مدل سازی حملات طیفی نامتقارن و طراحی سامانه های دفاعی تطبیقی مبتنی بر یادگیری عمیق

درسال های اخیر، حملات طیفی نامتقارن به عنوان یکی از چالش های اساسی در حوزه جنگ الکترونیک مطرح شده اند. این نوع حملات با بهره گیری از الگوهای غیر خطی ، تغییر پذیر و اغلب پنهان در دامنه فرکانسی ، شناسایی و مقابله با تهدیدات را برای سامانه های دفاعی سنتی دشوار می سازند. در این پژوهش یک چارچوب جامع برای مدل سازی حملات طیفی نامتقارن و طراحی سامانه های دفاعی تطبیقی مبتنی بر یادگیری عمیق ارائه می شود. چارچوب پیشنهادی با استفاده از تحلیل زمان- فرکانس و شبکه های عصبی عمیق ، قادر به استخراج الگوهای پنهان طیفی و پیش بینی رفتار حملات در محیط های پویا و پر نویز است.در معماری ارائه شده یک لایه ادراکی مبتنی بر یادگیری عمیق مسئول شناسایی و طبقه بندی تهدیدات طیفی بوده و لایه تصمیم گیری تطبیقی با بهره گیری از مکانیزم های یادگیری تقویتی ، راهبردهای دفاعی مناسب را به صورت بلادرنگ تنظیم می کند. ارزیابی عملکرد سامانه در سناریوهای شبیه سازی شده نشان می دهد که رویکرد پیشنهادی در مقایسه با روش های کلاسیک و یادگیری ماشین متداول ، دقت شناسایی بالاتر ، واکنش سریع تر و پایداری بیشتری در برابر حملات نامتقارن ارائه می دهد. نتایج این پژوهش نشان می دهد که ادغام یادگیری عمیق با سامانه های دفاعی تطبیقی می تواند نقش موثری در ارتقای تاب آوری طیفی و مقابله با تهدیدات نوظهور جنگ الکترونیک ایفا کند.

کلیدواژه ها:

حملات طیفی نامتقارن ، جنگ الکترونیک شناختی ، یادگیری عمیق ، دفاع طیفی تطبیقی ، شبکه های عصبی عمیق