
3
在线阅读
下载PDF
职称材料
3
基于特征融合的电磁信号对抗样本检测方法
徐东伟
蒋斌
陈嘉峻
宣琦
王巍
赵文红
杨小牛
《电波科学学报》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
