E-AE-GAN：一种高效的内存增强型AE-GAN混合重建器，用于电磁频谱异常检测

《Expert Systems with Applications》：E-AE-GAN: Efficient Memory-augmented AE-GAN hybrid reconstructor for electromagnetic spectrum anomaly detection

电磁频谱异常检测中，传统方法存在效率和准确性不足的问题。本文提出E-AE-GAN框架，融合自编码器（AE）、生成对抗网络（GAN）和记忆模块，通过特征融合策略增强正常样本重建质量，同时放大异常样本的重建误差，实现高效无监督检测。实验表明该方法在模拟和真实数据集上均优于现有深度学习方法。

　　

向林峰|何王军晨|孔明明|周明生

西华大学计算机与软件工程学院，成都，610039，中国

摘要

随着电磁频谱利用复杂性的增加，现代无线环境变得越来越拥挤和复杂，及时可靠的异常检测对于确保频谱安全至关重要。然而，传统方法在处理各种频谱数据时在效率和准确性方面存在明显缺点。基于深度学习的图像重建方法在这一领域具有巨大潜力。然而，这种方法不仅需要强大的重建能力，还需要正常样本和异常样本的重建误差分布之间有足够的分离度。如果没有适当的分离，可能会出现误报和漏检。因此，我们设计了一个结合了记忆机制的对抗学习框架E-AE-GAN，以更好地适应目标任务。它是一个集成自编码器（AE）和生成对抗网络（GAN）的混合重建器，以增强重建能力。在AE中引入了一个记忆模块，以抑制异常输入的重建能力，从而迫使异常区域显示出明显的重建误差。此外，通过特征串联将编码器特征与记忆细化特征结合起来，使解码器能够利用互补信息，同时避免低级细节的直接泄露。我们还探索了不同的特征融合策略，以自适应地调节编码器和记忆特征的贡献。最后，通过比较原始图像和重建图像，获得重建误差，并进一步使用这些误差来推导异常分数，从而确定检测结果。在模拟频谱数据和真实频谱数据上的实验表明，与其他基于深度学习的无监督学习算法相比，我们的模型在异常检测方面表现出良好的性能和推理速度。源代码可以在https://github.com/Sanyinmai/E-AE-GAN获取。

引言

电磁频谱中的异常指的是与正常频谱使用模式不符的意外、异常或未经授权的信号行为，例如随机脉冲干扰、间歇性中断异常、非法入侵或频谱扩展异常。这些不规则现象可能威胁通信安全，干扰正常操作，甚至表明恶意活动。检测和定位电磁频谱中的异常的任务是识别异常的存在并提供有关它们的信息。传统方法依赖于根据电磁信号的传输特性手动判断是否存在异常，这既低效又不可靠。随后，创建了频谱模板和机器学习方法（如Breunig, Kriegel, Ng, & Sander (2000); Pevn? (2016); Sch?lkopf, Williamson, Smola, Shawe-Taylor, & Platt (1999)）。例如，LIU等人（Liu, Greenstein, Trappe, & Chen (2012)使用信号及其传播特征来构建模型和模板进行异常匹配。然而，这些方法在面对复杂的电磁环境时仍然效率低下且结果不令人满意。此外，基于能量的异常检测是信号处理和通信领域中一种经典且广泛使用的技术，通过评估观测信号的能量水平来识别异常。在这项工作中，我们在基于图像的分析背景下扩展和重新制定了这一概念，使其能够应用于时频功率图。

深度学习的发展为复杂电磁环境中异常的检测提供了新方法。端到端的深度建模框架使这一过程自动化，并提高了效率，能够以一致的精度和可扩展性批量处理时频功率图。当前的方法包括基于重建的、基于合成的和基于嵌入的方法。例如，基于重建的方法使用在正常数据上训练的模型，但模型有时也会重建异常部分，导致漏检（Liu, Zhou, Xu, & Wang (2023)）。基于合成的方法（Li, Sohn, Yoon, & Pfister (2021); Zavrtanik, Kristan, & Sko?aj (2021)旨在生成伪标签，以绕过对异常图像标注的需求。然而，人工合成的伪异常图像与真实异常图像相差甚远，最终降低了检测效果。基于嵌入的方法（Defard, Setkov, Loesch, & Audigier (2021); Roth et al. (2021); Rudolph, Wandt, & Rosenhahn (2021)依赖于预训练的特征提取器，当应用于专门的数据时可能会引入领域偏见。此外，基于记忆的方法（如DifferNet和PatchCore）需要存储许多特征嵌入，导致内存消耗增加，并且由于最近邻搜索可能导致推理速度变慢。

