Agon：一个用于鲁棒卫星干扰检测的半监督框架

大家读完觉得有帮助记得关注和点赞！！！

摘要​

非静止轨道（NGSO）卫星的迅猛扩张与现有的静止轨道（GSO）系统并存，加剧了频谱拥塞和系统间干扰，这对实时干扰管理提出了严苛要求，以维持下一代通信网络的可靠共存。尽管现有的基于机器学习（ML）的重建模型已取得进展，但由于依赖固定阈值，其曲线下面积（AUC）始终被限制在0.83，导致不可接受的虚警率，损害了关键链路的可靠性。此外，其解耦的训练范式忽视了跨域依赖性，将时域和频域的AUC分别限制在0.83和0.71。为解决这些局限，本文提出了一种名为Agon的半监督卫星干扰检测框架，采用了一种新颖的两阶段混合学习范式。Agon将双注意力Transformer（DAT）的掩码自编码器（MAE）预训练与多任务微调相结合，以优化直接的二分类器，有效消除了不稳定的阈值问题。此外，它融合了高阶统计量（HOS）增强的注意力机制和小波正则化，以增强噪声鲁棒性和结构保真度。在公开NGSO-GSO数据集和高保真NGSO-NGSO数据集上的广泛验证表明，Agon实现了最先进的（SOTA）检测性能，AUC提升了25.3%。同时，该多任务学习（MTL）框架支持准确率超过90%的调制分类，并在不同离轴角和干噪比（INR）的各种场景下均保持了最优的检测性能。

I. 引言​

随着静止轨道（GSO）和非静止轨道（NGSO）卫星星座的指数级扩张，全球连接正在经历深刻变革，使得低延迟、高通量的宽带服务成为可能[51]。然而，数万颗卫星的部署不仅加剧了对有限频谱资源的竞争，也引入了卫星间的干扰问题，进一步复杂化了频谱管理[25]。这种干扰，特别是在共享频段中，正导致NGSO系统、传统GSO系统和地面网络之间日益增加的潜在冲突。为确保未来非地面网络（NTN）与地面网络的有效共存，以及关键通信服务的可靠性，动态频谱共享[13]和高效的干扰管理[36]机制至关重要。在此背景下，开发能够在确保服务质量的同时遵守国际法规的先进干扰检测技术，已成为下一代卫星通信系统稳定运行的基础。

然而，随着NGSO星座的快速扩张深刻重塑全球通信并加剧频谱复杂性[3]，实现这种稳定性正变得越来越困难。尽管国际电信联盟（ITU）做出了协调努力[18]，但其静态框架每年要处理超过123,000份申报，且标准的7年监管周期难以跟上密集星座亚秒级的干扰动态，在实时管理方面留下了关键空白。预计到2030年，活跃卫星将超过100,000颗，干扰概率急剧上升。传统的物理链路预算计算无法满足动态NGSO系统的毫秒级延迟要求[12]。此外，卫星信道普遍较低的信噪比（SNR）和高度的时间可变性，进一步加剧了鲁棒检测的困难。因此，迫切需要新的干扰检测解决方案，能够高效计算、满足实时需求并确保可靠的性能。

近年来，干扰检测已从传统的分析技术[14]发展到基于学习的范式。由于卫星移动性带来了随机优化挑战，强化学习（RL）[49]和多智能体RL（MARL）[50]被广泛研究用于动态移动网络中的自适应控制和优化。虽然一般的信号检测仍是一个被深入研究的学术领域，但NGSO星座的快速扩张引入了全新的动态复杂性。然而，基于RL的方案主要在控制策略优化方面表现出色，而此类随机环境中的检测任务通常依赖于基于重建的模型来识别信号偏差[29]。像基于Transformer的干扰检测器[37]这样的先进注意力架构已达到最先进水平，但仍从根本上受到不稳定的重建误差阈值的阻碍[4]。它们严格依赖于来自特定公共基准数据集的恰好17,281个完全标注的快照，这严重限制了实际应用。

