研究复杂电磁环境下频谱智能管控技术的应用

　　摘要：作为国土空间的重要组成，电磁频谱空间呈现出环境错综复杂、目标类型多样、用频行为多变等新挑战，导致频谱安全问题日益严峻。面向复杂电磁环境下频谱秩序安全、频谱对抗安全和频谱共享安全等需求，基于人工智能的频谱管控成为电磁频谱领域的重要研究方向，存在着具有挑战性的基础理论问题和关键技术难题。本文首先调研了复杂电磁环境下频谱智能管控的国家战略需求，然后提炼了智能频谱管控的科学意义与技术挑战，进一步从频谱管控模型机理、频谱态势感知、频谱行为推理、频谱安全决策和典型应用系统等五个方面梳理国内外研究现状，并分析了相关发展动态及研究趋势。

　　关键词：复杂电磁环境; 频谱管控; 人工智能; 信息流; 无人机群; 物联网;

　　ntrol under complex electromagnetic environments

　　Guoru DING Jiachen SUN Haichao WANG Yutao JIAO

　　College of Communications Engineering, Army Engineering University

　　Abstract：As an important component of national land space, the electromagnetic spectrum space presents many new challenges, such as the intricacy and complexity of the electromagnetic environment, the persity of electromagnetic targets and the variability of spectrum usage behaviors. As a result, spectrum security becomes an increasingly urgent issue. For the common national defense requirements of security for spectrum order, security for spectrum confrontation and security for spectrum sharing in the complex electromagnetic environment, spectrum management and control based on artificial intelligence become the most potential research in the radio spectrum field. There exist the challenging fundamental theory and critical technical problems in this research field. This paper firstly investigates the national strategic demands of intelligent spectrum management and control under complex electromagnetic environments, then refines the scientific significances and technical challenges of intelligent spectrum management and control. Moreover, the present domestic and foreign research on five aspects are summarized, including the model and mechanism of spectrum management, spectrum sensing, spectrum inference, spectrum safety decision and typical application systems. The related developments and trends are analyzed.

　　电磁频谱空间作为国土空间的重要组成部分，已成为信息时代、智能时代的人类社会主要活动空间之一。随着移动互联网、物联网、大数据、机器人等新兴技术和服务不断涌现，通信、雷达、测控、导航、传感、电抗等各类电磁用频设备和系统的数量呈现爆炸式增长，各类电磁信号已经深入到人类社会的方方面面，导致电磁频谱空间日益错综复杂，演变成由多主体、多因素、多变量构成的互为输入输出的复杂系统[1]。复杂电磁环境下目标类型多样、用频行为多变导致频谱使用安全面临严峻威胁，频谱管控面临诸多挑战[2,3]。

　　一方面，复杂电磁环境下的频谱秩序安全管控已成为影响国家和社会安全的重要课题。黑飞无人机、黑广播、伪基站、窃听器、干扰机、无线电作弊等严重扰乱频谱使用秩序，呈现出类型多样、案件频发、影响恶劣等特点，给重大活动（如国庆阅兵/奥运赛事/国际合作论坛）和公共交通（如民航/高铁/地铁）等带来严峻安全威胁。然而，当前频谱秩序安全管控监管手段相对单一，技术相对滞后，对人工操作和人员经验的依赖性较强。维护空中电波秩序与安全，保证各种无线电业务的正常进行，防范非法用户，提升智能化、精细化、无人化频谱监管能力，对于助推国家无线电治理体系和治理能力现代化日益重要。

　　另一方面，复杂电磁环境下的频谱对抗安全管控对于维护国防安全与国家形象愈发重要。电磁频谱空间已跻身为继陆、海、空、天、网络（赛博）之后的第六维作战空间，并贯穿于其它五维空间的作战中。美军反复强调“21世纪掌握制电磁频谱权与19世纪掌握制海权、20世纪掌握制空权一样具有决定意义，信息化战争中电磁频谱甚至比子弹更重要”；截止2019年12月，美国战略与预算评估中心先后发布了“电磁制胜三部曲”[4,5,6]，以期运用电磁频谱战全面超越竞争对手，获得非对称性作战优势。目前，电磁用频设备已全面覆盖陆/海/空/天等各作战空间以及车/舰/机/弹等各作战平台，电磁干扰、电磁窃听、电磁欺骗等用频安全威胁日新月异，如何创新电磁频谱攻防理论与技术，在没有硝烟的电磁战场给予敌方威慑、夺取对抗优势是亟需聚力研究的重要课题。

　　同时，复杂电磁环境下的频谱共享安全管控将成为国民经济发展和国防建设共同面临的战略需求。随着各类电磁用频终端持续普及，新型无线多媒体业务量呈现爆炸式增长，无论是民用还是军用领域，“频谱资源赤字日益严峻”与“频谱利用率低下”之间的矛盾均十分突出，动态频谱共享被广泛认为是解决上述矛盾最为直接有效的手段之一[7,8,9]。美国联邦通信委员会和美国国防部正在联合推进3.55GHz到3.65GHz频段内军民动态频谱共享框架，致力于开放军用雷达频段来适应商用5G新业务需求[10]。2020年2月，华为宣布4G/5G闪速动态频谱共享已在全球范围商业部署，并将随着5G终端的普及而大规模商用[11]。然而，频谱共享的开放特性以及频谱设备的智能化趋势错综交织，使得非法接入、违规发射、恶性竞争等频谱共享安全威胁不断涌现，高效、安全的频谱共享安全管控策略和方法成为国家战略需求。

　　面向复杂电磁环境下频谱秩序安全、对抗安全和共享安全等国家战略需求，频谱管控理论、技术和手段亟需进行革新，人工智能为其带来了新的研发机遇。作为国家科技发展战略的重要组成，人工智能的迅速发展正在深刻改变着人类生产方式和思维模式，大数据智能、群体智能、混合增强智能、自主智能系统等基础理论和关键技术成为复杂电磁环境下频谱管控革新的强大动能，深度学习、强化学习、迁移学习、联邦学习、图学习等人工智能方法将重构频谱态势监测、频谱行为分析、频谱决策优化等频谱管控活动链条各环节，推动相关领域应用和产业升级，为电磁频谱安全管控国家战略需求提供有力支撑。

　　1 智能频谱管控的科学意义与技术挑战

　　电磁频谱管控通常是指综合运用行政、技术和工程等手段来对电磁频谱使用进行预先筹划、动态协调、常态监测、及时控制等行动，既关注己方或授权方电磁用频设备和系统间的干扰避免，也包括对敌方或非法方进行反干扰、反侦察等电磁控制活动。在业务需求不大、频谱资源丰富、环境相对简单的时代，以人工经验和模型驱动为主的电磁频谱管控模式成为主体[12,13]。随着电磁环境日益错综复杂，频谱秩序安全、频谱对抗安全、频谱共享安全等用频安全威胁日渐严峻，人工经验的局限性越来越明显，理论模型的精准度也往往难以满足实际需求，频谱管控模式的变革成为发展趋势。针对复杂电磁环境下目标类型多样、用频行为多变所导致的频谱使用安全威胁，如何推动频谱管控从静态、粗放、低效的人工模式向实时、精准、高效的智能模式转变，构建可解释可信任的频谱智能管控生态系统是当前亟需解决的理论与技术难题。

