MA-GAN : comment l'apprentissage auto-supervisé transforme la guerre électronique sans connaissance préalable du signal

Le spectre électromagnétique est devenu un domaine encombré et contesté. Les contre-mesures électroniques ont dépassé la simple génération de bruit. Elles exigent désormais une intelligence sophistiquée pour perturber efficacement les signaux. Un nouveau cadre nommé MA-GAN propose une solution convaincante à ce défi. Il génère des formes d'onde de brouillage de haute fidélité sans nécessiter de connaissances préalables sur les signaux cibles. Cette approche comble les lacunes critiques des méthodes traditionnelles. Elle s'avère particulièrement utile dans les environnements non coopératifs où les types de modulation et les débits symboles sont inconnus ou varient rapidement.

Les techniques de brouillage classiques reposent souvent sur des informations détaillées concernant la liaison de communication cible. Le brouillage suppressif consomme beaucoup d'énergie en inondant le canal de bruit. Le brouillage trompeur exige une similarité structurelle avec les signaux cibles. Atteindre cette similarité est difficile sans une connaissance précise des paramètres. Les récentes approches basées sur l'apprentissage profond tentent d'automatiser la génération de formes d'onde. Les réseaux antagonistes génératifs conditionnels montrent des résultats prometteurs mais souffrent d'une mauvaise généralisation. Ces modèles peinent face à l'effondrement de mode lorsqu'ils traitent plusieurs types de modulation. Ils échouent également à s'adapter aux signaux invisibles ou aux débits symboles variables. Cela limite leur utilité pratique dans les scénarios dynamiques à spectre ouvert.

MA-GAN surmonte ces obstacles en abandonnant le conditionnement dépendant des étiquettes. Il utilise une stratégie d'apprentissage auto-supervisé masqué, inspirée des Autoencodeurs Masqués et de SimMIM issus de la vision par ordinateur. Le cœur du système repose sur un encodeur MWM qui traite des séries temporelles I/Q unidimensionnelles. En masquant aléatoirement des segments du signal d'entrée, l'encodeur apprend à reconstruire les parties manquantes grâce à des mécanismes d'attention à fenêtre locale. Ce processus permet au modèle d'apprendre des représentations de caractéristiques hiérarchiques robustes. Ces caractéristiques capturent à la fois des statistiques globales à grande échelle comme les enveloppes spectrales et des détails locaux fins tels que les structures instantanées de constellation.

Pendant la phase d'entraînement adversarial, MA-GAN exploite la fusion de caractéristiques multi-échelle pour guider le générateur. L'encodeur pré-entraîné extrait des caractéristiques à quatre échelles différentes à partir du signal cible. Ces caractéristiques sont ensuite fusionnées et injectées dans le générateur aux côtés d'un bruit aléatoire. Cela garantit que la forme d'onde de brouillage générée correspond au signal cible sous plusieurs dimensions. Un discriminateur à têtes multiples évalue l'authenticité du signal généré à chaque échelle. Cela fournit un retour granulaire pour améliorer la qualité. Le cadre intègre également des contraintes explicites pour la cohérence spectrale et la continuité de phase. Ces contraintes empêchent les discontinuités de phase artificielles qui pourraient révéler le signal comme étant synthétique aux récepteurs avancés.

Les résultats expérimentaux montrent que MA-GAN surpasse significativement les méthodes existantes. Il affiche des performances supérieures à celles de WGAN-GP, DC-GAN et TFC-GAN. Des métriques telles que la corrélation de la densité spectrale de puissance et la similarité de la fonction d'autocorrélation mettent en évidence son efficacité. MA-GAN fait preuve de capacités de généralisation solides. Il maintient un brouillage efficace contre les types de modulation connus et ceux jamais vus auparavant. Cela reste vrai dans diverses conditions de canal incluant le bruit blanc gaussien additif, l'affaiblissement de Rayleigh et l'affaiblissement de Rician. À des rapports brouillage-signal élevés, son impact sur le taux d'erreur binaire se rapproche de celui d'un brouilleur idéal imitant le signal. Cette capacité marque une avancée majeure dans la guerre électronique adaptative. Elle permet un brouillage autonome en temps réel dans des environnements électromagnétiques complexes et imprévisibles.