除了这些数据依赖性外，该研究问题还需要处理动态卫星链路固有的亚秒级频谱变化和极低SNR条件。因此，关键的研究空白在于如何在这样的随机信道条件下，在不依赖高度不稳定的固定阈值的情况下，实现可靠的实时干扰检测[48]。为了评估当前的局限性，接收者操作特征（ROC）曲线和曲线下面积（AUC）作为主要指标[11]。ROC曲线显示了检测概率与虚警之间的权衡，而AUC衡量了区分干扰与噪声的整体能力。根据这些标准指标评估，现有的基于Transformer的解耦训练范式通常孤立地处理时域和频域。通过忽略关键的跨域信息，这种隔离将其AUC限制在0.8318，F1分数限制在0.8321。这些孤立的Transformer模型还带来了高计算负担，导致延迟超过100毫秒，这仍然与快速的NGSO链路适配不兼容[19]。

为了解决这些具体挑战，本文提出了一个名为Agon的半监督框架，旨在实现高精度和鲁棒的干扰检测。该框架在公共NGSO-GSO数据集上表现出优越的性能，AUC和F1分数分别达到0.9327和0.8351，同时在保真NGSO-NGSO数据集上也取得了稳健的结果，分数为0.9085和0.9055。该架构采用了一种新颖的两阶段混合范式，其中核心双注意力Transformer（DAT）编码器首先通过MAE任务在未标记数据上进行预训练，以学习通用的信号结构。随后，一个多任务学习（MTL）策略在有限的标记数据上对模型进行微调，优化一个直接的二分类器以消除对阈值的依赖。通过集成高阶统计量（HOS）增强的双注意力机制和小波正则化损失，Agon显著提升了噪声鉴别能力和结构保真度。本文的主要贡献总结如下：

• 本文提出了Agon，一种新颖的半监督框架，它从自监督的结构预训练过渡到多任务微调，利用未标记数据学习鲁棒的信号表示，从根本上解决了决策阈值不稳定性的问题。

• Agon融合了一种HOS增强的双注意力机制，通过融入二阶统计先验重新构建了注意力评分函数，使框架能够识别出通常被线性注意力投影忽略的复杂统计特征。

• Agon在目标函数中实现了一种新颖的小波正则化损失，通过在离散小波域应用多尺度约束，确保了瞬态频谱细节的精确恢复，并在信号重建过程中保持了结构保真度。

• 一个全面的实证验证框架系统地证实了Agon在不同信号环境中的架构通用性，展现了相对于传统基线方法的卓越分布外鲁棒性和跨频段适应能力。

本文的组织结构如下：第二节回顾相关工作和技朮局限。第三节通过揭示卫星干扰检测面临的挑战，阐述Agon的设计动机。第四节介绍Agon的设计概览。第五节介绍Agon的训练和检测算法设计。第六节详细说明系统实现和实验设置，随后进行性能评估。最后，第七节给出结论和未来研究。

II. 相关工作​

在本节中，我们对这些技术里程碑进行简要的分类综述，将现有文献分为传统干扰检测方法、早期深度学习方法以及生成式人工智能（AI）前沿，以突出根本的研究空白。

II-A 传统干扰检测方法​

卫星通信中的干扰检测传统上依赖于传统的信号处理方法。其中，能量检测器（ED）因其低计算复杂性和在高斯白噪声下检测随机信号的有效性而被广泛使用[44]。Lipski等人[27]开发并评估了一种基于软件定义无线电的实时自适应阈值能量检测器，而Sobron等人[42]将能量检测应用于协作和非协作频谱感知。然而，在现代密集NGSO环境中，ED对弱干扰的灵敏度有限，并且其性能严重依赖于精确的时间窗口配置和不稳定的功率阈值。作为替代方案，循环平稳特征检测利用信号的周期性统计特性来缓解低SNR带来的挑战[9]。Dimc等人[8]证明，在低SNR条件下，这种方法比基于能量的检测具有更强的鲁棒性。尽管如此，传统方法需要计算所有周期频率，导致计算复杂度高，并且对NGSO卫星快速时变的传播特性适应性有限。

II-B 早期深度学习方法​

为解决传统方法的局限性，机器学习（ML）技术越来越多地被用于干扰检测，以提供更高的准确性和对复杂信号环境的适应性。Zhang等人[45]采用深度自动编码器在两用户干扰信道上进行端到端通信，Liu等人[28]利用全连接深度神经网络进行通信系统中的干扰检测。鉴于卫星通信对实时性能和数据处理要求的严格限制，深度学习模型面临额外的挑战[48]。Pellaco等人[35]提出了一种基于自动编码器的长短期记忆模型，用于检测NGSO通信信号中的蓄意干扰。然而，这类早期的序列模型由于其递归结构和缺乏并行性，遭受高推理延迟的困扰，使其不适合需要实时响应的动态卫星系统。

