基于改进Transformer模型的Ad Hoc网络MAC协议识别技术

作     者：何文雯 李盛祥 王莉 李浩 李盈达 马鹏飞 

作者机构：中国人民解放军63892部队 

出 版 物：《电讯技术》 (Telecommunication Engineering)

年 卷 期：2024年

学科分类：11[军事学] 12[管理学] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 110503[军事学-军事通信学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 1104[军事学-战术学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 082601[工学-武器系统与运用工程] 081105[工学-导航、制导与控制] 0826[工学-兵器科学与技术] 0835[工学-软件工程] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：MAC协议识别 Transformer 深度学习 Exata 

摘      要：媒体访问控制（Media Access Control，MAC）层协议识别是通信对抗和通信干扰的关键。现有的MAC协议识别模型存在特征数据选取不完善和只关注局部特征的问题。针对以上问题，首先，基于Transformer模型，提出了Conv-Transformer模型，该模型将卷积操作引入到模型中，对卷积后特征图中的特征值进行分割拼接，并添加类别信息编码。其次，基于Exata平台搭建不同拓扑结构的Ad Hoc网络仿真场景，收集所有物理层的数据对Conv-Transformer模型进行训练和测试。测试结果表明，在Ad Hoc网络中对四种MAC协议ALOHA、CSMA/CA、MACA和TDMA的识别任务上，提出的模型与经典深度学习模型递归神经网络（Recurrent Neural Networks，RNN）、卷积神经网络（Convolutional Neural Networks，CNN）和Transformer相比，比RNN模型的准确率提高了20.8%，比CNN模型的准确率提高了14.6%，比Transformer模型的准确率提高了68.8%。