Co-Evolving Zero-Day Jamming: Adaptive Attack Synthesis and Graph Attention-Based Online Detection

📄 arXiv: 2609.21334v1 📥 PDF

作者: Ghilas Aissou, Rémi A. Chou, Taejoon Kim

分类: cs.IT, cs.AI, eess.SP

发布日期: 2026-09-18

备注: Accepted for publication in the 2026 IEEE Global Communications Conference (GLOBECOM)

💡 一句话要点

提出基于图注意力网络的在线检测框架以解决零日干扰检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 零日干扰 图注意力网络 强化学习 在线检测 网络安全

📋 核心要点

  1. 现有的零日干扰检测方法通常假设对目标接收器有先验知识，限制了其评估的有效性。
  2. 本文提出了一种结合图注意力网络和Dirichlet过程均值聚类的在线检测框架，能够同时分类已知和新兴的干扰策略。
  3. 实验结果显示，所提出的RL干扰器在攻击效能和隐蔽性上均显著优于现有基准，检测框架的准确率提高了20%。

📝 摘要（中文）

有效评估零日干扰检测器需要强大的对抗模型。然而，现有攻击模型通常假设对目标接收器有先验知识，限制了其作为评估基准的效用。在检测方面，现有检测器未能捕捉干扰行为的全局时间-频谱结构，无法区分新兴的零日策略。本文通过双重框架解决这些局限性。首先，提出了一种在线检测框架，结合图注意力网络（GAT）进行时间-频谱表示学习与Dirichlet过程（DP）均值聚类。该框架在统一学习目标下共同分类已知和发现的零日策略。其次，提出了一种推理驱动的强化学习干扰器作为对抗基准，该干扰器将目标接收器视为黑箱，通过假设检验推断检测器状态，并优化攻击影响与隐蔽性之间的权衡。仿真结果表明，所提出的RL干扰器在攻击效能上比基准高出33%，隐蔽性提高67%。

🔬 方法详解

问题定义：本文旨在解决现有零日干扰检测方法对目标接收器的先验知识假设及其无法捕捉干扰行为的全局时间-频谱结构的问题。

核心思路：提出的解决方案是一个双重框架，包含基于图注意力网络的在线检测和推理驱动的强化学习干扰器，能够在没有先验知识的情况下进行有效检测和攻击。

技术框架：整体架构包括两个主要模块：首先是图注意力网络用于时间-频谱表示学习，接着是Dirichlet过程均值聚类用于分类已知和新兴的干扰策略。

关键创新：最重要的创新在于将图注意力网络与Dirichlet过程聚类结合，形成统一的学习目标，能够动态适应新兴的干扰策略。

关键设计：在设计中，采用了特定的损失函数以优化分类性能，并通过强化学习优化干扰器的攻击策略，确保其在隐蔽性和攻击效能之间的最佳平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的强化学习干扰器在攻击效能上比基准提高了33%，隐蔽性提高了67%。同时，针对该干扰器的检测框架在检测准确率上比现有基准提高了20%，显示出显著的性能提升。

🎯 应用场景

该研究在无线通信、网络安全等领域具有广泛的应用潜力。通过提高对零日干扰的检测能力，可以增强系统的鲁棒性，保护关键基础设施免受新型攻击的威胁。未来，该方法还可能扩展到其他类型的对抗性攻击检测中。

📄 摘要（原文）

Effective evaluation of zero-day jamming detectors requires robust adversarial models. However, existing attack models often assume prior knowledge of the target receiver, limiting their utility as evaluation benchmarks. On the detection side, existing detectors fail to capture the global temporal-spectral structure of jamming behavior and cannot differentiate zero-day strategies as they emerge. This paper addresses these limitations through a two-pronged framework. First, an online detection framework is introduced that combines a graph attention network (GAT) for temporal-spectral representation learning with Dirichlet process (DP)-means clustering. This framework jointly classifies known and discovers zero-day strategies within a unified learning objective. Second, an inference-driven reinforcement learning (RL) jammer is proposed as an adversarial benchmark. The jammer treats the target receiver as a black-box, infers the detector state via hypothesis testing, and optimizes the trade-off between attack impact and stealth. Simulation results show that the proposed RL jammer outperforms benchmarks, achieving 33% higher attack efficacy and 67% higher stealth. The proposed detection framework against the proposed RL jammer is shown to achieve 20% higher detection accuracy than the benchmarks.