طراحی یک شبکه عصبی بیزی برای طبقه بندی خودکار و مقاوم مدولاسیون جهت کاهش اثر تقویت خصمانه

در سال های اخیر پیشرفت سریع فناوری های ارتباطات بیسیم به ویژه توسعه شبکه های نسل ششم چالش هایی در حوزه بهره وری طیف، امنیت و قابلیت اطمینان ایجاد کرده است. طبقه بندی خودکار مدولاسیون مبتنی بر یادگیری ماشین (AMC) نقش مهمی در مواجهه با این چالش ها دارد، زیرا امکان طبقه بندی کارآمد سیگنال ها را در محیط های پویا فراهم می سازد. با این حال چنین سامانه هایی همچنان در برابر حملات خصمانه آسیب پذیرند؛ حملاتی که می توانند باعث خطاسازی در مدل های یادگیری ماشین شده و در نتیجه سامانه ها و کاربردهای وابسته به آن ها را با اختلال مواجه کنند. بر همین اساس در این مطالعه یک چارچوب مقاوم برای AMC مبتنی بر شبکه های عصبی بیزی (BNN) با هدف کاهش تاثیر حملات خصمانه ارائه می کنیم. رویکرد پیشنهادی ما از یک جمله منظم ساز بر واریانس وزن های BNN استفاده می کند تا احتمال مقادیر وزنی افراطی کاهش یابد و پایداری مدل در شرایط حمله افزایش یابد. همچنین از توزیع گوسی Sinh-Arcsinh به عنوان پیشین انعطاف پذیر جهت کنترل میزان کجی و رفتار انتهایی توزیع بهره می بریم تا موازنه بهتری میان دقت و مقاوم بودن ایجاد شود. ارزیابی های آزمایشی در برابر حملات خصمانه رایج مانند روش علامت گرادیان سریع (FGSM)، نزول گرادیان فرافکنی شده (PGD)، و (PGD خودکار (Auto-PGD نشان می دهد که مدل پیشنهادی ما عملکرد بهتری نسبت به مدل های متداول AMC داشته و مقاومت بیشتری در شرایط نسبت پایین اغتشاش به نویز ارائه می کند. در مجموع یافته های به دست آمده پتانسیل روش های بیزی را در توسعه سامانه های هوشمند ارتباطی امن تر و قابل اطمینان تر برجسته می سازد.

Keywords:

حمله خصمانه , مقاوم سازی در برابر حملات خصمانه , طبقه بندی خودکار مدولاسیون (AMC) , شبکه عصبی بیزی (BNN) , توزیع سینک آرکسین (Sinh-Arcsinh) , حمله جعبه شفاف (Glass-box)