II-C 生成式AI与自监督学习前沿​

近年来，生成式AI模型在干扰检测方面取得了显著进展。Zhao等人[55]采用变分自动编码器开发了一种用于高效信号检测的变分优化框架。Zhang等人[54]介绍了一种用于系统级异常检测的自监督变分图自动编码器。在卫星通信背景下，Mascher等人[31]应用自动编码器来量化检测到的干扰的严重程度或关注级别。Saifaldawla等人[38]利用变分自动编码器学习正常数据分布的潜在表示，从而生成无干扰信号，并使用重建误差作为噪声指标。TrID模型[37]进一步集成了基于Transformer的自注意力机制，以增强长期序列依赖性建模，能够生成预期的GSO信号样本以解决NGSO对GSO的干扰。尽管取得了这些进展，现有模型共享一个根本的局限性：它们依赖重建误差阈值进行最终决策。这种对经验确定的阈值的依赖导致了不稳定的检测性能，对环境变化的高度敏感性，以及在现实应用中准确校准误报率和漏报率的挑战。

III. 动机与背景​

在本节中，我们通过表征不断演变的NGSO干扰格局，结合动态信号的数学建模和由此产生的监管标准，为卫星干扰检测建立分析基础，以突出现有检测范式的根本缺陷。

III-A NGSO干扰的演变格局​

电信行业目前正在见证一场由NGSO巨型星座指数级扩张驱动的范式转变[3]。运行环境已从静态、可预测的GSO拓扑转变为高度复杂的多层动态网络。在这种演变的背景下，如图1所示，一个旨在与主要服务卫星保持可靠链路的地面站，经常受到来自一组快速时变的可见NGSO卫星的同信道干扰[25]。NGSO卫星的高相对速度诱导了在毫秒时间尺度上波动的干扰模式。因此，这些瞬态信号冲突使得传统的静态分析对实时操作无效。此处的静态分析指的是传统的离线链路预算评估[22]，它侧重于长期累积影响，但无法捕捉亚秒级的信号动态，如快速多普勒频移和毫秒级的功率波动。加剧这种物理复杂性的是巨大的监管滞后，反映了日益增加的协调负担和日益不足的机构响应。预测显示，到2030年，活跃卫星将超过100,000颗，并产生快速的高速运行冲突。ITU框架[18]由于每年123,000份申报和一个7年的周期，无法管理这种动态。这种静态监管与动态运行现实之间日益扩大的鸿沟，迫切需要在接收端开发自主的实时检测机制，以确保系统共存。

图1说明：卫星干扰检测的一个示例场景。

III-B 动态信号的数学建模​

为了科学地解决检测问题，必须对由动态链路几何形状支配的信号特性进行严格建模。本文中使用的关键符号和描述总结在表I中。首先，我们使用离轴角 θk​(t)来量化几何关系。这个角度代表了地面站瞄准线方向（与指向期望卫星的矢量 VGSd​​(t)对齐）和指向第 k个干扰卫星的矢量 VGSk​​(t)之间的角间隔：

这个几何参数至关重要，因为它通过天线增益方向图 Gr​(θk​)决定了接收到的干扰功率 Ik​。如图2(a)所示，我们采用标准的ITU-R S.1428-1参考方向图[20]，其中陡峭的增益滚降产生了显著的空间选择性。基于此，推导出瞬时干噪比（INR）：

其中 EIRPk​表示第 k个干扰源的等效全向辐射功率，LFS,k​是自由空间路径损耗，Ladd​考虑了额外的大气损耗。噪声基底由噪声功率谱密度 N0​和系统带宽 B定义。类似地，期望链路的载噪比（CNR）表述为：

其中 EIRPd​代表期望卫星的辐射功率，LFS,d​是相应的路径损耗，Gr​(0)表示假设完美跟踪对准的最大接收增益。结合这些参数，复合基带信号 yn​(t)被建模为期望信号、聚合干扰和噪声的线性叠加：