　　人工智能具有大幅提升频谱管控有效性、安全性和智能性的技术潜力。当前，人工智能的发展大概分为三个阶段：计算智能-感知智能-认知智能，在计算智能上，如围棋机器人AlphaGo等，已经证明机器人在某些领域比人强；在感知智能上，机器在图像识别、语音识别、信号识别等部分领域也已超过了人类；在能理解、会思考的认知智能方面，机器也在不断追赶人类。无论是当前成果相对丰硕的计算智能和感知智能，还是不断演进的认知智能，都将为复杂环境下频谱智能安全管控注入新的动能。

　　对于频谱智能管控，目前还没有广泛认可的定义，从概念本源来看是人工智能赋能的电磁频谱管理和控制，是信息通信、人工智能、自动控制等多学科交叉融合的一个新兴领域。2018年，王沙飞院士指出“未来将实现由电子战向电磁频谱战的演变，并且人工智能技术将贯穿始终，频谱智能管控将成为核心技术”[14]；2019年，DARPA“频谱协作挑战赛”项目经理Paul Tilghman宣布：“我们第一次看到了人工智能释放了射频频谱的真正潜力，与目前静态或粗糙的频谱共享能力相比，（人工智能技术）将3.5倍多的无线信号装入频谱，并证明其性能甚至优于LTE...合作、动态、基于人工智能的频谱共享，可能意味着从频谱稀缺到频谱丰富的转变”[15]。

　　本文认为，频谱智能管控是人工智能赋能的电磁频谱管理和控制，是运用知识表示、不确定性推理、机器学习等理论方法，突破电磁频谱深度感知、用频行为主动推理、频谱安全群智决策等关键技术，以实现精准高效的频谱态势获取、快速稳健的用频行为意图推理、可解释可信任的频谱安全共享。其中，智能广泛体现在频谱管控的体系架构、关键技术中。在体系架构方面，频谱智能管控是在OODA环路的基础上融入认知动态系统理论框架，从计算智能、感知智能、认知智能三个层次以及感知、推理到决策的整个环路为频谱管控赋予智能，逐步使机器理解掌握频谱知识、思考推理用频行为、自主做出频谱决策。在关键技术方面，智能性首先体现在深度感知中，不再是对频谱状态信息的简单获取，而是通过获取、挖掘、组织、整合多源异构的网状频谱知识库，构建频谱知识图谱，运用统计学习等方法感知频谱结构态势，便于机器理解和人机协同；智能性其次体现在主动推理中，运用迁移学习等方法，推理目标的重点由底层的频谱状态值升格到上层的用频行为意图，推测用频设备将会发生什么行为以及为什么要发生；智能性还体现在群智决策中，区块链技术、深度强化学习等方法可以实现多智能体分布式可信决策。特别地，群体智能是突破个体能力受限、实现分布式多智能体自主决策的重要手段。频谱管控中群体智能包括海量设备自主感知局部频谱状态、主动协作推理广域全局频谱态势，并高效动态利用立体空间频谱资源。

　　总体来看，国内外关于频谱智能管控基础理论与关键技术方面的研究才刚刚起步，面临诸多重大挑战，急需尽早展开深入系统研究。具体而言，面临的挑战主要存在以下几个方面：

　　挑战一：复杂电磁环境下频谱智能管控模型和机理尚不清晰。现有的频谱管控研究侧重在频谱状态感知、频谱趋势预测、频谱态势生成、频谱优化利用与频谱决策模型构建，缺乏智能性、安全性等方面的数学建模与定量分析，如何构建完整的频谱智能管控体系架构，建立面向频谱使用安全的智能认知模型，明晰频谱智能管控系统安全决策机理，已成为频谱智能管控面临的基础性挑战。

　　挑战二：频谱态势错综复杂特性与精准高效感知需求形成了内在矛盾。错综复杂是电磁频谱空间中类型多样的电磁设备在有限时空内交叠耦合所表现出来的典型特征。错综复杂系统是由多主体、多因素、多变量互为输入输出的一个多对多系统，不是简单的部分之和，变量之间的关系也往往不是线性关系，这大大提高了环境感知的难度。因此，亟需深入研究频谱态势错综复杂特性与精准高效感知需求形成的内在矛盾机理，寻求低成本/冗余/开销且高精度的复杂频谱态势表征与信息获取理论方法。

　　挑战三：异构多变用频行为意图的快速稳健推理机制还有待突破。异构多变是复杂电磁环境下不同类型电磁目标的用频行为意图呈现出的主要特性。一方面，通信、雷达、电抗等电磁目标的用频行为存在显着的异构性；另一方面，随着任务需求和环境态势的演变，各类电磁目标的用频行为意图随时间呈现动态变化，且这种多变的用频行为意图往往是不确定的；特别地，电磁空间的开放性使得以自私、非法和对抗等为动机的异常用频行为意图广泛存在，且与频谱管控呈现“猫鼠游戏”和“魔道相长”的动态博弈过程。因此，亟需开展用频行为意图推理机制研究，为频谱管控提供主动型、预测型、增强型信息支撑。

　　挑战四：可解释可信任的频谱管控智能安全决策研究成为关键难题。可解释可信任是人工智能领域正在聚力解决的核心挑战之一，也是频谱智能管控安全决策面临的关键难题。与传统机器学习中“黑匣子”的概念形成鲜明对比，“可解释性”意味着智能算法的输入、输出行为以及它们之间的内在因果关系或关联关系可以被理解，这对于提升智能算法的透明度、可信任度、推广泛化能力都非常重要。特别地，当面对错综复杂、动态变化的电磁环境，信息不完全、且存在干扰与虚假信息时，基于人工智能的频谱管控决策安全性与其中的智能算法的可解释可信任水平密切关联。提高智能系统的可解释性与可信任度，对于实现频谱智能管控系统中人机交互，促进人工智能与人类智能协同工作、和谐相处至关重要。

　　由以上分析可知，面向频谱秩序安全、频谱对抗安全和频谱共享安全等国家战略需求，开展复杂电磁环境下频谱智能管控基础理论和关键技术研究具有重要意义，已经成为国内外电磁频谱领域最具活力的研究方向。

