MA-GAN: كيف يحول التعلم الذاتي المراقبة الإلكترونية دون الحاجة إلى معرفة مسبقة بالإشارات

أصبح الطيف الكهرومغناطيسي مجالاً مزدحماً ومثاراً للنزاع. لقد تطورت وسائل التشويش الإلكتروني لتتجاوز مجرد توليد الضوضاء. أصبحت تتطلب الآن ذكاءً متقدلاً لتعطيل الإشارات بفعالية. يقدم إطار عمل جديد يُعرف باسم MA-GAN حلاً مقنعاً لهذه التحديات. يولد هذا النظام موجات تشويش عالية الدقة دون الحاجة إلى معرفة مسبقة بإشارات الهدف. يعالج هذا النهج قيوداً حرجة كانت موجودة في الطرق التقليدية. وهو مفيد بشكل خاص في البيئات غير التعاونية حيث تكون أنواع التعديل ومعدلات الرموز إما مجهولة أو تتغير بسرعة.

تعتمد تقنيات التشويش التقليدية غالباً على معلومات سابقة واسعة النطاق حول رابط الاتصالات المستهدف. تستهلك طرق التشويش القمعي طاقة كبيرة من خلال إغراق القناة بالضوضاء. يتطلب التشويش الخادع تشابهاً هيكلياً مع إشارات الهدف. إن تحقيق هذا التشابه صعب جداً دون معرفة مفصلة بمعلمات الإشارة. حاولت أساليب التعلم العميق الحديثة أتمتة توليد الموجات. أظهرت شبكات الخصم التوليدية الشرطية وعوداً جيدة لكنها تعاني من ضعف القدرة على التعميم. تكافح هذه النماذج مشكلة انهيار النمط عند التعامل مع أنواع تعديل متعددة. كما تفشل في التكيف مع إشارات غير مسبوقة أو معدلات رموز متغيرة. يحد هذا من فائدتها العملية في سيناريوهات الطيف المفتوح الديناميكي.

يتغلب MA-GAN على هذه التحديات من خلال التخلي عن الشروط المعتمدة على التسميات. يستخدم استراتيجية تعلم ذاتي مقنص مستوحاة من نماذج Masked Autoencoders وSimMIM المستخدمة في رؤية الكمبيوتر. يتكون جوهر النظام من مشفر MWM الذي يعالج بيانات السلاسل الزمنية أحادية البعد من نوع I/Q. يقوم المشفر بقص أجزاء عشوائية من إشارة الإدخال ليتعلم إعادة بناء الأجزاء المفقودة باستخدام آليات انتباه النوافذ المحلية. يساعد هذه العملية النموذج على تعلم تمثيلات هرمية قوية للميزات. تلتقط هذه الميزات كل من الإحصائيات العالمية واسعة النطاق مثل الغلاف الطيفي والتفاصيل المحلية الدقيقة مثل هياكل الثابت اللحظية.

خلال مرحلة التدريب التنافسي، يستخدم MA-GAN دمج الميزات متعدد المقاييس لتوجيه المولد. يستخرج المشفر المدرب مسبقاً ميزات بأربع مقاييس مختلفة من إشارة الهدف. ثم يتم دمج هذه الميزات وحقنها في المولد جنباً إلى جنب مع ضوضاء عشوائية. يضمن ذلك مطابقة موجة التشويش المولدة للهدف عبر أبعاد متعددة. تقيم شبكة خصم متعددة الرؤوس مصداقية الإشارة المولدة عند كل مقياس. يوفر ذلك تغذية راجعة دقيقة لتحسين الجودة. يتضمن الإطار أيضاً قيوداً صريحة للتوافق الطيفي واستمرارية الطور. تمنع هذه القيود انقطاعات الطور غير الطبيعية التي قد تكشف أن الإشارة اصطناعية أمام المستقبلات المتقدمة.

تظهر النتائج التجريبية أن MA-GAN يتفوق بشكل كبير على الأساليب الحالية. إنه يظهر أداءً متفوقاً مقارنة بنماذج WGAN-GP وDC-GAN وTFC-GAN. تسلط مقاييس مثل ارتباط كثافة الطيف الطاقة وتشابه دالة الارتباط الذاتي الضوء على فعاليته. يتميز MA-GAN بقدرات تعميم قوية. يحافظ على أداء تشويش فعال ضد أنواع التعديل المعروفة وغير المسبوقة سابقاً. ينطبق هذا تحت ظروف قنوات متنوعة بما في ذلك الضوضاء البيضاء الغاوسية المضافة وتلاشي رايلي وتلاشي ريسيان. عند نسب تشويش إلى إشارة عالية، يقترب تأثير معدل الخطأ في البتات الخاص به من تأثير التشويش المثالي الشبيه بالإشارة. يمثل هذه القدرة خطوة كبيرة إلى الأمام في الحرب الإلكترونية التكيفية. enabling real-time autonomous jamming in complex unpredictable electromagnetic environments.