其中 Kn​表示可见干扰卫星的数量，而 xd,n​和 xk,n​代表归一化的基带波形。为了在不同链路条件下建立一致的功率参考，我们假设复加性高斯白噪声 ζn​(t)具有零均值和单位方差。通过将期望信号和第 k个干扰源分别乘以 CNRn​和 INRk,n​，我们精确地校准了它们相对于该单位噪声基底的功率水平。项 Δfk,n​解释了由NGSO卫星高相对速度引起的多普勒频移。鉴于这些信号由动态多普勒频移和功率变化引起的非平稳特性，传统的1D时域分析通常是不够的。因此，我们采用伪维格纳-维尔分布（PWVD）来生成高分辨率的时频表示 Y∈RT×F×C：

其中 τ代表时间滞后，h(τ)是平滑窗函数，T和 F分别表示时间帧数和频率箱数。与标准傅里叶变换会模糊瞬态特征不同，这种针对同相和正交（I/Q）分量的2D表示有效地集中了能量，捕获了区分干扰与噪声所必需的瞬态频谱重叠[41]。

表 I：符号与描述

符号

描述

图2说明：(a) 地面站天线增益方向图。天线的高方向性，在瞄准线 0∘处有一个尖锐的主瓣和快速衰减的旁瓣，这意味着即使强干扰源如果落在天线的旁瓣或零点，也会被显著衰减。

(b) 总等效功率通量密度的示例热力图。热力图揭示了干扰的空间不均匀性，形成了总功率超过监管阈值的局部热点，将我们的检测任务定义为频谱积分突破ITU限制的那些区域。

图3说明：(a) 重建误差分布偏移。弱干扰信号（绿色）的误差分布与正常信号（蓝色）的分布大量重叠，使得固定阈值无法可靠地区分这两类。

(b) ROC比较：时域与频域特征。时域模型和频域模型之间的性能差距表明，孤立地分析域会遗漏关键的信号特征。

III-C 监管标准与真值​

为了为检测任务建立严格的真值，采用了等效功率通量密度（EPFD）指标。该指标被ITU正式规定为评估卫星系统间聚合干扰合规性的主要监管标准。如图2(b)的热力图所示，总EPFD表现出很强的空间不均匀性，形成局部的干扰热点。第 k个干扰卫星的贡献，记为 EPFDk​，是基于发射功率 Pk​、发射增益 Gt,k​、接收增益 Gr,ngso​、带宽 Bref​和距离 dk​计算的：

其中 Pk​是发射功率，dk​是距离。项 Gt,k​(ϕk​)和 Gr,ngso​(ψk​)分别表示在离轴角 ϕk​处的发射增益和在离轴角 ψk​处的接收增益。随后，总EPFD通过对所有 K个可见干扰卫星在参考带宽 Bref,Hz​上的频谱功率贡献进行积分来计算：

检测问题被表述为一个植根于监管合规性的二分类任务：当 EPFDtotal​≤EPFDlimit​时，适用假设 H0​（无干扰），根据ITU对Ku波段的规定，该限值设为-174.5 dB(W/m²·40kHz)。相反，当突破此阈值时，适用假设 H1​（有干扰）[1]。

图4说明：拟议的Agon框架示意图，说明了从数据仿真到两阶段模型训练和最终干扰检测的端到端工作流程。

III-D 当前检测范式的缺陷​

尽管有这些理论基础，实际检测仍然受到现有方法根本局限性的阻碍。传统的能量检测依赖于功率阈值，但在卫星下行链路典型的低SNR环境中缺乏灵敏度[7]。尽管最近的基于ML的重建模型（如TrID[37]）标志着显著的进步，但它们仍然表现出关键的局限性。首先，图3(a)强调的重建误差分布代表了仅在无干扰数据上训练的网络所产生的实际输入信号与输出之间的数学差异的统计频率。图形表示清楚地表明，正常 H0​和弱干扰 H1​信号的分布有大量重叠。这种广泛的重叠使得基于固定阈值的异常检测[4]极不稳定，导致像TrID这样的基线虚警率（FPR）高达17.63%，并最终导致不必要的资源分配。其次，当前的架构通常孤立地处理时域和频域[5]，未能利用图3(b)所示的协同跨域信息。这种隔离限制了检测性能，时域AUC为0.832，而频域AUC仅为0.711。最后，对大规模标记数据集的严格依赖限制了当前方法的可扩展性。此外，标准架构通常缺乏专门的机制来显式建模高阶统计依赖性或强制执行多尺度结构保真度。这种缺陷损害了它们对抗卫星信道固有的复杂噪声轮廓和瞬态动态的鲁棒性[38]。