　　2 国内外研究现状及发展动态分析

　　当前关于电磁频谱管控理论及关键技术的研究正逐步成为国际上研究前沿和热点。电磁频谱管控相关的国内外研究主题及其逻辑关系如图1所示。下面将从频谱管控模型机理、频谱态势感知、频谱行为推理、频谱安全决策和典型应用系统等五个方面梳理国内外研究现状，并分析相关发展动态及趋势。

　　图1 电磁频谱管控相关的国内外研究方向及其逻辑关系   

　　2.1 频谱管控模型机理研究动态分析

　　模型机理研究主要目标是理清复杂电磁环境下频谱管控系统中要素与要素、要素与体系、体系与环境之间的耦合关系与相关作用规律，这将为关键技术研究和验证系统设计提供基础性理论指导。传统的频谱管控模式采用“统一规划、分级管理、人工操控”的形式，按照下级上报频谱需求，上级区分任务来分配指配频谱资源、下达计划、组织协同的方式开展[12]。典型代表是频谱XXI（Spectrum XXI）系统，它是美国国防部标准化的联合频谱管控系统，是国防部用来支持全球应急军事行动的战术频率分配数据库操作、维护和使用的标准系统[16]。在频谱XXI系统的早期版本中，用频部队通过该系统提出用频需求申请，频谱管理员可以通过分配频率或频率集将指配权委派给下属职能部队的频谱管理员，由后者进行频率指配。这种频谱管控模式呈现出自上而下的单一计划管理、被动响应的频谱冲突管理、以人工为主的频谱决策管理等特点，导致频谱管控的时效性差、资源的利用效率低，难以适应高度变化的电磁环境态势和强对抗条件下用频需求的快速变化。

　　针对不断涌现的大规模、多类型用频设备和系统的频率协同问题，美军开发了联盟联合频谱管理规划系统（CJSMPT）[17]，通过提供美国联邦、州、地方政府以及盟军的频管机构之间的互操作能力，避免各级频谱管理员在不清楚实际情况下盲目或以最坏情况提报用频需求，造成频谱资源供不应求、但利用率不高的矛盾局面。在CJSMPT基础上，美军开展了愿景宏大的全球电磁频谱信息系统（GEMSIS）项目[18]，其理念是为所有频谱管理和工程开发一个专用的体系架构，为所有频谱管控程序的运行提供支持，集美军在用的所有系统和工具于一身，并提供与频谱管控相关的其他能力。GEMSIS未来将完全集成到全球信息栅格（GIG）系统中，从而提供一个网络中心环境，将系统的全部功能扩展至战场用户，对频谱应用进行实时的全球性观察。GEMSIS项目采取“五步走”战略，每步跨度五年，第五步（2020年-2025年）的主要目标是基于认知自同步频谱使用，具备一体化远程频谱管控能力，实现按需随时随地的全球频谱接入。由此可见，无论是现在使用的频谱XXI在线系统、联盟联合频谱管控系统（CJSMPT），还是正在开发的全球电磁频谱信息系统（GEMSIS），都渗透着美军面向大规模联合的频谱智能管控理念。

　　国内方面，经过几十年的建设，我国已基本形成包括管理体制、法律法规体系、频管装备体系、用频规则体系等内容的较为完善的电磁频谱管控体系，具备了频谱资源规划、频率分配指配、频谱环境监测、频谱干扰分析与协调等能力。近年来，我国在电磁频谱管控军民融合式发展方面做了大量的探索和研究工作，研制了相关联合频谱管控系统，初步形成了频谱多维感知、频谱态势可视化、频谱动态管控等能力。特别地，随着电磁频谱战的现实需求日益迫切，突破长期制约频谱管理的瓶颈问题，推动从静态封闭的人工频谱管理模式向动态协同高效的频谱智能管控模式转变或变革已经成为共识[19,20]。

　　由以上分析可知，国内外均十分重视频谱管控模型机理的研究，并认同智能化是发展趋势，但在如何融入智能、如何提升智能、如何评估智能等方面的建模研究还缺乏整体性、体系性、数理性，特别是在多样化频谱使用安全威胁下的频谱智能管控的安全性、可解释性、可信任性等机理研究就更为缺乏。可能的切入点包括：从关注整体与环境、整体与部分、结构与功能的关系出发，构建由环境模型、功能模型、物理模型和数学模型组成的频谱智能管控体系模型；从体系开放性和目的性等特征出发，探析用频系统（包括通信系统、雷达系统、测控系统、导航系统、传感系统、对抗系统等）、频谱监测系统（包括固定频谱监测站、机动频谱监测台、低空频谱监测设备、卫星频谱遥感设备）、频谱推理系统（具备频谱态势可视化、用频行为意图推理、异常用频预警和主动频率推荐等功能）和频谱决策系统（人工决策、机器自主决策、人机协同决策）之间的功能和接口关系；在此基础上，进一步细化频谱管控安全体系中要素与系统、系统与体系、体系与环境等方面的相互作用规律，深入研究智能频管体系中结构性、层次性、关联性、协同性、时序性、安全性等基本特征。

　　2.2 频谱态势感知研究动态分析

　　频谱态势感知是频谱智能管控的基石，其主要功能是获取频谱状态、形势及演化趋势信息，关注的频谱维度包括时域、频域、空域等，追求的目标是信息获取的及时、准确、全面等。作为认知无线电的关键技术之一，频谱态势感知早期关注的重点是基于统计信号检测系列方法获取频谱忙闲/占用与否信息[21,22]。随着研究的深入，频谱态势感知的关注对象逐渐拓展到获取电磁频谱空间的多维状态信息，包括频谱忙闲情况、频谱辐射功率、频谱调制方式、频谱接入协议，以及异常频谱行为发现等[23]。

　　近年来，研究者们意识到感知电磁环境、提取频谱特征、并获得频谱知识是频谱管控智能化中极具挑战性的关键任务，也是后续用频意图推理和频管安全决策的重要基础。频谱特征提取和知识发现是从各种原始频谱数据或信息中提炼有效的、新颖的、潜在有用的频谱知识。这些频谱特征和知识主要包括运用频谱数据聚类、相关性分析、时间序列分析等数据挖掘技术获得的与频谱管控相关的分类性、关联性信息、特征和属性等[19]。例如，在相关性分析方面，文献[24]基于相关系数讨论了各种不同的现实频谱数据集的频域和时域相关性，并分析了异常数据对频谱矩阵秩分布的影响。文献[25]提出了一种基于滑动窗口近似熵的时间序列分段算法，再对各个分段所对应时间序列的信道使用模式进行参数分析，该算法能够发现信道使用模式发生变化的时刻。在特征提取方面，文献[26]从时间序列本身的特性和频谱状态演化的物理意义两个角度出发，根据电磁频谱专家知识从频谱状态演化的时间序列中提取多维特征向量，并基于该多维特征向量对频谱状态演化进行了广泛的聚类分析。然而，上述频谱特征提取和知识发现的研究成果各自独立，较为分散，侧重在频谱离散状态感知，对频谱局部或全局形势的信息获取研究还比较欠缺。

