DOI: https://doi.org/10.1109/jsac.2026.3669137
تاريخ النشر: 2026-01-01
المؤلف: Pengyu Wang وآخرون
الموضوع الرئيسي: الصلابة ضد الهجمات في تعلم الآلة
نظرة عامة
تقدم ورقة البحث إطار عمل مبتكر لمحول تفاضلي مصمم لتحديد التشويش اللاسلكي في الشبكات اللاسلكية منخفضة الارتفاع، وخاصة تلك التي تشمل محطات الطائرات بدون طيار المعرضة للتداخل الكهرومغناطيسي. يعزز الإطار المقترح الأساليب التقليدية للتعلم العميق من خلال تنفيذ شبكة محول تفاضلي تقلل من ضوضاء الانتباه من خلال عمليات الانتباه الذاتي التي تتم بطريقة تفاضلية. تكمل هذه البنية استراتيجية تدريب قناع عشوائي تستخدم تقسيم الباتشات لإنشاء فروع استخراج ميزات متعددة متوازية، كل منها يعالج مجموعات فرعية مميزة ومقنعة عشوائيًا من بيانات الإدخال. يحد هذا التصميم بشكل فعال من انتشار الاضطرابات العدائية، مما يحسن من مرونة الشبكة ضد الهجمات.
علاوة على ذلك، تقدم الورقة إطار تدريب متسق يستخدم تنظيم ثنائي الفروع، مما يعزز من القوة ضد الهجمات العدائية من خلال تعزيز فروع المعالجة القوية ودمج خسارة الاتساق لتقليل الضعف أمام العينات العدائية. تظهر نتائج المحاكاة أن شبكة المحول التفاضلي تتفوق على الأساليب الحالية، مما يعزز بشكل كبير من القوة ضد الهجمات العدائية ويظهر فعالية استراتيجيات التدريب المقترحة.
مقدمة
تناقش مقدمة الورقة التأثير التحويلي لتقنيات الطائرات بدون طيار على الاقتصاد منخفض الارتفاع، مع تسليط الضوء على التطبيقات مثل التصوير الدقيق، واللوجستيات، والزراعة، والاستجابة للطوارئ. يعتمد نجاح هذه التطبيقات بشكل كبير على أنظمة الاتصالات اللاسلكية القوية، وخاصة الشبكات اللاسلكية منخفضة الارتفاع (LAWNs)، التي تعتبر ضرورية للحفاظ على الاتصال المستقر وضمان السلامة التشغيلية. ومع ذلك، فإن انتشار الطائرات بدون طيار يقدم تحديات أمنية كبيرة، خاصة من تهديدات التشويش الكهرومغناطيسي التي يمكن أن تعطل الاتصالات أثناء العمليات الحرجة.
تؤكد الورقة على الحاجة إلى استراتيجيات فعالة لتحديد التشويش لمواجهة هذه التهديدات، متميزة بين التشويش القمعي، الذي يضعف جودة الإشارة، والتشويش الماهر، الذي يستهدف وظائف تشغيلية محددة. تعتمد طرق تحديد التشويش التقليدية على استخراج الميزات اليدوي والمصنفات، التي تواجه قيودًا في البيئات الديناميكية. بالمقابل، تقدم أساليب التعلم العميق، وخاصة تلك التي تستخدم الشبكات العصبية التلافيفية (CNNs) وبنى المحولات، تحسينًا في التكيف والأداء. يقترح المؤلفون إطار عمل مبتكر لمحول تفاضلي يهدف إلى تعزيز دقة تحديد التشويش ومرونته ضد الهجمات العدائية من خلال استراتيجيات تدريب مبتكرة، بما في ذلك القناع العشوائي والتدريب المتسق. ستفصل الأقسام التالية من الورقة الخلفية الرياضية، والأساليب المقترحة، ونتائج المحاكاة الواسعة التي تتحقق من فعاليتها.
