基于SAEEARN的大规模MIMO智能频谱共享与导频污染攻击检测联合方法

本文针对5G通信中频谱资源稀缺与导频污染攻击(PCA)并存的核心挑战，提出了一种名为JISSPAD的联合智能频谱感知共享与导频攻击检测算法。研究人员创新性地将堆叠自编码器(SAE)与可解释注意力残差网络(SAEEARN)相结合，实现了在复杂信道环境下对合法用户信号的高精度重构与攻击识别。结果表明，JISSPAD-SAEEARN在准确率（约99%）、延迟和误差方面均优于现有深度学习方法，为大规模MIMO-NOMA系统的安全高效运行提供了强有力的技术支撑。

在5G技术迅猛发展与全球数据流量激增的当下，无线通信领域正面临着一个严峻的挑战：如何让日益增多的移动设备和物联网(IoT)终端在有限的频谱资源中“和谐共处”？传统的静态频谱分配方式就像固定的车道，即使某些车道空闲，其他车辆也无法使用，导致了频谱资源的严重浪费。动态频谱共享(DSS)技术应运而生，它允许多个用户非排他性地共享同一段频谱，仿佛将道路变成了可根据车流动态调整的“潮汐车道”，极大地提升了频谱利用效率。然而，这种动态开放的接入模式也带来了新的安全漏洞，其中最具威胁性的之一便是导频污染攻击(PCA)。在大规模多输入多输出(Massive MIMO)和非正交多址接入(NOMA)系统中，攻击者通过模仿合法用户的导频信号，可以误导基站进行错误的信道估计，从而导致通信质量严重下降，甚至信息泄露。

尽管深度学习模型如深度神经网络(DNN)、堆叠自编码器(SAE)和残差网络(RN)在频谱资源分配和异常检测方面展现出潜力，但它们往往存在可解释性差、在对抗性条件下表现脆弱以及在动态信道环境中性能下降等问题。这些模型通常难以突出显示哪些特征对决策贡献最大，限制了其在安全关键场景中的应用。

为了解决上述问题，发表在《IEEE Access》上的这项研究提出了一种名为JISSPAD（联合智能频谱感知共享与导频攻击检测）的创新框架。该研究的核心是SAEEARN（堆叠自编码器与可解释注意力残差网络串联）架构，这是一个将SAE的特征提取能力与基于注意力的残差网络的鲁棒性和可解释性相结合的混合模型。该模型不仅能高效地共享频谱，还能精准地检测出导频污染攻击，实现了安全与效率的统一。

研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，构建了一个基于NOMA的大规模MIMO系统模型，模拟上行链路通信场景，其中用户发送叠加的导频信号。其次，设计了一种利用随机循环移位和伯努利变换生成测量矩阵（即扩频码）的方法，用于区分合法用户信号。第三，开发了JISSPAD-SAEEARN深度学习算法，其核心是堆叠自编码器进行特征压缩与重构，并集成了可解释注意力层(EAL)和残差连接。EAL通过整合沙普利加法解释(SHAP)来量化特征重要性，从而增强模型决策的透明度。最后，在模拟环境中，通过改变信噪比(SNR)、攻击强度和攻击规模等参数，对模型的性能进行了全面的评估。

系统模型与攻击场景

研究建立了一个上行链路NOMA网络模型，多个单天线用户向配备多天线的基站(BS)发送叠加的导频信号。基站通过信道估计过程来识别每个用户的信息。攻击模型假设存在恶意攻击者，他们通过发送与合法用户相似的导频信号来污染信道，使得接收信号中包含干扰成分，增加了信号分离和识别的难度。

JISSPAD-SAEEARN算法架构

JISSPAD算法的运作分为离线训练和在线检测两个阶段。离线阶段，模型使用包含合法和恶意导频的标记数据进行训练，学习区分清洁和污染信号。在线阶段，训练好的模型对实时接收的未标记导频信号进行处理，执行信号重构并判断是否存在攻击。