　　在频谱离散状态感知数据的基础上，频谱结构挖掘成为当前研究热点和未来发展趋势。通过分析频谱态势感知数据内在的时空特性、统计特性、用户特性以及网络特性，可以得到频谱态势的时频结构、拓扑结构、协议结构等多维结构信息。现有研究工作主要集中在频谱态势的时频结构挖掘。例如，文献[27]通过建立频谱的历史使用模型，将基于密度的聚类算法引入到时空信息提取中，实现了时空聚类分析、时空频繁模式挖掘。文献[28]提出了基于免疫算法的特征加权支持向量机算法，在大量数据中找出潜在的频谱使用规律，并预测未来一段时间内的频谱使用情况，从而为认知用户的动态频谱接入提供可靠依据。文献[29]针对射频使用的时空周期性特征，提出了一种基于马哈拉诺比斯距离的分段建模算法，用于快速检测时频结构异常和电磁目标异常。近年来，从频谱态势感知数据中挖掘通信网络拓扑结构的研究也开始引起学者们的关注[30]。文献[31]通过利用通信对等这一合理假设，将信息传输过程建模为霍克斯过程，利用仿真数据学习了网络的拓扑结构并检测拓扑结构的变化。文献[32]利用格兰杰因果关系对常用通信协议的响应机制频谱数据进行建模，来学习时间复用通信网络的拓扑结构，实验证明该方法能够以较高的时间分辨率推断自组网中的有向数据流。总体来看，利用频谱数据进行频谱态势结构挖掘的现有研究大多聚焦于时频结构，拓扑结构挖掘处于起步阶段，研究相对比较零散，多维频谱态势结构挖掘体系尚未形成。

　　由以上分析可知，国内外学者在频谱态势感知方向上做出了大量有益的探索，但在频谱特征提取和频谱知识发现方面的现有成果相对零散，缺乏系统性和深度，并且，随着电磁用频设备/系统的类型和数量不断增长，频谱行为模式不断丰富，用频安全威胁类型多样，迫切需要深入研究错综复杂电磁环境下频谱态势感知面临的多域关联性、复杂结构性、内生安全性等新特征和新挑战。针对频谱管控面临的复杂性挑战，构建“频谱知识图谱”是一个值得探索的研究方向。知识图谱这一概念首先由Google公司提出，本质上是语义网络的知识库，也可以理解成多关系图，是将复杂的、零散的知识通过数据挖掘、信息处理、知识计量和图形可视化等方法有机组织起来，便于提供切实的、有价值的信息参考。知识图谱已在智能搜索、自然语言处理、社交网络、个性化推荐等领域成功应用，但在电磁频谱领域尚未见报道。频谱知识图谱的引入有助于实现数据和模型/专家经验混合驱动的频谱智能管控，可以提升复杂环境下频谱管控的智能化水平，更加接近于人类的认知思维，便于实现人工智能与人类智能的协同增效，将成为频谱智能管控领域强有力的新概念、新工具。

　　2.3 频谱行为推理研究动态分析

　　频谱行为推理是提升智能认知深度和层次的关键，主要功能是为频谱管控决策提供主动型、预测型、增强型信息支撑。早期的频谱行为推理研究主要集中在频谱状态总体形势及演化趋势的推理和预测，它是在频谱态势感知获取电磁频谱空间的历史和当前状态基础上，通过有效地挖掘频谱状态数据间固有的相关性和规律性，由已知频谱状态推断未知频谱状态，由稀疏频谱样本推测完整频谱态势的技术[33]。随着研究的逐步深入，精准、实时地推理异构多变的频谱使用行为以及用频行为背后的意图成为新的研究方向。在频谱行为建模方面，文献[34]对频谱用户的行为特征进行建模分析，得出用户到达信道速率服从泊松分布，用户到达间隔概率服从负指数分布。文献[35]认为频谱使用呈现出显着的可变性，用户通话的持续时间并不是指数分布且难以被建模，但指数到达模型足以用于对授权用户用频行为进行建模，随机游走模型通常可以用来描述高负载条件下授权用户用频行为。文献[36]分析了频谱预测的性能界，并通过实测数据进行了验证，为具体预测算法的设计和优化提供了基础理论指导。

　　现有文献中提到的频谱行为推理大多是指在时域上由历史频谱状态推断未来某一时隙频谱状态的频谱预测[37]。预测主要侧重于时间维度，属于推理的一种特例，频谱行为推理还广泛存在于频域、空间等维度。频域相关性现象（即不同信道频谱状态演化之间的关联关系）启发了频域频谱行为推理，即由同一时隙某频点的相似/相邻频点的状态推断该频点的状态。文献[38]通过建模任一频谱数据与其相邻信道的“邻居”数据之间的相关性，提出了基于信念传播理论的多信道联合频谱预测算法。文献[39]基于频繁模式挖掘，设计了一种多信道联合频谱预测算法，并通过实测数据论证了该算法相对于单信道时域频谱预测算法的有效性。空域内的频谱行为推理常用于构建空域频谱图，如文献[40]利用字典学习和压缩感知理论，基于稀疏空间采样实现了空域干扰图的构建。

　　频谱行为推理与数据挖掘、机器学习、深度学习等人工智能技术有着天然的联系，也随着这些新技术的发展不断演进。文献[37]指出，自2007年以来，人工神经网络、隐马尔可夫模型、贝叶斯推理、支持向量回归等传统机器学习方法陆续应用于频谱预测和推理的研究中来。自2017年以来，深度学习方法在频谱行为推理中的应用成为研究热点，已在精度和时效性等方面表现出相对于传统机器学习方法的优势。文献[41]和[42]分别引入长短期记忆（Long Short Term Memory, LSTM）作为递归神经网络，提升了频谱预测的性能，这主要得益于LSTM能够更好地挖掘并利用频谱时间序列数据中的中长期频谱特征。文献[43]中，作者基于6500平方公里内2844个蜂窝基站数据的空时频谱行为建模和预测，验证了LSTM相对于支持向量回归（Support Vector Regression, SVR）和自回归移动平均（Autoregressive Integrated Moving Average, ARIMA）方法的优越性。文献[44]进一步引入深度时频残差网络，通过对不同时间尺度频谱特征的有效提取，提升了多频点联合预测的性能。然而，基于传统深度学习的频谱预测，在带来可观的性能提升同时，也受到大量可用数据以及大量训练时间需求的限制[45]。文献[46]提出了基于深度迁移学习的跨频段频谱预测方法，通过具有相似性频谱特征的其他频段频谱数据对预测模型进行训练，减少了对训练数据量的需求，提升了预测的时效性。

