具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1-2所示，本实施例提供一种无线电信号攻防领域的知识图谱构建及查询推荐系统，包括：本体图设计模块、数据收集模块、知识图谱构建模块以及查询及推荐模块。

所述本体图设计模块用于构建无线电信号攻防领域知识图谱；所述数据收集模块根据本体图设计模块中完成的知识图谱本体图，根据不同的分类信号、无线电模型、攻击算法和检测算法进行实验得到数据；所述知识图谱构建模块用于储存所述数据收集模块中收集的数据；所述查询及推荐模块用于查询所述知识图谱构建模块中所储存的数据，以及推荐相应的攻防策略或算法。

所述无线电信号攻防领域知识图谱包括模型节点、信号节点、攻击事件节点和属性节点；所述模型节点在所述知识图谱中用圆形表示，所述信号节点在所述知识图谱中用方形表示，所述攻击事件节点在所述知识图谱中用椭圆形表示，所述属性节点在所述知识图谱中用六边形表示；所述模型节点包括相似模型和防御模型，所述信号节点包括攻击事件节点的目标信号数据所组成的信号集合、正常信号、相似信号、对抗信号和净化信号，所述属性节点包括模型属性、攻击事件属性、正常信号属性、对抗信号属性和净化信号属性；所述模型节点分别与所述信号节点、所述攻击事件节点相连，所述信号节点、所述攻击事件节点均与所述属性节点相连。

所述模型属性包括但不限于：模型的训练时间、模型对不同数据集的调制类型识别精度、模型结构；所述攻击事件属性包括但不限于：攻击参数、攻击耗时、平均耗时、攻击成功率、平均扰动量(l0,l1)、平均幅值变化率、平均相位信号差、平均扰动信号比；所述信号属性包括但不限于：无线电信号的平均幅值、平均相位、信噪比、调制类型、大相位、最大幅值、最小相位、每一维幅值以及无线电信号在各分类模型下的输出概率；所述对抗信号属性包括但不限于：攻击耗时、扰动量(l0,l1)、幅值变化率、相位信号差、扰动信号比；所述净化信号属性包括但不限于：净化耗时、净化后的信号变化量。

所述无线电信号攻防领域知识图谱中的算法关系包括攻击算法(具体的攻击算法)、防御算法(具体的防御算法)、检测算法(具体的检测算法)、净化算法(具体的无线电信号防御算法)、识别类型(模型对信号进行调制类型识别得出的具体调制类型)、各属性节点对应关系、信号之间的相似关系以及模型之间的相似关系。

所述模型相似关系包括模型结构相似度和模型数据相似度。

对于大多数深度学习模型来说，很难定义其相似性，本发明提出一种启发式的相似性评估方法，同时根据模型的结构以及对数据的预测情况来确定模型之间的相似性，由于大多数攻击算法原理都是根据模型的loss的梯度进行攻击，而具有相似模型结构的模型在loss的反向传导过程中将存在近似的梯度，因此所述模型结构相似度为：对于两个模型M₁，M₂，其结构相似性B(M₁，M₂)为模型M₁和M₂的相同结构数的倒数，相同结构为相同类型的层以及相邻的子结构；即，如果M₁，M₂都存在相邻的卷积层和全连接层，那么存在3个相同的结构数，因为其同时拥有卷积层、全连接层以及相邻的卷积层和全连接层。

所述模型数据相似度为：

其中，N为知识图谱中的信号数量，f_M(S)代表模型M对于输入信号S的最后一层的输出概率向量，cos()代表两向量之间的余弦相似度；所述模型数据相似度衡量了两个分类模型在同一批信号数据的输入下的预测相似程度。

所述模型相似性为：

λ₁B(S₁,S₂)+λ₂D(S₁,S₂) (2)

其中，λ₁、λ₂分别为模型结构相似度以及模型数据相似度的权重；设置阈值，若两模型之间的结构相似性大于阈值则两模型之间存在相似关系。

所述信号相似关系包括信号结构相似度(信号幅值结构的相似性)和信号模型相似度。

对于两个k路的m维信号S₁，S₂，所述信号结构相似度A(M1，M2)为：

其中，S(k,i)代表信号第k路的i处的幅值，该值越小代表两个信号幅值结构之间越相近。

所述信号模型相似度M(S₁，S₂)为：

其中，其中m代表模型的个数，f_j(S)代表模型j在输入信号S时的最后一层输出的概率向量，cos()代表两向量之间的余弦距离；所述信号模型相似度能够衡量两个信号在面对同一模型时的预测概率相似程度，该值越小，说明两个信号在同一模型下的预测结果越接近。