图5说明：本文使用的NGSO星座可视化。(a) Starlink星座的轨道构型。

(b) OneWeb星座的轨道构型。

IV. 设计概览​

为了有效应对动态NGSO卫星环境中检测干扰的复杂性，我们开发了一个综合框架，将严格的物理仿真与半监督学习方法连接起来。拟议的Agon框架的总体工作流程概念性地展示在图4中。这个高层设计系统地组织成三个相互关联的阶段：数据仿真、数据集划分以及核心训练和检测过程。

IV-A 数据仿真​

工作流程始于生成一个牢固植根于轨道物理学的高保真数据集。我们利用公开的双行轨道根数（TLE）数据[24]来建模密集的卫星星座，特别是Starlink和OneWeb，其轨道构型如图5所示。通过使用简化的通用摄动4（SGP4）预报器，我们模拟精确的卫星轨迹以捕捉真实的轨道动力学。该阶段的一个关键步骤是动态分配链路角色，它根据仰角确定每个时间快照的期望链路和干扰链路。这种几何配置驱动了链路预算和总EPFD值的计算，随后通过PWVD变换用于合成真实的信号样本。

IV-B 框架概览​

为了有效应对动态NGSO环境的复杂性，Agon建立了一个全面的半监督框架。该架构将高保真物理仿真与顺序的两阶段训练范式相结合。这个过程首先将仿真数据划分为大规模的未标记数据集 DU​和有限的标记数据集 DL​。训练流水线首先使用 DU​执行自监督预训练阶段，通过MAE任务初始化编码器，使网络能够捕获通用的信号结构和物理依赖关系。随后，模型过渡到使用 DL​的监督微调阶段，在这些预学习的特征上进行优化，以适应特定的干扰环境。

IV-C 特定任务分类与执行​

该框架的核心目标是实现鲁棒的特定任务分类和实时决策。在训练阶段之后，微调后的模型作为一个直接的执行引擎，能够同时处理多个下游任务。这包括用于识别干扰信号存在的二分类干扰检测，以及用于对特定信号类型进行分类的调制分类。通过集成HOS增强和小波正则化，系统在推理阶段直接输出分类概率。

图6说明：Agon训练和检测过程的示意图，详细说明了从自监督预训练到监督微调的过渡。

V. 训练与检测算法设计​

基于设计概览，本节详细介绍训练和检测算法的设计。本文提出了干扰检测的结构性重构，从被动的重建误差映射过渡到两阶段的判别范式。如图6所示，Agon利用一个专为提取深层频谱特征而定制的DAT编码器，通过分层优化序列进行处理。自监督结构预训练通过MAE目标将未标记的频谱数据映射到鲁棒的潜在流形上，有效地捕获了卫星链路的内在物理约束。随后，框架进行多任务微调，在有限的标记数据上监督直接二分类决策边界的收敛。结合HOS增强机制，使编码器能够将复杂的信号相关性与背景噪声区分开来，而多尺度小波正则化则保持了结构保真度，共同确保了高分类精度和算法鲁棒性。

V-A 自监督预训练​

为了有效减轻对大规模标注数据集的依赖，我们首先引入了一种植根于MAE范式的鲁棒自监督预训练策略。训练过程始于初始化网络参数，特别是针对DAT编码器 gE​(⋅)和MAE解码器 gD​(⋅)，使用针对ReLU激活层优化的策略[16]以确保稳定的梯度传播。与传统的对称自动编码器不同，我们明确设计了一种不对称架构，以将特征提取与重建解耦。为了启动这个生成过程，连续的时频数据必须首先被调整为适合基于Transformer架构的离散格式。

块分割嵌入：输入的频谱图 Y∈RT×F×C被重塑为一系列扁平化的2D块 Yp​∈RN×(P2⋅C)，其中 T,F,C分别表示时间帧、频率箱和通道。这里，P是块大小，N=TF/P2是序列长度。这些块通过线性投影 E∈R(P2⋅C)×D映射到潜在嵌入，并与可学习的位置嵌入 Epos​∈RN×D相加：