　　由以上分析可知，现有频谱行为推理方面的研究主要集中在对时域、频域和空域等频谱行为演化的推理和预测，局限于频谱状态信息层面，在用频行为意图建模和推理方面的研究报道还比较少，特别地，关于异常用频行为及其意图的实时、精准推理，尚有许多开放性的理论与技术问题值得深入探索。例如，用频行为意图可以认为是从用频设备角度由频谱数据抽象出的外在行动表现及目的，是相比频谱态势更深层次的认知内容。复杂环境下，用频行为呈现出演化性、多面性、善变性等特点，对用频行为的感知及其意图的理解对于频谱智能管控是非常重要的，可用于个性化用频推荐、主动干扰规避、疑似跳转信道跟踪等。基于历史频谱数据和电磁频谱专家知识，从行为性质和任务目标的角度，可以将用频行为划分为六个典型类型：频率调整行为、时间选择行为、功率控制行为、用户交互行为、波束方向控制行为、异常用频行为。针对不同用频行为及其意图的推理将是一个蕴含丰富研究机遇的方向。

　　2.4 频谱安全决策研究动态分析

　　频谱安全决策是频谱态势感知和推理的落脚点，也是实现电磁频谱资源的高效有序利用和电磁频谱空间的智能安全控制的关键。电磁频谱安全主要包括电磁频谱可用性安全和保密性安全，前者是确保电磁频谱活动不被恶意干扰，后者是要确保电磁频谱信息不被侦察监视或窃取。然而，无线环境的开放性致使通信系统容易遭受多种类型的攻击，如窃听者攻击、数据篡改攻击以及干扰攻击等。传统的频谱决策主要包括频率资源分配、发射功率优化、信道接入控制以及其他频谱参数的优化配置等，常用的数理工具包括凸/非凸优化、博弈论、拍卖理论、图论等[47]。随着频谱秩序安全、频谱对抗安全和频谱共享安全等多样化威胁不断涌现[48,49]，面向抗干扰、防欺骗、反侦察等的频谱安全决策成为研究热点和难点。

　　电磁频谱的开放特性导致用频系统容易遭受外部恶意干扰，智能抗干扰通信成为研究趋势[50,51]。现有的抗干扰技术大致可分为基于扩谱和非扩谱的两类。扩谱通信技术是指通过信号传输带宽的扩展来提高信息传输可靠性的抗干扰技术，主要包括直接序列扩谱、跳频扩谱、跳时扩谱、线性脉冲调频及其组合形式（即混合扩谱）等[52]。随着信号处理技术和芯片技术的发展，现有干扰设备的干扰能力和智能化水平越来越强，干扰机可以根据通信方行为实时调整干扰策略，通信方将难以及时地获取干扰策略并主动应对干扰信号[53]。传统通信抗干扰技术对于干扰策略固定的常规干扰具有较好的抗干扰效果，然而，面对具备环境感知和学习能力的认知干扰，寻求新的智能抗干扰通信方法是亟待解决的重要问题[54,55]。以机器学习为代表的人工智能技术的迅速发展，为无线通信领域的攻防双方都提供了新的技术手段。例如，文献[56]利用强化学习设计了基于智能功率控制的抗干扰通信算法。文献[57]基于深度强化学习提出了一种联合信道切换和位置移动性的二维抗干扰方案。文献[58]针对多智能体抗干扰场景，提出了基于强化学习的协同信道选择方法。面对复杂电磁环境中形式多样、智能多变的电磁干扰，抗干扰技术从链路级抗干扰拓展到网络级抗干扰、从个体智能抗干扰拓展到群体智能抗干扰成为发展趋势。

　　在防欺骗频谱决策方面，区块链技术受到了国内外研究者密切关注。在2018年移动世界大会上，美国联邦通信委员会委员J. Rosenworcel演讲时表示，基于区块链的动态频谱共享将是6G发展趋势[59]。文献[60]将区块链作为安全账本，以不可篡改并可验证的方式，支持由单个授权用户发起、所有用户参与记录和维护交易信息的频谱拍卖。通过优化写入、计算等操作带来的损耗，文献[61]实现了利用区块链智能合约进行高效、可行、可信的频谱态势感知服务交易。由于工作量证明共识机制带来的高计算能耗，文献[62]探索了将挖矿计算任务卸载到云或边缘服务器上来构建区块，并将交易信息自动记载到区块链中。文献[63]基于区块链技术设计了联网海量个人无线设备构成频谱设备网络的解决方案，提出了由感知节点共识融合、验证节点共识验证、簇头节点共识确认构成的分布式共识机制。文献[64]提出了一个频谱区块链框架，用于解决频谱交易过程中可能出现的恶意攻击。总体来看，国内外对频谱区块链技术的研究处于起步阶段，有许多挑战和问题值得深入探究并解决。例如，传统区块链共识机制要求的计算任务繁重以及频谱数据存储量巨大，对于设计适合无线设备的低计算量要求的共识机制，难度在于计算复杂度与频谱管控安全性之间的权衡。

　　在反侦察/抗截获决策方面，无线信道固有的开放性，使得非授权节点可能探测到其他合法节点的信息传输，甚至解码得到保密信息，信息安全问题日益严峻[65,66]。传统的加密技术以及物理层安全技术有效提高了信息内容的安全性，但是，在秘密军事行动中，仅仅保证通信内容的安全性已不能满足需求，隐藏发送端的通信行为的反侦察能力对于用频安全至关重要。文献[67]首先分析了反侦察通信实现的信道条件，提出了在加性高斯白噪声信道条件下用于可靠反侦察通信信息量的平方根准则。文献[68]研究了利用受控人工噪声全双工接收器作为接收端的反侦察通信系统的性能，推导出了非授权监测者Willie的误检概率及其辐射计的最佳检测阈值，优化了人工噪声发射功率的最大值。在多干扰源存在的情况下，文献[69]研究了多天线辅助反侦察通信，发现在隐蔽吞吐量方面分布式系统总体优于集中式天线系统。文献[70]对英国国防部委托的部分工作进行了介绍，研究并论证了隐蔽战场行动中战士之间利用毫米波以及其波束成形技术进行反侦察通信的可行性。文献[71]研究显示，多跳反侦察通信中，一跳通信距离与总跳数之间需要折衷，最终目标是实现由发送端，接收端和友好干扰端组成的隐蔽通信的“影子”网络。

　　由以上分析可知，多样化用频安全威胁给频谱决策方向带来了新的研究挑战和机遇，频谱攻击与频谱防御双方智能对弈的局面已经显现，从传统的集中式频谱管控决策逐步向区块链赋能的多智能体分布式频谱决策演化发展将成为趋势，亟需提出面向频谱使用安全的群智抗干扰、防欺骗、反侦察等新理论和新方法，探索可解释可信任的频谱智能安全决策新机制。