所述信号相似性为：

λ₃A(S₁,S₂)+λ₄M(S₁,S₂) (5)

其中，λ₃、λ₄分别为信号结构相似度以及信号模型相似度的权重；设置阈值，若两信号之间的相似度小于阈值则两信号之间存在相似关系。

所述知识图谱构建模块采用neo4j图数据库对所有无线电信号攻防领域知识图谱数据进行存储，结合MySql数据库储存分类模型和无线电信号的详细信息方便快速查询，最终进行知识图谱查询时，先根据MySql快速检索到图谱中的分类模型或者信号，再根据neo4j中存储的图谱数据查询并获得周边连接实体以及关系的信息。

所述查询及推荐模块根据希望查询的信号或者模型，先从所述MySql数据库中查询到所述信号节点或者所述模型节点的信息，再根据所述信息定位到所述Neo4j图数据库中的所述信号节点或者所述模型节点实体，以此获取所述实体连接的算法关系以及节点，使用D3.js技术在前端页面实时渲染，并给予相应的攻防策略推荐。

所述攻防策略推荐包括模型的攻防策略推荐和无线电信号的攻防策略推荐。

所述模型的攻防策略推荐包括：

S1.给定模型、目标无线电信号数据集和目标攻击属性(希望达到的攻击效果，比如倾向于高攻击成功率或者低攻击耗时以及低扰动量等)；根据模型的属性在知识图谱中检索与其属性最为相似的模型实体。该步骤通过图数据查询语句Cypher语言实现。

S2.在知识图谱中检索并获取相似模型。

S3.获取所述给定模型和所述相似模型连接的所有攻击事件节点设为攻击事件节点集T，获取所有防御模型节点设为防御模型节点集D；将节点集中各攻击节点根据其目标属性进行排序，如目标属性为高攻击成功率，则根据攻击成功率进行降序排序，反之同理，将防御模型节点集中的各防御模型节点根据其目标属性进行排序，如目标属性为高攻击成功率则根据攻击成功率进行升序排序，反之同理。

S4.选取排序后前n个所述攻击事件节点的攻击方法和信息作为攻击策略推荐，选取排序后前n个所述防御模型所对应的防御方法和信息作为防御策略推荐。

所述无线电信号的攻防策略推荐包括：

T1.给定无线电信号、分类模型和目标属性；根据给定无线电信号计算无线电信号的属性，根据无线电信号的属性在知识图谱中检索与其属性最为相似的无线电信号实体。该步骤通过图数据查询语句Cypher语言实现。

T2.在知识图谱中检索并获取相似无线电信号。

T3.获取所述给定无线电信号和所述相似无线电信号连接的所有对抗信号节点设为对抗信号节点集合P，将根据对抗信号节点的目标属性效果进行对应的排序(效果越好越靠前)。如目标属性为低扰动量，则根据对抗信号节点的扰动量属性进行降序排序，反之同理。

T4.选取排序后前n个对抗样本所对应的攻击算法作为所述无线电信号的攻击策略推荐。

T5.获取所述无线电信号连接的所有对抗信号样本连接的净化样本。

T6.根据最佳的攻击算法获得对应的对抗信号节点记为最佳对抗信号集合B，获得B集合中所有对抗信号接单连接的净化信号节点记为净化信号节点集合C，将净化节点集合C中的所有净化节点根据目标属性的效果以及是否防御成功(净化节点的识别类型是否等于正常信号的类型)进行对应的排序(比如目标属性为低净化耗时，则根据净化耗时且防御成功降序排序)。

T7.选取前n个净化样本的净化方法和信息作为无线电信号的净化算法推荐。

上述目标属性(或目标攻击属性)可以进行组合以获得定制化的攻击效果或者防御(净化)效果。

本发明所述系统将无线电信号调制类型识别领域的攻击防御检测等算法关联起来形成知识图谱，便于知识存储以及查询，形成的知识图谱包括模型、无线电信号、算法以及其衍生的一些模型以及信号，有益于挖掘无线电信号调制类型识别领域的关联，通过计算模型间的相似性以及信号间的相似性，有利于进行基于知识图谱的攻防策略推荐，通过攻防策略推荐，在对未知的无线电信号或者分类模型给出推荐的攻击防御策略，有益于提高无线电信号调制类型分类领域的人工智能安全性。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。