由于异常样本的稀缺，基于重建的方法成本低且效率高。这种无监督学习方法允许模型在正常图像上训练和学习特征。对于频谱扫描数据，指定频率带内的样本沿时间轴排列形成数据矩阵，然后对其进行归一化并转换为时频功率图以进行检测。经过这种转换后，复杂信号被映射到可视化的时频功率图中，从而可以根据其独特的频谱-时间模式识别和分析异常。

然而，AE的一个主要限制是它同时重建异常区域和正常区域，导致重建误差小且异常区分能力弱。为了解决这个问题，Gong等人（2019）在编码器和解码器之间引入了一个记忆模块。记忆模块存储多个记忆项，每个记忆项代表正常特征的一个原型。记忆模块处理的特征被称为记忆细化特征。在推理过程中，学习到的正常原型无法准确重建异常特征。这样会导致原始图像和重建图像之间的差异放大，从而产生较大的重建误差，这些误差可以解释为能量值。根据基于能量的异常检测原理，能量超过预定义阈值的样本被识别为异常。这提供了通过比较原始图像和重建图像来检测和定位异常的可能性。因此，值得注意的是，这种基于重建的方法也对AE的重建质量提出了严格要求。如果模型无法稳定重建正常样本，正常数据的重建误差可能会出现较大波动，导致正常样本和异常样本的误差分布有显著重叠。在这种情况下，异常分数主要反映了重建的不稳定性，而不是内在的异常性，使得使用单一全局阈值难以可靠地区分正样本和负样本。因此，较差的重建保真度会显著削弱基于阈值的异常区分效果。

为了在放大异常区域的重建误差的同时实现正常样本的高质量重建，我们将高级编码器特征与记忆细化特征结合起来，以丰富语义信息并提高重建保真度。在此基础上，我们进一步探索了一些特征融合策略来提高模型的性能。因此，我们结合了上述模块并将它们应用于电磁频谱异常的检测，取得了以下贡献：

•

我们提出了E-AE-GAN，这是一个针对复杂环境中电磁频谱异常检测的任务驱动的记忆增强对抗重建框架。该框架系统地整合了对抗学习和记忆约束重建，将异常检测重新定义为一种抑制异常特征准确恢复的受限重建过程。

•

为了克服传统AE重建异常的倾向，我们设计了一个感知重建目标，该目标同时强制像素保真度和结构一致性，从而稳定正常重建。

•

我们探索了特征融合策略，以同时增强正常重建并抑制异常恢复，从而提高异常检测的重建差异。

•

我们开发了一种轻量级的基于残差的后期处理策略，无需额外的分类器或异常标记数据即可实现统一的异常评分和定位。

相关工作

相关工作

在电磁频谱异常检测的背景下，研究主要集中在识别时频功率图中的不规则模式或偏差，这些可能表明潜在的异常。一些学者提出了自己关于解决这两个主要挑战的见解。第一个挑战是如何更有效地重建输入图像。AE（Baur, Wiestler, Albarqouni, & Navab (2019); Zhai, Cheng, Lu, & Zhang (2016), GAN (Ak?ay)

数据收集

为了生成真实数据集，我们使用了一个接收系统，该系统包括一个R$\&$EM100数字紧凑型接收器（9 kHz–7.5 GHz）、一个HE600天线和一台标准PC。如图1所示，EM100接收器通过馈线连接到HE600天线，并通过LAN接口与PC通信。PC使用标准命令程序化仪器（SCPI）控制数据采集。操作前，必须先开启接收器并正确连接。

数据集

正如SAIFE Rajendran, Meert, Lenders, & Pollin (2018)所指出的，合成数据集有利于在受控环境中评估模型性能。因为合成数据集可以将特定异常因素与干扰分离出来，而这在真实世界频谱数据中难以实现，所以我们首先构建了一个视觉生成的合成数据集来验证所提出方法的机制可行性和有效性。随后，我们构建了一个多频段

结论

在本文中，我们提出了一种基于重建的记忆增强混合重建器，用于电磁频谱异常检测。所提出的框架主要基于自编码器和记忆模块，其中利用记忆机制来约束正常模式的重建。我们进一步研究了提高重建质量的策略。通过测量输入图像和重建图像之间的差异来识别和定位异常。

作者声明

作者声明：我们声明本手稿是原创的，之前未发表过，目前也没有其他地方正在考虑发表。我们确认所有列出的作者都已阅读并批准了该手稿，并且没有其他符合作者资格但未列出的人。我们还确认手稿中列出的作者顺序得到了所有人的批准。我们理解通讯作者是唯一的联系人

CRediT作者贡献声明

向林峰：概念化、数据整理、形式分析、方法论、可视化、撰写——初稿、调查、方法论、撰写——审阅与编辑。何王军晨：概念化、方法论。孔明明：概念化、方法论、资金获取、监督、撰写——初稿、撰写——审阅与编辑。周明生：概念化、形式分析、方法论。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。