.png){kind=icon}
返回
Adversarial Attacks Against Deep Reinforcement Learning-Based Jamming Decision-Making
.png){kind=icon}
PRE
AI
DOI：10.1109/taes.2026.3700141.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度强化学习（DRL）显著提升了干扰决策的智能化水平，这得益于其通过与环境交互自主发现最优策略的能力。这一进展催生了对抗智能干扰器的创新抗干扰技术的迫切需求。为此，本研究提出了一种对抗智能干扰决策的黑盒框架，其中采用对抗攻击来削弱基于DRL的干扰策略的有效性。其核心思想是通过调整雷达脉冲参数来操纵对手的观测，从而误导其决策过程。具体而言，我们首先引入参数引导的行为克隆（PBC）来应对对受害者智能体先验知识的缺乏。PBC通过演示数据训练一个替代智能体，并将其参数与受害者智能体的参数对齐以逼近目标策略，从而提供更新对抗扰动的所需梯度信息。在此基础上，我们开发了边界约束的自适应失真攻击（BADA），该攻击结合了基于自适应矩的更新机制，以稳定搜索最优扰动。引入了一种自适应步长方案，在早期阶段采用较大的更新以加速收敛，后期采用较小的更新以减少振荡并稳定搜索最优值。为确保物理可行性，BADA严格通过在每次迭代中将参数裁剪到其指定范围来执行雷达脉冲约束。大量实验表明，所提出的对抗脉冲参数有效破坏了基于DRL的干扰器，从而提高了有干扰条件下的雷达检测性能。这些结果验证了所提出的抗智能干扰框架的可行性和有效性。
Keyword:
Adversarial attacks
antijamming
deep reinforcement learning (DRL)
jamming decision-making
multifunction radar (MFR)
期刊
IF:
5.7
论文数:
696
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏
SAR-PeGA: A Generation Method of Adversarial Examples for SAR Image Target Recognition NetworkSAR-PeGA：一种用于合成孔径雷达（SAR）图像目标识别网络的对抗样本生成方法
PREAI
分享收藏
查看更多内容