MA-GAN: Wie selbstüberwachtes Lernen die elektronische Kriegsführung ohne vorherige Signalkenntnisse transformiert

Das elektromagnetische Spektrum ist zu einem überfüllten und umkämpften Raum geworden. Elektronische Gegenmaßnahmen gehen weit über das einfache Erzeugen von Rauschen hinaus. Sie erfordern heute hochentwickelte Intelligenz, um Signale effektiv zu stören. Das neue Framework MA-GAN bietet eine überzeugende Lösung für diese Herausforderung. Es erzeugt hochwertige Störsignale, ohne dass Vorwissen über die Zielsignale nötig ist. Dieser Ansatz behebt kritische Schwachstellen herkömmlicher Methoden. Er ist besonders nützlich in nicht kooperativen Umgebungen, in denen Modulationsarten und Symbolraten unbekannt sind oder sich schnell ändern.

Traditionelle Störtechniken verlassen sich oft auf umfangreiche Vorkenntnisse über die Zielkommunikationsverbindung. Unterdrückendes Stören verbraucht viel Energie, indem es den Kanal mit Rauschen flutet. Täuschendes Stören erfordert eine strukturelle Ähnlichkeit mit den Zielsignalen. Diese Ähnlichkeit ist ohne detaillierte Parameterkenntnisse schwer zu erreichen. Neuere Ansätze des Deep Learning haben versucht, die Wellenformgenerierung zu automatisieren. Bedingte Generative Adversarial Networks zeigen zwar Potenzial, leiden aber unter schlechter Generalisierung. Diese Modelle kämpfen beim Umgang mit mehreren Modulationsarten mit dem Problem des Modus-Kollapses. Sie passen sich zudem nicht an unbekannte Signale oder variierende Symbolraten an. Dies schränkt ihre praktische Nützlichkeit in dynamischen offenen Spektrum-Szenarien ein.

MA-GAN meistert diese Herausforderungen, indem es auf kennzeichnungsabhängige Konditionierung verzichtet. Es nutzt eine maskierte selbstüberwachte Lernstrategie, die von Masked Autoencodern und SimMIM aus der Computer Vision inspiriert ist. Der Kern des Systems ist ein MWM-Encoder, der eindimensionale I/Q-Zeitreihendaten verarbeitet. Durch das zufällige Maskieren von Segmenten des Eingangssignals lernt der Encoder, fehlende Teile mit lokalen Fenster-Aufmerksamkeitsmechanismen zu rekonstruieren. Dieser Prozess hilft dem Modell, robuste hierarchische Merkmalsrepräsentationen zu lernen. Diese Merkmale erfassen sowohl grobskalige globale Statistiken wie spektrale Hüllkurven als auch feinskalige lokale Details wie instantane Konstellationsstrukturen.

Während der adversarischen Trainingsphase nutzt MA-GAN Multiskalen-Merkmalsfusion, um den Generator zu steuern. Der vortrainierte Encoder extrahiert Merkmale in vier verschiedenen Skalen aus dem Zielsignal. Diese Merkmale werden dann fusioniert und zusammen mit zufälligem Rauschen in den Generator eingespeist. Dies stellt sicher, dass das generierte Störsignal das Ziel in mehreren Dimensionen trifft. Ein Multi-Head-Discriminator bewertet die Authentizität des generierten Signals in jeder Skala. Dies liefert granulares Feedback zur Qualitätsverbesserung. Das Framework integriert auch explizite Constraints für spektrale Konsistenz und Phasenkontinuität. Diese Constraints verhindern unnatürliche Phasensprünge, die das Signal für fortschrittliche Empfänger als künstlich enttarnen könnten.

Experimentelle Ergebnisse zeigen, dass MA-GAN bestehende Methoden deutlich übertrifft. Es zeigt eine überlegene Leistung im Vergleich zu WGAN-GP, DC-GAN und TFC-GAN. Metriken wie die Korrelation der Leistungsdichtespektralverteilung und die Ähnlichkeit der Autokorrelationsfunktion unterstreichen seine Wirksamkeit. MA-GAN weist zudem starke Verallgemeinerungsfähigkeiten auf. Es hält die effektive Störleistung sowohl gegenüber bekannten als auch zuvor unbekannten Modulationsarten aufrecht. Dies gilt unter verschiedenen Kanalbedingungen einschließlich AWGN, Rayleigh-Fading und Rician-Fading. Bei hohen Stör-Signal-Verhältnissen nähert sich sein Einfluss auf die Bitfehlerrate dem eines idealen signalähnlichen Jammers an. Diese Fähigkeit markiert einen bedeutenden Schritt nach vorn in der adaptiven elektronischen Kriegsführung. Sie ermöglicht autonomes Echtzeit-Stören in komplexen, unvorhersehbaren elektromagnetischen Umgebungen.