论文部分内容阅读
非合作方链路层解析,是通信对抗领域的一个逆向工程问题。即在编码的同步参数以及信道编码的类型和参数未知的前提下,通过反向求解的方法,根据接收到的数据流识别出同步参数及信道编码所采用的编码算法和编码参数。在非合作的环境下,接收端准确、快速地识别出发送端的帧同步参数、信道编码的类型和参数是信息破译、解析的必要条件,因此研究非合作方链路层解析技术具有重要意义。论文研究了等长帧同步识别和同步参数提取,非等长帧同步识别与同步参数提取以及编码类型识别和编码参数提取等非合作方链路层解析技术,从而提高其在识别精度、算法通用性与耗时等方面的性能。具体研究如下:1.为提高非等长帧数据步识别和参数提取模块的性能,本文提出一种基于帧结构遍历的同步识别与参数提取算法,该算法在仅知晓帧长范围和同步字长度范围的情况下,首先通过两相邻最大帧间至少存在一个同步字的遍历原理设置搜索窗遍历并经过去重,得到候选同步字,然后通过计算同一候选同步字在截获数据中的距离进行筛选,最后进行判决得到帧长和同步字长,实现非等长帧的同步识别和参数提取。在识别精度上,经实验验证该算法识别精度优于经典的基于存储矩阵的同步识别算法,在转移概率为1e-3时,网络识别精度可达100%;在算法耗时上,由于该算法的候选同步字只在两帧范围内选取,并且在得到候选同步字后进行遍历时设置了恰当的临界条件,因此,相比于传统帧同步盲识别算法,本文提出的基于帧结构遍历的统计算法降低了识别过程的计算量;在算法通用性上,该算法因根据截获帧的帧间结构而非特定编码方式的特性进行识别,故算法通用性较强,可用于未知编码结构的非合作链路层的非等长帧同步识别和参数提取。2.为了提高等长帧数据同步识别与同步参数提取模块的性能同时保障网络识别性能的鲁棒性,论文提出一种基于深度神经网络自学习的同步识别与参数提取算法。该算法在获取一定标注训练数据的前提下,经数据预处理、构建网络、调参实现等长帧同步识别与同步参数提取。在识别精度上,经实验验证该算法的识别精度优于经典的存储矩阵识别算法,在转移概率为1e-3时,网络识别精度可达92.9%,且神经网络的泛化性能提升了网络的鲁棒性;在算法耗时上,虽然对于离线训练部分因训练数据量较大,训练时长较长,但完成训练后,测试部分可以达到近似实时测试的效果,测试集单次平均耗时达120us;在算法通用性上,因网络的训练特征是通过迭代学习方式得到,通过基于数据驱动下得到的训练特征而非特定编码方式的特性进行识别,故算法通用性较强,可用于未知编码结构的非合作链路层的等长帧同步识别和参数提取。3.为了提高编码类型识别与参数提取模块的性能,本文提出一种基于神经网络的编码类型识别和参数提取算法,该算法在获取一定标注训练数据的前提下,经数据预处理、构建网络、调参实现步骤实现编码类型识别与参数提取。构建两种网络,其中网络一实现包含link-16、GPRS、3G、Wi Fi编码标准下信道编码部分编码类型识别,网络二实现了Wi Fi制式下Ldpc编码参数识别。该算法可以更准确地实现识别类型的编码类型和Ldpc编码参数的识别,网络一在转移概率为1e-3时,网络识别精度可达89%;网络2在转移概率为1e-3时,网络识别精度可达95.72%;在耗时上因利用了神经网络的测试时准时的特性,故耗时较短,测试集单次平均耗时160us;在算法通用性上,因训练部分的特征提取由基于数据驱动的自动编码其网络生成与具体编码类型和参数无关,故算法通用性较强,可用于未知编码结构的非合作链路层的编码类型识别和参数提取。