　　2.5 频谱管控应用系统研究动态分析

　　国内外都非常重视频谱管控应用系统的研发，它既是融合集成频管理论模型以及频谱态势感知、频谱行为推理和频谱决策等关键技术的载体，也是验证其效用的平台。

　　国外方面，美国在频谱管控应用系统研发领域具有领先优势。除了前文2.1节提到的频谱XXI系统、联盟联合频谱管理规划系统CJSMPT和全球电磁频谱信息系统GEMSIS之外，美国DARPA近年来陆续资助了一系列预研项目，包括但不限于：①下一代无线通信计划（Next Generation，XG），研究通过灵活的频谱政策进行动态频谱管理；②下一步无线网络计划（Wireless Network after Next, WNaN），将动态频谱接入技术应用于移动Ad Hoc 网络，实现了在900MHz~6GHz 范围内动态选择信道组网；③先进射频地图项目（Advanced RF Mapping），主要目标是从时域、频域、空域三个维度绘制射频地图，为用户提供强大的频谱态势感知能力，以避免频谱冲突或快速消除频率冲突，支持通信、情报、监视和侦察系统；④频谱协作挑战赛项目（Spectrum Collaboration Challenge），主要验证基于人工智能技术实现动态频谱共享的可能性；⑤射频机器学习系统项目（RF Machine Learning Systems），致力于使射频系统能够对空前拥挤的频谱中信号进行表征和区分，识别不符合规则的信号，将物联网设备的合法射频信号与企图入侵这些设备的信号区分开来。

　　国内频谱智能管控应用系统研究起步相对较晚，但对其的关注度不断提高，并在频谱智能管控的部分技术方面具有一定的研究积累。2008年-2015年期间，与频谱管控智能化密切相关的研究主要有国家自然科学基金信息科学部资助的认知无线电重点项目群、国家科技部资助的国家973项目“认知无线网络基础理论与关键技术研究”与国家863重点项目“频谱资源共享无线通信系统”等，国内众多高校、研究所、企业和频管业务部门均贡献了积极的力量，突破了一批频谱管控关键技术，研制出了多个具有动态频谱资源共享基本特征的实验验证系统。2016年，国家自然科学基金信息学部在“高动态广域频谱态势基础理论与关键技术”方向立项了两个重点项目，致力于研发广域动态频谱监测与频谱态势可视化系统。

　　由以上分析可知，近年来，随着电磁频谱战、动态频谱共享、无线电秩序管控等重大需求的日益凸显，国内外在频谱管控应用系统方面均投入了很多研发力量。整体来看，美国在该方面的领先优势仍比较明显，相关系统的技术先进性、延续性、引领性比较突出；我国在该方面也取得了长足的进步，但在频谱智能管控系统研发的“顶天”（先进性）和“立地”（实用性）两方面还有不少空间。

　　3 总结与展望

　　本文首先分析了复杂电磁环境下频谱智能管控的国家战略需求，然后提炼了智能频谱管控的科学意义与技术挑战，进一步从频谱管控模型机理、频谱态势感知、频谱行为推理、频谱安全决策和典型应用系统等五个方面梳理了国内外研究现状，并分析了相关发展动态及趋势。面向频谱秩序安全、频谱对抗安全和频谱共享安全等国家战略需求，研究复杂电磁环境下频谱智能管控具有重要意义，未来可重点关注以下几方面：

　　1）错综复杂频谱知识图谱的精准高效获取。错综复杂是电磁频谱空间中通信、雷达、传感等类型多样的电磁目标在有限时空内交叠耦合所表现出来的典型特征。借鉴知识图谱概念，可以构建“频谱知识图谱”来表征错综复杂的电磁频谱态势（状态、形势及趋势），将复杂零散的知识通过数据挖掘、信息处理、知识计量和图形可视化等方法有机组织起来，提供切实的、有价值的信息参考。

　　2）异构多变用频行为意图的快速稳健推理。异构多变是复杂电磁环境下不同类型电磁目标的用频行为意图呈现出的主要特性。异构多变的用频行为意图和分析推理的快速稳健需求构成了一对内在的基本矛盾。为实时掌握复杂电磁环境下异构多变的用频行为意图，灵活运用分析推理是提升智能认知深度和层次的关键，同时也为频谱管控决策提供主动型、预测型、增强型信息支撑。

　　3）频谱管控智能安全决策的可解释可信任难题。可解释可信任是人工智能领域正在聚力解决的关键问题，也是频谱智能管控安全决策面临的核心挑战之一。提高频谱智能管控系统的可理解可信任度，对于实现人机交互，促进人工智能与人类智能协同工作与和谐相处至关重要。在引入频谱知识图谱增强频谱智能管控各个环节的可解释性的同时，可进一步在频谱区块链赋能的分布式防欺骗决策、基于深度强化学习的群智抗干扰决策等方面着力，探索可解释可信任的频谱管控群智安全决策理论方法。

　　参考文献

　　[1] HOLLAND J H. Signals and boundaries: building blocks for complex adaptive systems[M]. MIT Press, 2014.

　　[2] 姚富强, 张余, 柳永祥. 电磁频谱安全与控制[J]. 指挥与控制学报, 2015, 1(3): 278-283.

　　[3] LIANG Y C. Dynamic Spectrum management: from cognitive radio to blockchain and artificial intelligence[M]. Springer Singapore, 2020.

　　[4] CLARK B, GUNZINGER M. Winning the airwaves: Regaining America’s dominance in the electromagnetic spectrum[R]. Center of Strategic and Budgetary Assessments (CSBA), 2015.

　　[5] CLARK B, GUNZINGER M, SLOMAN J. Winning in the gray zone: Using electromagnetic warfare to regain escalation dominance[R]. Center of Strategic and Budgetary Assessments (CSBA), 2017.

　　[6] CLARK B, MCNAMARA M W, WALTON A, T. Winning the invisible war: Gaining an enduring U. S. Advantage in the electromagnetic spectrum[R]. Center of Strategic and Budgetary Assessments (CSBA), 2019.

　　[7] 冯志勇, 张平, 郎保真, 等. 认知无线网络理论与关键技术[M]. 北京: 人民邮电出版社, 2011.

　　[8] SHENG M, LI X, WANG X, et al. Topology control with successive interference cancellation in cognitive radio networks[J]. IEEE Transactions on Communications, 2017, 65(1): 37-48.

　　[9] YIN L G, JIANG C N, JIANG C J, et al. Collaborative Spectrum Managements and Sharing in Coordinated Space, Terrestrial and Ocean Networks[J]. IEEE Network, 2020, 34(1): 182–87.

　　[10] TARVER C, TONNEMACHER M, CHANDRASEKH-AR V, et al. Enabling a “Use-or-Share” Framework for PAL–GAA Sharing in CBRS Networks via Reinforcement Learning[J]. IEEE Transactions on Cognitive Communications and Networking, 2019, 5(3): 716-729.