طرق
تحدد المنهجية المقترحة تطوير شبكة محول تفاضلي مصممة خصيصًا لتحديد التشويش. تتناول هذه الطريقة المبتكرة قيود المحولات التقليدية من خلال تقليل ضوضاء الانتباه بشكل فعال، والتي يمكن أن تعيق الأداء في البيئات المليئة بالضوضاء.
لتعزيز مرونة الشبكة ضد الهجمات العدائية، يقدم المؤلفون تقنيتين للتدريب: طريقة تدريب قناع عشوائي وطريقة تدريب متسقة. تم تصميم هذه الاستراتيجيات لتعزيز قوة الشبكة، مما يضمن أداءً موثوقًا في وجود اضطرابات محتملة.
نتائج
في قسم “النتائج”، يقوم المؤلفون بتقييم الخوارزمية المقترحة من خلال سلسلة من المحاكاة. توضح الفقرة الفرعية A مجموعة البيانات التجريبية وظروف التدريب، بينما تصف الفقرة الفرعية B بنية نموذج الشبكة المستخدمة في الدراسة. تركز الفقرة الفرعية C على تقييم أداء التنبؤ ومرونة الخوارزمية.
تظهر نتائج المحاكاة أن طريقتي التدريب على القوة المقدمتين تعززان بشكل كبير من مرونة النموذج ضد العينات العدائية، مما يشير إلى تحسن ملحوظ في الأداء العام للخوارزمية تحت ظروف صعبة.
نقاش
في هذا القسم، يقدم المؤلفون تحليلًا شاملاً لسيناريو التشويش اللاسلكي، مع التركيز على نموذج استقبال إشارات التشويش وتطوير شبكة عصبية قوية لتحديد التشويش. يتم نمذجة إشارة التشويش رياضيًا، مع تضمين عوامل مثل تردد الحامل، والطور الأولي، وضوضاء بيضاء غاوسية إضافية (AWGN). يقترح المؤلفون إطار تصنيف يستفيد من الشبكات العصبية، محولين الإشارات المستلمة إلى خرائط زمنية ترددية عبر تحويل فورييه قصير المدى (STFT). يسمح هذا التحويل للشبكة بتحديد ثمانية أنواع من إشارات التشويش، بما في ذلك الموجة المستمرة (CW) وتعديل الطور الثنائي (BPSK).
لتعزيز مرونة الشبكة ضد الهجمات العدائية، يقدم المؤلفون بنية محول تفاضلي تقلل من ضوضاء الانتباه، مما يحسن من استخراج الميزات من إشارات التشويش. تستخدم الطريقة المقترحة تدريب قناع عشوائي، تختار ديناميكيًا مجموعات فرعية من الباتشات المدخلة لتقليل تأثير الاضطرابات العدائية. تهدف هذه الطريقة، جنبًا إلى جنب مع استراتيجيات التدريب المتسقة، إلى ضمان أداء قوي على كل من العينات العدائية والنظيفة. تظهر النتائج التجريبية أن النموذج المقترح يتفوق على البنى الحالية في دقة التعرف ومرونة ضد الهجمات العدائية، خاصة تحت نسب التداخل إلى الإشارة زائد الضوضاء المتغيرة (ISNR). تسلط النتائج الضوء على فعالية آلية الانتباه التفاضلي في التقاط الميزات الحرجة لإشارات التشويش بدقة، مما يعزز دقة التنبؤ ومرونة النموذج.
DOI: https://doi.org/10.1109/jsac.2026.3669137
Publication Date: 2026-01-01
Author(s): Pengyu Wang et al.
Primary Topic: Adversarial Robustness in Machine Learning
Overview
The research paper presents a novel differential transformer framework designed for the identification of wireless jamming in low-altitude wireless networks, particularly those involving drone terminals vulnerable to electromagnetic interference. The proposed framework enhances traditional deep learning approaches by implementing a differential transformer network that mitigates attention noise through self-attention operations performed in a differential manner. This architecture is complemented by a randomized masking training strategy that utilizes patch partitioning to create multiple parallel feature extraction branches, each processing distinct, randomly masked subsets of input data. This design effectively constrains the propagation of adversarial perturbations, thereby improving the network’s resilience against attacks.
