MA-GAN: Cómo el aprendizaje autosupervisado transforma la guerra electrónica sin conocimiento previo de las señales

El espectro electromagnético se ha convertido en un dominio saturado y disputado. Las contramedidas electrónicas han superado con creces la simple generación de ruido. Ahora requieren una inteligencia sofisticada para interrumpir las señales de manera efectiva. Un nuevo marco llamado MA-GAN ofrece una solución convincente a este desafío. Genera formas de onda de interferencia de alta fidelidad sin necesidad de conocer previamente las señales objetivo. Este enfoque aborda limitaciones críticas presentes en los métodos tradicionales. Es especialmente útil en entornos no cooperativos donde los tipos de modulación y las tasas de símbolos son desconocidos o cambian rápidamente.

Las técnicas de interferencia tradicionales suelen depender de información extensa sobre el enlace de comunicación objetivo. La interferencia supresora consume mucha energía al inundar el canal con ruido. La interferencia engañosa requiere similitud estructural con las señales objetivo. Lograr esta similitud es difícil sin un conocimiento detallado de los parámetros. Los enfoques recientes de aprendizaje profundo han intentado automatizar la generación de formas de onda. Las Redes Generativas Antagónicas Condicionales muestran potencial pero sufren de una generalización deficiente. Estos modelos tienen dificultades con el colapso del modo cuando manejan múltiples tipos de modulación. Tampoco logran adaptarse a señales no vistas o a tasas de símbolos variables. Esto limita su utilidad práctica en escenarios dinámicos de espectro abierto.

MA-GAN supera estos desafíos abandonando el condicionamiento dependiente de etiquetas. Emplea una estrategia de aprendizaje autosupervisado enmascarado inspirada en Autoencoders Enmascarados y SimMIM de la visión por computadora. El núcleo del sistema es un codificador MWM que procesa datos de series temporales I/Q unidimensionales. Al enmascarar aleatoriamente segmentos de la señal de entrada, el codificador aprende a reconstruir las partes faltantes mediante mecanismos de atención de ventana local. Este proceso ayuda al modelo a aprender representaciones jerárquicas de características robustas. Estas características capturan tanto estadísticas globales a gran escala, como los envolventes espectrales, como detalles locales a pequeña escala, como las estructuras de constelación instantáneas.

Durante la fase de entrenamiento adversarial, MA-GAN utiliza la fusión de características multiescala para guiar al generador. El codificador preentrenado extrae características en cuatro escalas diferentes de la señal objetivo. Luego, estas características se fusionan e inyectan en el generador junto con ruido aleatorio. Esto asegura que la forma de onda de interferencia generada coincida con la objetivo en múltiples dimensiones. Un discriminador de múltiples cabezas evalúa la autenticidad de la señal generada en cada escala. Esto proporciona una retroalimentación granular para mejorar la calidad. El marco también incorpora restricciones explícitas para la consistencia espectral y la continuidad de fase. Estas restricciones evitan discontinuidades de fase antinaturales que podrían revelar la señal como artificial ante receptores avanzados.

Los resultados experimentales demuestran que MA-GAN supera significativamente a los métodos existentes. Muestra un rendimiento superior en comparación con WGAN-GP, DC-GAN y TFC-GAN. Métricas como la correlación de la Densidad Espectral de Potencia y la similitud de la Función de Autocorrelación destacan su efectividad. Lo crucial es que MA-GAN exhibe fuertes capacidades de generalización. Mantiene un rendimiento de interferencia efectivo contra tipos de modulación conocidos y anteriormente no vistos. Esto se mantiene cierto bajo varias condiciones de canal, incluyendo AWGN, desvanecimiento Rayleigh y desvanecimiento Rician. A altas relaciones de interferencia a señal, su impacto en la Tasa de Error de Bit se aproxima al de un interferente ideal similar a la señal. Esta capacidad marca un avance significativo en la guerra electrónica adaptativa. Permite la interferencia autónoma en tiempo real en entornos electromagnéticos complejos e impredecibles.