　　[11] JOHN L. Commercial Deployment for Huawei's 4G/5G Flash Dynamic Spectrum Sharing[EB/OL]. (2020-02-21)[2020-09-10]. http://h-s.www.accesswire.com.qlu.naihes.cn/577361/Commercial-Deployment-for-Huaweis-4G5G-Flash-Dynamic-Spectrum-Sharing.

　　[12] 工业和信息化部．中华人民共和国无线电频率划分规定[M]．北京：人民邮电出版社，2014．

　　[13] CAVE M, DOYLE C, and WEBB W, Essentials of Modern Spectrum Management[M], Cambridge University Press, 2007.

　　[14] 王沙飞．人工智能与电磁频谱战[N]．中国信息化周报，2018-05-14 (16)．

　　[15] KELLY H, DARPA’s Spectrum Collaboration Challenge: Hulking Out, Helping Out and Exploring the Limits of AI-based Spectrum Sharing[EB/OL]. (2019-10-24)[2020-09-10].http://h-s.www.rcrwireless.com.qlu.naihes.cn/20191024/spectrum/darpas-spectrum-collaboration-challenge-hulking-out-helping-out-exploring-limits-of-ai-spectrum-management?utm_campaign=20191024%20RCRenewsThurs&utm_medium=email&utm_source=Eloqua.

　　[16] NTIA Office of Spectrum Management. [EB/OL]. [2020-09-13]http://h-s.www.ntia.doc.gov.qlu.naihes.cn/legacy /osmhome/training/training.html.

　　[17] DEFENSE U. Coalition Joint Spectrum Management and Planning Tool (CJSMPT)[EB/OL]. (2006-04-01)[2020-09-10]. http://h-s.defense-update.com.qlu.naihes.cn/20060401_coalition-joint-spectrum-management-and-planning-tool-cjsmpt.html

　　[18] Global Electromagnetic Spectrum Information System (GEMSIS). [EB/OL]. [2020-09-13]http://h-s.www.disa.mil.qlu.naihes.cn/~/media/Files/DISA/Services/DSO/GEMSISSpectrumCapabilities.pdf.

　　[19]吴启晖,丁国如,孙佳琛.电磁频谱数据挖掘理论与应用[M]. 北京: 科学出版社, 2020.

　　[20] DING G, WU Q, ZHANG L, LIN Y, TSIFTSIS T A, YAO Y D. An amateur drone surveillance system based on the cognitive Internet of Things[J]. IEEE Communications Magazine, 2018, 56(1): 29-35.

　　[21] CABRIC D S , MISHRA S M , BRODERSEN R W . Implementation issues in spectrum sensing for cognitive radios[C]// Conference on Signals, Systems & Computers. IEEE, 2004: 772-776.

　　[22] DING G, WANG J, WU Q, ZHANG L., ZOU Y, Yao Y, and CHEN Y. Robust spectrum sensing with crowd sensors[J]. IEEE Transactions on Communications, 2014, 62(9): 3129-3143.

　　[23] YUCEK T, ARSLAN H. A survey of spectrum sensing algorithms for cognitive radio applications[J]. IEEE Communications Surveys and Tutorials, 2009, 11(1): 116-130.

　　[24] DING G, WU F, WU Q, et al. Robust Online Spectrum Prediction with Incomplete and Corrupted Historical Observations[J]. IEEE Transactions on Vehicular Technology, 2017, 66(9): 8022-8036.

　　[25] 任峰. 频谱态势感知数据挖掘技术研究[D]. 北京: 北京邮电大学, 2015.

　　[26] SUN J, WANG J, CHEN J, et al. Clustering Analysis for Internet of Spectrum Devices: Real-World Data Analytics and Applications[J]. IEEE Internet of Things Journal, 2020, 7(5): 4485–4496.

　　[27] 陈敏. 基于无线电监测的电磁目标时空信息挖掘[D].成都: 电子科技大学, 2019.

　　[28] 张莉. 频谱数据挖掘算法研究与应用[D]. 北京: 北京邮电大学, 2016.

　　[29] LIU X , SHI R , HEE B , et al. Detection on Abnormal Usage of Spectrum by Electromagnetic Data Mining[C]// 2019 IEEE 4th International Conference on Big Data Analytics (ICBDA). IEEE, 2019.

　　[30] GIANNAKIS G B , SHEN Y , KARANIKOLAS G V . Topology Identification and Learning over Graphs: Accounting for Nonlinearities and Dynamics[J]. Proceedings of the IEEE, 2018, 106(5):787-807.

　　[31] MOORE M G , DAVENPORT M A . Analysis of wireless networks using Hawkes processes[C]// 2016 IEEE 17th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). IEEE, 2016: 1-5.

　　[32] LAGHATE M, CABRIC D. Learning Wireless Networks’ Topologies Using Asymmetric Granger Causality[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 233-247.

　　[33] DING G, JIAO Y, WANG J, et al. Spectrum Inference in Cognitive Radio Networks: Algorithms and Applications[J]. IEEE Communications Surveys and Tutorials, 2018, 20(1): 150-182.

　　[34] 李彤, 苗成林, 吕军, 等. 频谱用户行为特征建模与分析[J]. 装甲兵工程学院学报, 2019, 33(1):87-92.

　　[35] WILLKOMM D, MACHIRAJU S, BOLOT J, et al. Primary user behavior in cellular networks and implications for dynamic spectrum access[J]. IEEE Communications Magazine, 2009, 47(3): 88-95.

　　[36] DING G, et al. On the limits of predictability in real-world radio spectrum state dynamics: From entropy theory to 5G spectrum sharing[J]. IEEE Communications Magazine, 2015, 53(7): 178-183.

　　[37] XING X, JING T, CHENG W, et al. Spectrum prediction in cognitive radio networks[J]. IEEE Wireless Communications, 2013, 20(2): 90-96.

　　[38] LI H. Reconstructing Spectrum Occupancies for Wideband Cognitive Radio Networks: A Matrix Completion via Belief Propagation[C]// International Conference on Communications, 2010: 1-6.

　　[39] YIN S, CHEN D, ZHANG Q, et al. Mining Spectrum Usage Data: A Large-Scale Spectrum Measurement Study[J]. IEEE Transactions on Mobile Computing, 2012, 11(6): 1033-1046.

　　[40] KIM S J , GIANNAKIS G B . Cognitive radio spectrum prediction using dictionary learning[C]// Global Communications Conference. IEEE, 2013: 3206-3211.

　　[41] YU L , CHEN J , DING G . Spectrum prediction via long short term memory[C]// 2017 3rd IEEE International Conference on Computer and Communications (ICCC). IEEE, 2017.

　　[42] YU L , WANG Q , GUO Y , et al. Spectrum availability prediction in cognitive aerospace communications: A deep learning perspective[C]// 2017 Cognitive Communications for Aerospace Applications Workshop (CCAA), Cleveland, 2017:1-4.