Furthermore, the paper introduces a consistent training framework that employs dual-branch regularization, which bolsters adversarial robustness by fostering robust processing branches and incorporating a consistency loss to reduce vulnerability to adversarial samples. Simulation results demonstrate that the differential transformer network outperforms existing methods, significantly enhancing robustness against adversarial attacks and showcasing the effectiveness of the proposed training strategies.
Introduction
The introduction of the paper discusses the transformative impact of drone technologies on the low-altitude economy, highlighting applications such as precision imaging, logistics, agriculture, and emergency response. The success of these applications is heavily dependent on robust wireless communication systems, specifically low-altitude wireless networks (LAWNs), which are essential for maintaining stable connectivity and ensuring operational safety. However, the proliferation of drones introduces significant security challenges, particularly from electromagnetic jamming threats that can disrupt communication during critical operations.
The paper emphasizes the need for effective jamming identification strategies to counteract these threats, distinguishing between suppression jamming, which degrades signal quality, and dexterous jamming, which targets specific operational functions. Traditional jamming identification methods rely on manual feature extraction and classifiers, which face limitations in dynamic environments. In contrast, deep learning approaches, particularly those utilizing convolutional neural networks (CNNs) and transformer architectures, offer improved adaptability and performance. The authors propose a novel differential transformer framework aimed at enhancing jamming identification accuracy and robustness against adversarial attacks through innovative training strategies, including randomized masking and consistent training. The subsequent sections of the paper will detail the mathematical background, the proposed methodologies, and the results of extensive simulations validating their effectiveness.
Methods
The proposed methodology outlines the development of a differential transformer network specifically tailored for jamming identification. This innovative approach addresses the limitations of traditional transformers by effectively mitigating attention noise, which can hinder performance in noisy environments.
To further bolster the network’s resilience against adversarial attacks, the authors introduce two training techniques: a randomized masking training method and a consistent training method. These strategies are designed to enhance the robustness of the network, ensuring reliable performance in the presence of potential disruptions.
Results
In the “Results” section, the authors evaluate the proposed algorithm through a series of simulations. Subsection A details the experimental dataset and the training conditions, while Subsection B describes the architecture of the network model employed in the study. Subsection C focuses on assessing the prediction performance and robustness of the algorithm.
The simulation results demonstrate that the two robustness training methods introduced significantly enhance the model’s resilience against adversarial samples, indicating a marked improvement in the algorithm’s overall performance under challenging conditions.
Discussion
In this section, the authors present a comprehensive analysis of a wireless jamming scenario, focusing on the reception model of jamming signals and the development of a robust neural network for jamming identification. The jamming signal is mathematically modeled, incorporating factors such as carrier frequency, initial phase, and additive Gaussian white noise (AWGN). The authors propose a classification framework leveraging neural networks, transforming received signals into time-frequency maps via the short-time Fourier transform (STFT). This transformation allows the network to effectively identify eight types of jamming signals, including continuous wave (CW) and binary phase shift keying (BPSK).
To enhance the network’s resilience against adversarial attacks, the authors introduce a differential transformer architecture that mitigates attention noise, improving feature extraction from jamming signals. The proposed method employs randomized masking training, dynamically selecting subsets of input patches to reduce the impact of adversarial perturbations. This approach, combined with consistent training strategies, aims to ensure robust performance on both adversarial and clean samples. Experimental results demonstrate that the proposed model outperforms existing architectures in recognition accuracy and robustness against adversarial attacks, particularly under varying interference-to-signal-plus-noise ratios (ISNR). The findings highlight the effectiveness of the differential attention mechanism in accurately capturing critical features of jamming signals, thereby enhancing prediction accuracy and model resilience.