SAEEARN是算法的核心。其编码器通过卷积和池化层将高维输入数据压缩为低维特征表示。关键创新在于引入了可解释注意力层(EAL)，该层不仅计算潜在特征的注意力权重，还集成SHAP值来评估每个输入特征对潜在表示的贡献，从而生成一个经过SHAP增强的潜在向量供解码器使用。解码器则通过反卷积和上采样操作，利用这个增强后的向量以及自身的注意力机制来重构信号。编码器和解码器之间通过残差网络进行跳跃连接，有助于缓解梯度消失问题。模型的损失函数结合了均方误差(MSE)重建损失和潜在注意力特征的稀疏正则化项，以确保重构精度和模型效率。

结果与分析

研究对JISSPAD框架下的四种深度学习模型（DNN, SAE, RN, SAEEARN）进行了性能比较。

结果显示，JISSPAD-SAEEARN在检测准确率方面表现最佳，在不同传感器节点数量下均能保持约90%以上的高准确率，显著优于其他模型。同时，其端到端延迟也是最低的，在500个节点的高负载情况下，比RN模型减少了约0.5-0.7秒，展现了其在实时处理方面的优势。

在不同信噪比(SNR)下的性能：

随着SNR的增加，模型的MSE和RMSE逐渐降低，表明在信道条件较好时，信号重构更精确。然而，延迟却随着SNR的增加而略有上升，这可能是由于高信噪比下更多节点接入导致资源竞争加剧所致。

在不同攻击强度下的性能：

当攻击强度（即恶意信号功率）增大时，检测延迟和重构误差（MSE, RMSE）均随之增加，说明更强的攻击会给系统带来更大挑战，但JISSPAD-SAEEARN仍能有效应对。

在不同攻击规模下的性能：

有趣的是，当攻击导频的比特数（攻击规模）增大时，MSE和RMSE反而下降。这表明JISSPAD-SAEEARN对于更大规模的攻击模式具有更强的识别和重构能力。

在不同压缩比下的性能：

随着压缩比(CR)的提高（即数据压缩程度更大），处理延迟和重构误差都会增加，这体现了数据压缩与处理精度之间的权衡关系。

在不同信道模型下的性能：

模型在加性高斯白噪声(AWGN)、瑞利(Rayleigh)衰落以及多普勒(Doppler)频移等多种信道条件下均表现出稳定的性能，其重构误差随信道恶化而 gracefully（平缓）上升，证明了其良好的鲁棒性。

可解释性分析：

通过SHAP值分析，可以直观地看到模型决策所依据的关键特征。研究表明，高SHAP值区域与 intentionally（故意）注入攻击的位置高度一致，这不仅证明了攻击被检测到，还实现了攻击源的定位，极大地增强了模型的可信度和实用性。

与现有技术的比较：与极限学习机(ELM)、支持向量机(SVM)、对抗性深度学习等现有技术相比，JISSPAD-SAEEARN在支持频谱共享、攻击检测和MIMO-NOMA兼容性的前提下，仍能保持最高的学习准确率（99%），同时具有较低的计算复杂度（0.0023 GFLOPS）和执行时间（约80ms），展现了其综合优势。

结论与意义

本研究成功开发并验证了JISSPAD-SAEEARN这一联合解决方案。该方案的核心价值在于，它首次将智能频谱共享与高级别的安全威胁（导频污染攻击）检测在一个统一的深度学习框架内实现。SAEEARN架构通过结合堆叠自编码器的强大特征学习能力和可解释注意力残差网络的鲁棒性，不仅显著提升了信号重构的准确性，还赋予了模型前所未有的决策透明度。研究表明，该模型在多种复杂的、动态变化的信道环境和攻击场景下均能保持优异性能，其精度、延迟和鲁棒性均优于现有方法。

这项研究为未来5G-Advanced及6G网络中实现安全、高效、智能的动态频谱接入提供了重要的理论依据和技术途径。其采用的可解释AI技术增强了深度学习模型在安全关键通信系统中的可信度，为应对日益复杂的无线网络安全挑战开辟了新的方向。未来，该框架有望进一步拓展至物联网、车联网等更广泛的通信场景中，为构建下一代智能、安全的无线通信基础设施奠定坚实基础。