摘要:

摘要:

摘要:

摘要:

摘要:信息技术的快速发展为电子战装备技术的进步提供了巨大动力,尤其是随着人工智能等技术的广泛应用,颠覆性的电子战装备技术不断涌现,将加速现代战争模式的演变。以具有代表性的军事强国为例,综述了电子战装备技术的发展战略、主要技术特点和典型前沿技术,在此基础上,对电子战装备技术的发展趋势进行了展望。

摘要:随着深度学习理论的迅速发展,基于深度神经网络的各项技术得到了广泛的应用,并且在众多应用领域取得了出乎意料的实践效果。然而,近年来大量研究发现,深度神经网络普遍存在天然缺陷,容易受到对抗样本的威胁,严重影响模型使用的安全性,因此对该领域的研究已经成为深度学习相关领域的热门研究方向。研究对抗样本有利于暴露模型存在的问题进而加以防范,对其应用的挖掘有利于为隐私保护等研究提供新思路。为此首先介绍了对抗样本研究领域中的重要概念和术语,然后按照时间从产生机理的角度梳理该领域研究中的基础算法及后续衍生的进阶算法,接着展示了近年来对抗样本所涉及的具体领域及其应用,最后对该领域进一步的研究方向和应用场景进行了展望。

摘要:随着新一代网络信息技术的不断创新突破,软件从单机场景逐步扩展到移动终端、物联网设备、工业控制设备、云计算平台等新兴领域,推动了信息化基础设施建设的发展。然而,应用软件质量良莠不齐,给黑客组织提供了可乘之机。事件型漏洞和高危零日漏洞数量上升,如何高效准确地挖掘软件漏洞亟待解决。为实现漏洞的快速检测,模糊测试技术备受关注,它具有部署简单、自动化程度高、兼容性好等特点,能通过提供大量的输入样例实现对目标程序的脆弱性分析。现有的模糊测试通常在单处理器环境中执行,存在单个检测任务耗时长、计算资源利用率低、可持续能力差等缺陷。因此,并行化模糊测试一经提出便备受青睐。针对并行架构下的任务划分、数据存储、通信交互等问题,学术界和工业界对其展开了深入分析,并设计了一系列的实现方法。为此,系统地总结了当前模糊测试面临的挑战,概述了当前阶段模糊测试的并行化需求,着重比较分析了现存并行化模糊测试方案的优势和不足,并对高性能计算场景下并行化模糊测试的未来趋势进行了展望。

摘要:面对未来战争陆、海、空、天、网、电“多域融合”的作战模式,新一代武器装备将强调拥有更高的隐身能力以增强其突防能力和生存能力,对隐身材料与结构提出了迫切的应用需求,亟需探索隐身新机理、开发高性能隐身材料与结构。人工表面等离激元(spoof surface plasmon polaritons,SSPP)是电子振荡与电磁振荡强烈耦合产生的一种混合模式,具有波长短、色散强等特点,在隐身、电子对抗等领域具有极为重要的军事应用价值。近年来,SSPP理论与耦合结构设计方法等快速发展,推动了SSPP在隐身技术中的应用研究。着眼于SSPP最新研究进展,结合SSPP色散特性,着重介绍了SSPP在波形畸变、吸波结构、隐身天线罩和隐身天线中的应用,最后对SSPP在隐身技术中的应用及发展趋势进行了展望。

摘要:现有射频指纹识别研究主要集中于射频指纹产生及提取的通信机理,忽略了实际应用中信号采集数据的清洗筛分、识别算法模型的效率等工程性问题。为此,分析了卫星通信号的载波信息提取的原理与方法,并针对现有射频指纹方法的不足,围绕卫星信号识别领域,利用海量采集的射频指纹数据,深入研究基于自组织神经网络的射频指纹识别算法,提出了对应的算法模型,并与现有常见的无监督算法进行了比较。结果表明,所提方法可以取得更优的算法聚类效果和时间开销,可作为设计实现卫星频谱管理系统的基础。

摘要:综合射频系统集雷达探测、数据通信和电子干扰等多种功能为一体,显著提升武器平台在复杂战场环境下的生存能力和作战效能,是武器装备的重点发展方向。针对现有综合射频技术难以高效同时实现多功能等不足,提出构建基于多输入多输出(multi-input-multi-output, MIMO)阵列的综合射频系统。研究结果表明,通过充分利用MIMO阵列的空间自由度和波形自由度,基于MIMO阵列的综合射频系统能够同时实现多功能。将系统探测通信性能、反侦察抗干扰能力、兼容性等方面与传统综合射频技术进行对比,表明基于MIMO阵列的综合射频系统具有独特优势。对基于MIMO阵列的综合射频系统关键技术进行了梳理分析和展望。

摘要:针对恶意干扰场景下无人机群动态频谱分配问题,构建了基于斯坦伯格博弈的动态频谱分配模型,干扰机为斯坦伯格博弈的领导者,无人机群为斯坦伯格博弈的跟随者,设计了不同博弈参与者的效益函数,并证明了该博弈存在稳定的斯坦伯格均衡解。在此基础上设计了一种分层动态频谱分配算法,针对领导者采用Q学习选择干扰信道的场景下,跟随者采用随机学习自动机来确定信道分配策略。仿真结果表明,所提算法能够得到无人机用户的最优信道分配策略,有效提升无人机用户的总吞吐量性能,实现效益最大化。

摘要:后门攻击是针对深度神经网络模型的一种隐蔽安全威胁,在智能信息系统安全性测试等方面具有重要的研究价值。现有的字符级后门攻击存在两方面的问题:当被毒化的训练样本的源标签与目标标签一致时,后门攻击的效果不佳;插入的触发器与上下文相关性不强,会破坏原始输入的语义和流畅性。为了解决上述问题,提出了一种基于篡改训练数据的词级文本后门攻击方法。通过对抗扰动技术或隐藏重要词技术篡改少部分训练数据,使目标模型更容易学习到后门特征;在触发器的生成和添加部分,利用义原库向被攻击句子中添加相关性强的触发器。在标签一致的条件下,通过在2个基准模型上的大量实验,证明了所提出的攻击可以达到90%以上的成功率,并能生成更高质量的后门示例,其性能明显优于基线方法。

摘要:针对两个高斯随机变量相乘经常出现在雷达和通信系统信号处理中的情况,研究了两个独立的具有任意均值和方差的复高斯随机变量乘积的相位分布。将该相位的概率密度函数表达为一个包含Kummer函数的无穷级数,分析了该概率密度函数的收敛性及收敛速度。利用所得结果分析信道状态信息不完美情况下单天线多进制相移键控通信系统的性能,推导了该系统的符号错误率,并通过数值实验对所得结果进行了验证。