其中 D代表潜在嵌入维度，Z0​∈RN×D作为编码器的输入。为了启动MAE任务，我们采样一个索引子集 M并构建可见序列 Zvis​={Z0,i​∣i∈/M}，长度为 Lvis​，有效地去除了琐碎的冗余，迫使模型学习全局上下文依赖关系。

图7说明：DAT编码器块的详细架构。输入表示 X直接由膨胀卷积块处理以提取局部频谱特征，并由双注意力层捕获全局依赖关系。然后由前馈网络细化特征，通过残差连接产生块输出 ZOut​。

DAT编码器核心架构：DAT编码器 gE​(⋅)充当统一的特征提取引擎。如图7所示，数据流首先通过膨胀卷积块。给定潜在输入 X，该模块指数级扩展感受野以计算局部特征表示 Zloc​：

其中 d表示膨胀率，LN(⋅)代表层归一化，σ(⋅)是GeLU激活函数[17]。作为补充，模型在时频轴上应用自注意力。我们从 Zloc​生成投影 Q,K,V以计算全局依赖图 Zglo​：

这里，D是基于嵌入维度 D的缩放因子。为了调和局部细节与全局一致性，在输入位置级前馈网络之前，通过残差连接融合局部和全局特征。最终的块输出 ZOut​推导为：

其中 Zmix​=Zloc​+Zglo​表示融合的特征流，参数 {W1​,b1​,W2​,b2​}代表前馈网络的可学习权重和偏置。

MAE机制：重建任务由一个轻量级的MAE解码器 gD​(⋅)处理，它完成了不对称架构。与沉重的编码器不同，解码器被设计为浅层的，以确保语义抽象能力主要驻留在编码器中。解码器接收一个完整的序列 Zfull​∈RN×D。遵循标准的MAE范式[15]，该序列是通过将编码器的潜在输出 Zvis​与一个全局共享的、可学习的掩码令牌 τmask​∈RD集成来构建的。为了保持空间感知，序列索引 i处的令牌在数学上通过注入相应的位置嵌入 Epos,i​来表述：

τmask​并非从输入数据中启发式提取，而是作为一个内在的网络参数，从一个连续均匀分布初始化。它充当一个代表未被观察到的时频块的结构占位符，使重型编码器能够仅处理可见块以实现计算效率。在自监督预训练阶段，τmask​与网络权重一起被联合优化。在第 k次训练迭代中，其更新规则严格由梯度下降控制：

其中 η表示学习率。由于 τmask​通过线性加法广播到所有掩码位置 i∈M，其精确梯度通过链式法则在掩码子集上累积：

目标是从这个组合表示中重建原始频谱图 Y^的像素值。如图6的预训练阶段所示，预测这些未被观察到的块是核心的自监督代理任务。从概率的角度来看，重建缺失的区域迫使网络参数 θ对条件分布 pθ​(YM​∣Zvis​)进行建模。因此，最小化重建误差有效地充当了最大化条件对数似然的代理：

为了强制执行这种深层结构学习，优化过程最小化了专门在掩码块上计算的平均平方误差（MSE），由自监督损失函数定义为：

其中 ∥⋅∥22​表示平方L2范数[43]，(t,f)∈Masked代表源自 M的属于掩码块的特定像素坐标。通过仅将这些损失集中在这些未见区域，DAT编码器在数学上被迫学习卫星信号的内在物理依赖关系、时间连续性和跨域频谱相关性，最终驱使模型从最小的线索中恢复复杂的、未被观察到的物理结构，产生鲁棒的预训练权重 WE​，这些权重随后被迁移以初始化微调阶段的编码器。

图8说明：HOS增强的双注意力机制架构。从 ZIn​导出的协方差矩阵 Σ调制查询和键投影，以融入二阶统计量，产生最终输出 ZFinal​。

V-B 监督微调​

监督微调阶段始于用预训练权重 WE​初始化DAT编码器 gE​(⋅)。这一步将从未标记大规模数据中获得的通用结构知识与干扰检测的特定判别需求联系起来。与仅仅重新训练分类器的标准微调不同，这个阶段引入了HOS增强和小波正则化，以严格解决噪声鲁棒性和结构保真度问题。

