1.一种基于LID的信号对抗样本检测器的设计方法，其特征在于，所述方法包括以下步骤：

1)对信号调制数据进行预处理，并设计调制分类模型：对已有的数据进行一定的标准化处理，同时划分训练集与测试集，根据信号数据类型和特征，构造信号调制分类器；

2)根据信号调制分类器结合对抗样本生成方法设计对抗样本生成器：选用基于FGSM攻击的信号样本生成方法，根据获取信号调制分类器的模型参数对输入的信号的原始输入数据进行梯度方向的调整，使得在输入样本变化细微的情况下，信号调制分类器对生成的对抗样本的调制类型分类错误；

3)根据调制分类器模型设计网络层信息评估函数：根据分类器模型获取其每层的深度表征，即模型每一层对输入数据的处理值，输入数据为正常样本与对抗样本，根据设定的k阶邻居计算出正常样本、对抗样本的LID值；

4)设计信号的正常样本与对抗样本检测器：根据网络层信息评估函数得到的特征值，将正常样本与对抗样本的特征值拼接并添加标签，其中对抗样本标签为0，正常样本标签为

1，将拼接后的数据划分为训练集与测试集，并训练一个逻辑回归分类器，最后用测试集测试分类器效果；

步骤1)的过程如下：

1.1：对信号数据进行标准化，并将信号数据划分为训练集与测试集，标准化后的信号数据中的正常样本与调制类型的标签分别用X，Z表示，X＝{x1,x2,…,xn}，其中标准化公式：*

其中，xi表示标准化后的正常样本，xn表示为标准化正常样本，n表示样本的总量，i为信号的第i个样本，minx*表示正常样本的最小值，maxx*表示正常样本的最大值；

1.2：使用训练集的数据对搭建的分类模型进行训练，

信号分类模型：

f(X)＝Z (2)

其中，f()为分类模型，Z为模型的输出标签值；

信号分类模型共有m层，用评估函数Y()表示为：

Y(X)＝{y1(X),y2(X),…,ym(X)} (3)yj(X)＝{yj(x1),yj(x2),…,yj(xn)},j＝1,…,m (4)其中，j表示分类模型的第j层，Y()表示分类模型的第j层网络层的评估函数，yj()表示正常样本在模型的第j层网络层的输出向量。

2.如权利要求1所述的一种基于LID的信号对抗样本检测器的设计方法，其特征在于，步骤2)的过程如下：FGSM方法是一种基于梯度的对抗样本生成方法，其通过求出模型对输入的导数，然后用符号函数sign()得到其具体的梯度方向，接着乘以一个步长ε，得到的扰动加在原来的输入上就得到了在FGSM攻击下的样本，公式如下：X'＝X+ε*sign(▽XJ(X,Z)) (5)

其中X’为对抗样本，X’＝{x1’,x2’,…,xn’}，ε为扰动系数，J(X,Z)为模型的损失函数。

3.如权利要求1所述的一种基于LID的信号对抗样本检测器的设计方法，其特征在于，步骤3)的过程如下：计算正常样本X在模型的j层输出，则样本xi的第j层输出yj(xi)与其他样本的第j层输出yj(xt)之间的欧式距离用dit(j)表示，则有集合Dij表示为：其中计算欧氏距离的公式表示为：

由此得出每个样本与其他样本之间的距离在模型的第j层的集合Sj，那么有Sj＝{D1j,D2j,…,Dnj}，则正常样本X在模型的每层输出的距离值的集合可表示为M＝{S1,S2,…,Sm}，在集合Dij中，对距离值按从小到大进行排序，并取前k个的距离值作为该样本的局部内在维k度的评估，记为rpj，1≤p≤k，则样本xi的k个邻居范围内的距离的集合Dij＝{r1j,r2j,...,krkj}，k

度值的集合为：Mlid＝{S1_lid,S2_lid,…,Sm_lid}；

同理，计算对抗样本X’在模型的j层输出，则样本x’i的第j层输出：yj(x’i)与其他样本的第j层输出：yj(x’t)之间的欧式距离用d’it(j)表示，则有集合D’ij表示为：其计算欧氏距离的公式可表示为：

由此得出每个样本与其他样本之间的距离在模型的第j层的集合S’j，那么有S’j＝{D’1j,D’2j,…,D’nj}，则对抗样本X’在每层输出的距离值的集合可表示为M’＝{S’1,S’2,…,S’m}，在集合D’ij中，对距离值按从小到大进行排序，并取前k个的距离值作为该样本的局部k内在维度的评估，记为r’pj(1≤p≤k)，则样本x’i的k(k

内在维度值的集合为：M’lid＝{S’1_lid,S’2_lid,…,S’m_lid}。

4.如权利要求1所述的一种基于LID的信号对抗样本检测器的设计方法，其特征在于，步骤4)的过程如下：根据步骤3)得到正常样本与对抗样本的LID值分别为Mlid,M’lid，合并为Zlid，其维度为(2n,m)，公式表示为：Zlid＝Mlid+M’lid (12)

首先进行标准化处理，然后将两类值合并后添加标签，对抗样本标签为0，正常样本标签为1，之后将合并后的样本分为训练集与测试集，根据训练集训练出逻辑回归分类器，逻辑回归公式表示为：其中，θ为一个常数，Zlid表示训练集样本， 表示样本数据的特征，其维度为2n；

最后用测试集测试逻辑回归分类器的分类效果。