　　[43] WANG J , TANG J , XU Z , et al. Spatiotemporal modeling and prediction in cellular networks: A big data enabled deep learning approach[C]// IEEE INFOCOM 2017 - IEEE Conference on Computer Communications. IEEE, 2017: 1-9.

　　[44] YU L, CHEN J, ZHANG Y, et al. Deep spectrum prediction in high frequency communication based on temporal-spectral residual network[J]. China Communications, 2018, 15(9): 25-34.

　　[45] ZHUANG F, QI Z, DUAN K, et al. A Comprehensive Survey on Transfer Learning[J]. ArXiv: Learning, 2019.

　　[46] LIN F, CHEN J, SUN J, et al. Cross-band spectrum prediction based on deep transfer learning[J]. China Communications, 2020, 17 (2): 66-80.

　　[47] MASONTA M T, MZYECE M, NTLATLAPA N, et al. Spectrum Decision in Cognitive Radio Networks: A Survey[J]. IEEE Communications Surveys and Tutorials, 2013, 15(3): 1088-1107.

　　[48] LI Z, GUAN L, LI C, et al. A Secure Intelligent Spectrum Control Strategy for Future THz Mobile Heterogeneous Networks[J]. IEEE Communications Magazine, 2018, 56(6): 116-123.

　　[49] LAUGHLIN C. Spectrum Vulnerabilities, Part I: Systematic and Technological Challenges to Identifying and Understanding Vulnerabilities[C]. The internet of things, 2019, 2(4): 6-7.

　　[50] PELECHRINIS K, ILIOFOTOU M, KRISHNAMURT-HY S V, et al. Denial of Service Attacks in Wireless Networks: The Case of Jammers[J]. IEEE Communications Surveys and Tutorials, 2011, 13(2): 245-257.

　　[51] THERESA S , KULKARNI J A A . Shannon Meets von Neumann: A Minimax Theorem for Channel Coding in the Presence of a Jammer[J]. IEEE Transactions on Information Theory, 2020, PP(99):1-1.

　　[52] 姚富强. 通信抗干扰工程与实践.第2版[M]. 北京：电子工业出版社，2012.YAO F Q. Communication Anti-Jamming Engineering and Practice, Second Edition[M]. Beijing: Publishing House of Electronics Industry, 2012 (in Chinese).

　　[53] 张春磊，杨小牛. 认知电子战与认知电子战系统研究[J]. 中国电子科学研究院学报，2014，9(6)：551-555.

　　[54] 李少谦, 程郁凡, 董彬虹等. 智能抗干扰通信技术研究[J]. 无线电通信技术, 2012, 38(1):5-8.

　　[55] YANG D, XUE G, ZHANG J, et al. Coping with a Smart Jammer in Wireless Networks: A Stackelberg Game Approach[J]. IEEE Transactions on Wireless Communications, 2013, 12(8): 4038-4047.

　　[56] XIAO L, LI Y, DAI C, et al. Reinforcement Learning-Based NOMA Power Allocation in the Presence of Smart Jamming[J]. IEEE Transactions on Vehicular Technology, 2018, 67(4): 3377-3389.

　　[57] HAN G, XIAO L, POOR H V, et al. Two-dimensional anti-jamming communication based on deep reinforcement learning[C]// 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2017: 2087-2091.

　　[58] YAO F, JIA L. A Collaborative Multi-Agent Reinforcement Learning Anti-Jamming Algorithm in Wireless Networks[J]. IEEE Wireless Communications Letters, 2019, 8(4): 1024-1027.

　　[59] FCC’s Rosenworcel Talks Up 6G? 2018, [EB/OL]. [2020-09-13] http://h-s.www.multichan-nel.com.qlu.naihes.cn/news/fccsrosenworcel-talks-up-6g

　　[60] KOTOBI K, BILEN S G. Secure Blockchains for Dynamic Spectrum Access: A Decentralized Database in Moving Cognitive Radio Networks Enhances Security and User Access[J]. IEEE Vehicular Technology Magazine, 2018, 13(1): 32-39.

　　[61] BAYHAN S, ZUBOW A, GAWLOWICZ P, et al. Smart Contracts for Spectrum Sensing as a Service[J]. IEEE Transactions on Cognitive Communications and Networking, 2019, 5(3): 648-660.

　　[62] JIAO Y, WANG P, NIYATO D, et al. Auction Mechanisms in Cloud/Fog Computing Resource Allocation for Public Blockchain Networks[J]. IEEE Transactions on Parallel and Distributed Systems, 2019, 30(9): 1975-1989.

　　[63] 杨健, 陈曦, 丁国如, 等. 基于区块链的频谱设备网络中防御拜占庭攻击的分布式共识机制[J]. 通信学报, 2020, 41(3): 1-16.YANG J, CHEN X, DING G R, et al. Blockchain-driven distributed consensus mechanism in defensingByzantine attack for the Internet of spectrum device[J]. Journal on Communications, 2020, 41(3):1-16 (inChinese).

　　[64] QIU J, GRACE D, DING G, et al. Blockchain-Based Secure Spectrum Trading for Unmanned-Aerial-Vehicle-Assisted Cellular Networks: An Operator’s Perspective[J]. IEEE Internet of Things Journal, 2020, 7(1): 451-466.

　　[65] BASH B A, GOECKEL D, TOWSLEY D, et al. Hiding information in noise: fundamental limits of covert wireless communication[J]. IEEE Communications Magazine, 2015, 53(12): 26-31.

　　[66] LIU Z, LIU J, ZENG Y, et al. Covert Wireless Communications in IoT Systems: Hiding Information in Interference[J]. IEEE Wireless Communications, 2018, 25(6): 46-52.

　　[67] BASH B A, GOECKEL D, TOWSLEY D, et al. Limits of Reliable Communication with Low Probability of Detection on AWGN Channels[J]. IEEE Journal on Selected Areas in Communications, 2013, 31(9): 1921-1930.

　　[68] SHAHZAD K, ZHOU X, YAN S, et al. Achieving Covert Wireless Communications Using a Full-Duplex Receiver[J]. IEEE Transactions on Wireless Communications, 2018, 17(12): 8517-8530.

　　[69] ZHENG T, WANG H, NG D W, et al. Multi-Antenna Covert Communications in Random Wireless Networks[J]. IEEE Transactions on Wireless Communications, 2019, 18(3): 1974-1987.

　　[70] COTTON S L, SCANLON W, MADAHAR B, et al. Millimeter-wave soldier-to-soldier communications for covert battlefield operations[J]. IEEE Communications Magazine, 2009, 47(10): 72-81.

　　[71] YAN S, ZHOU X, HU J, et al. Low Probability of Detection Communication: Opportunities and Challenges[J]. IEEE Wireless Communications, 2019, 26(5): 19-25.