HOS增强的双注意力机制：标准自注意力机制的一个根本局限性是它们依赖一阶线性投影。在动态卫星信道中，基于绝对幅度和谐谱能量的一阶统计量根本不足以将干扰与噪声分离。在数学上，在噪声假设 H0​和干扰假设 H1​下，接收信号矢量分别是 y=n和 y=s+n。期望的信号能量评估为：

当干扰完全淹没在热噪声基底之下，即 σs2​≪σn2​时，这些一阶期望收敛，使得基于幅度的分离变得难以处理。为了克服这一限制，高阶统计量变得至关重要。高斯白噪声完全不相关，在数学上表现出对角协方差结构：

相反，人造通信信号具有固有的结构相关性，会产生强的非对角依赖关系，导致：

其中 Rs​代表信号相关矩阵[32]。为了在网路架构内实际利用这些统计依赖关系，如图8概念性所示，该过程始于显式计算特征协方差矩阵 Σ∈RD×D。给定具有通道均值 μ的输入特征序列 ZIn​，Σ正式推导为：

虽然严格来说代表二阶统计量，但这个协方差矩阵在理论上充当了完整高阶能力的计算上可行的代理。真正的高阶累积量对于高斯噪声严格为零，但会带来随 O(LD4)增长的难以处理的四次处理开销。通过仅需要二次复杂度 O(LD2)，协方差公式成功地分离了人造信号固有的主导非对角结构相关性。这个矩阵封装了信号在特征空间中的全局分布。为了利用这种统计先验，Agon超越了标准的线性投影，将高阶依赖关系直接注入到相似性计算中，从而重新构建了注意力核。具体来说，权重矩阵 WΣQ​和 WΣK​将 Σ从统计流形线性变换到语义注意力空间，促进了与标准查询 Q和键 K投影的加性融合：

其中项 ZIn​WΣ​(⋅)Σ充当上下文感知调制，基于每个特征通道的全局统计显著性动态地缩放查询和键向量。展开得到的注意力核使得能够将每个令牌对 i和 j的对齐分数分解为局部语义和全局统计先验：

其中 ϕ(⋅)和 ψ(⋅)代表局部特征与协方差结构之间的跨模态交互，而 Ω(Σ)充当统计偏置。分析干扰假设 H1​与噪声假设 H0​之间的期望统计发散 ΔS，揭示了根本的理论优势。假设背景噪声不相关，增强的注意力分数的期望裕度直接与信号相关矩阵 Rs​的Frobenius范数的平方成比例：

在密集的NGSO环境中，极端的路径损耗常常将干扰信号完全埋没在接收机热噪声基底之下。通过最大化针对不相关背景噪声的统计发散，这种机制明确地隔离了嵌入在协方差矩阵内的结构化调制特征。因此，即使严重的卫星信道衰落完全掩盖了一阶频谱能量，特征表示在结构上仍然是可以识别的。

这些增强的向量 Q′和 K′综合了来自标准投影的局部特征语义和来自HOS注入的全局统计上下文。随后使用这些增强的表示计算注意力分数以生成注意力图：

其中缩放因子 D用于确保反向传播期间的梯度稳定性，这里使用Softmax函数将原始对齐分数转换为归一化的概率分布。通过将二阶统计量融入点积机制，这种设计迫使模型优先考虑表现出一致相关模式的信号结构，而不是瞬态的噪声波动。最后，将得到的上下文感知令牌全局聚合成一个紧凑的向量 ZFinal​∈RD，以驱动随后的多任务分类头。

用于结构正则化的多任务学习：微调目标由MTL控制，战略性地将主要检测目标与两个辅助任务相结合，以促进特征稳定性和上下文感知。该框架利用三个并行的头：二分类检测头 hDet​(⋅)，输出干扰概率并向总损失贡献 LDet​；调制分类头 hMod​(⋅)，预测调制类型并向总损失贡献 LMod​作为辅助任务；信号重建头 hRec​(⋅)，重建输入信号并向总损失贡献 LRec​作为结构正则化任务。每个头都将最终的特征向量 ZFinal​作为输入。主要任务基于EPFD合规性准则优化 H0​/H1​决策，而辅助任务促进特征稳定性和上下文感知，特别防止了预训练期间学到的低级频谱细节的灾难性遗忘

图9说明：重建损失 LRec​计算示意图。它结合了用于基本波形相似性的标准 L1​损失和用于多尺度保真度的总小波正则化损失。后者通过使用Daubechies 4基进行3级分解得到的相应DWT系数之间的 L1​误差求和，来强制执行结构一致性。

