《IEEE Access》：Blind Multi-Layer Encoding Classification From Demodulated Bitstreams in Tactical RF Links
编辑推荐：
本研究旨在解决在非协同监控MIL-STD-188-220战术链路时，如何盲分类级联的数据链路层(L2)与物理层(L1)编码栈，以选择正确解码与解扰链的关键问题。研究人员对基于MIL-STD-188-220的L2/L1配置空间进行了探索，利用解调硬比特流的定长窗口，研究了盲多层编码分类方法。通过构建覆盖三种L2模式与32种L1编码配置的软件网络仿真数据集，并在统一的时序卷积网络(TCN)框架下评估了仅比特、仅字节及门控比特+字节融合三种表征的性能。研究结果表明，最优表征与层级相关：仅比特TCN在L1分类中达到了99.71%的准确率，而门控融合表征在L2分类中达到了99.03%的准确率。在信道误码与残余失准下的鲁棒性测试显示性能呈优雅退化，同时保持了不同表征间的相对优劣排序。该研究为战术通信的智能信号处理与协议逆向工程提供了有效解决方案。
在现代战场和战术通信场景中，准确识别和解读敌方或非合作方的无线电信号，如同在嘈杂的派对上分辨出特定的对话，是一项至关重要且极具挑战性的任务。战术数据链，例如广泛使用的MIL-STD-188-220标准，构成了军事单位间信息交换的骨干。然而，在非合作监控环境下，接收方对信号的编码方式一无所知——数据在传输前究竟经过了链路层的哪种帧组织？物理层又采用了何种前向纠错与扰码？这就像拿到一封用未知密码书写并封装在陌生信封里的信件，不知道密码本和拆信规则，便无法阅读其内容。传统的解码流程严重依赖于对编码栈的先验知识，盲分类这一“破译信封与密码”的关键前置步骤若失效，后续所有解码、解扰与信息提取都将无从谈起。因此，如何仅从接收到的、已经过解调但尚未解码的原始比特流中，自动且准确地识别出多层（特别是数据链路层和物理层）编码配置，成为了战术射频链路监控领域一个亟待解决的核心难题。
为了攻克这一难题，研究人员开展了一项针对MIL-STD-188-220战术链路盲多层编码分类的深入研究。他们的核心思路是，将解调后得到的硬判决比特流作为分析的起点，绕过复杂的信号调制识别，直接利用比特序列中蕴含的模式特征。研究在一个统一的时序卷积网络(Temporal Convolutional Network, TCN)框架下进行。为了系统地评估不同信息表征的有效性，他们比较了三种不同的输入表征方式：第一种是仅关注单个比特的“比特级”表征；第二种是关注8比特一组、蕴含字节结构信息的“字节级”表征；第三种则创新性地采用了门控融合机制，将比特和字节两种层次的特征动态结合起来。为了训练和测试这些模型，研究团队构建了一个大规模的、带标签的仿真数据集。这个数据集利用软件网络模拟器生成，覆盖了三种不同的数据链路层(L2)工作模式（如非中继、中继等），以及高达32种不同的物理层(L1)编码配置组合，确保了研究场景的丰富性和代表性。
本研究主要采用了基于软件网络模拟器的仿真数据集构建、统一的时序卷积网络(TCN)模型框架设计、以及针对解调硬比特流的多种层次（比特、字节及融合）特征表征与分类验证等关键技术方法。
研究结果
1. L1与L2分类的准确率与最优表征
研究发现，对于不同层的编码分类任务，最优的输入表征并不相同。在物理层(L1)编码配置分类任务中，仅使用比特级表征的TCN模型取得了最佳性能，其分类准确率达到了99.71%。这表明，物理层的编码特性（如前向纠错FEC、扰码等）更直接地体现在比特间的局部依赖关系和统计规律上。而在数据链路层(L2)模式分类任务中，采用门控机制融合了比特和字节信息的表征方式表现最好，其分类准确率为99.03%。这说明L2的帧结构、定界符等协议信息与字节（8比特组）的边界和内容有更强的关联，融合字节信息能有效提升分类性能。仅使用字节级表征单独用于L2分类的效果次于融合方法，但用于L1分类则效果显著下降。
2. 在信道损伤条件下的鲁棒性
为了评估模型的实用性，研究测试了其在真实信道损伤下的鲁棒性。当存在信道引入的比特误码时，所有模型的分类准确率都呈现“优雅退化”，即随着误码率(BER)的升高，准确率逐渐平缓下降，而非突然崩溃。即使在误码率达到10-2时，最佳模型仍能保持显著的分类能力。更重要的是，不同表征方法之间的性能优劣排序在不同误码率下保持一致，这证明了模型评估结论的可靠性。此外，针对比特流可能存在残余符号定时偏差的情况，研究通过向输入数据引入微小的时间偏移来模拟。结果表明，模型对此类失准表现出较强的容忍度，准确率衰减缓慢，进一步验证了所提方法在实际非理想接收条件下的适用性。
3. 计算复杂度与推断时间分析
除了准确性，研究还比较了不同模型的计算效率。结果显示，比特级TCN模型因其相对简单的结构，具有最低的乘加运算(MAdd)次数和最短的单个样本推断时间。而融合模型由于结构更复杂，计算开销相对较大。这为不同资源约束（如计算能力、实时性要求）下的应用场景提供了选择依据：在对L1分类精度要求极高或计算资源受限时，比特级模型是高效的选择；当需要最佳L2分类性能且资源允许时，则可选用融合模型。
本研究通过系统的实验表明，从解调比特流出发，利用深度学习（特别是TCN）进行战术链路的盲多层编码分类是可行且高效的。核心结论是：分类任务的最优特征表征具有“层依赖性”——物理层(L1)分类更依赖于比特级的细微模式，而数据链路层(L2)分类则受益于融合字节级结构信息。所提出的方法在高达99%以上的准确率下，能有效区分MIL-STD-188-220标准下的多种L2模式和L1编码配置。即使在存在信道误码和定时失准的恶劣条件下，模型性能也能优雅退化，保持了实用鲁棒性。这项工作的重要意义在于，它为非合作通信监控和协议逆向工程提供了一种端到端的、数据驱动的解决方案。该方法减少了对先验协议知识的依赖，能够自适应地识别编码栈，从而为后续正确的解码链选择奠定基础，显著提升了战术电磁环境感知与信息获取的智能化水平。论文发表在《IEEE Access》期刊上，为无线通信安全与智能信号处理领域贡献了重要的技术思路和实验基准。