最终的优化目标是总损失函数 LTotal​，表述为三个特定任务分量的线性标量化和：

从理论上讲，多目标优化框架[39]确立了这样的线性加权和公式在数学上是合理的，并且适用于寻找帕累托最优解，前提是任务表现出结构兼容性。对于共享的网络参数 θ，如果主要检测任务和辅助任务之间的梯度的期望内积保持非负，则联合优化可以在没有灾难性干扰的情况下成功：

在我们的框架中，可以可靠地预期这些任务会以兼容的方式相互作用，因为它们共享一个物理相关的基础。具体来说，辅助调制分类和信号重建任务被设计为从与检测任务完全相同的基带I/Q信号流中提取确定性属性，如相位演变和多尺度小波瞬变。因此，它们的优化轨迹本质上被限定为与主要的干扰检测目标保持一致。通过满足式(27)中的梯度对齐条件，这些辅助任务充当了协同的正则化器，丰富了特征空间，而不是冲突的目标。然后，通过映射精确的帕累托最优前沿，凭经验确定了平衡这些功能贡献的精确加权系数。具体来说，分量 LDet​充当二分类干扰检测任务的主要损失，实现为标准二元交叉熵损失。对于给定的大小为 Nb​的小批量样本，其计算为：

其中 Nb​表示小批量大小，ydet,i​∈{0,1}是第 i个样本的真实标签，y^​det,i​是检测头Sigmoid输出的预测概率[53]。LMod​作为辅助调制分类损失，实现为分类交叉熵损失。对于 M个调制类别，损失由下式给出：

其中 ymod,i,m​代表分类任务中单热编码（one-hot encoded）的真实标签向量。这种特定的向量将离散的调制类别映射为一种二进制格式，即由一个高位（值为1）和其余归零的元素组成。这种表述方式与基于深度学习的调制识别领域的既定惯例完美契合[34]。变量 y^​mod,i,m​则表示直接来自辅助Softmax输出的第 m类的预测概率[47]。

LRec​融入了小波正则化损失（Wavelet Regularization Loss），以强制执行多尺度结构保真度，如图9所示。Agon在离散小波变换（DWT）域中施加约束。通过将输入信号和重建信号同时分解为分层的频率子带，模型被迫不仅要匹配全局波形包络，还要匹配每个分辨率尺度下的细粒度瞬态细节。总重建目标将标准的像素级误差与这种多尺度小波惩罚相结合：

其中 LL1​代表标准的 L1​损失[40]，用于衡量输入 Y与重建结果 Y^之间的像素级保真度。项 Ws​(⋅)表示在尺度 s下的DWT操作，采用Daubechies 4基[6]以捕获非对称的瞬态特征。NGSO卫星的快速移动会引发严重的多普勒频移，从而产生高度非平稳的瞬态干扰突发。贝索夫空间（Besov spaces）[30]内的基础逼近论为捕获这些快速频谱波动提供了理论依据。对于具有瞬态奇异性的非平稳干扰，理论重建误差界 Ebound​严格取决于其多尺度小波系数的衰减速率：

其中 λ代表绝对结构常数，而 β表示定义信号固有平滑度的利普希茨正则性参数。该理论界限证明，最小化跨越 S个分解尺度的这些小波系数的 L1​范数，在数学上保证了信号尖锐跳变的优化保存。在权重因子 α的调节下，这种多尺度约束从理论上确保了动态卫星链路特有的突发性频谱重叠能够被精确恢复。因此，复合目标 LTotal​引导编码器学习用于鲁棒检测 LDet​的判别性特征 ZFinal​，同时通过受 LMod​正则化的 LRec​防止关键干扰边缘的模糊化。包含自监督预训练和监督微调阶段的完整训练流程总结于算法1中。

为了评估Agon的实际可行性，我们将计算过程分为离线和在线两个阶段来分析其计算复杂度。离线复杂度由权重收敛过程中的累计计算负载决定。设 ∣DU​∣和 ∣DL​∣分别为未标记和标记数据集的大小，E为训练轮数，L为DAT层数。总离线复杂度为 O(E⋅(∣DU​∣+∣DL​∣)⋅L⋅(N2D+ND2))，这是用于自监督结构预训练和多任务优化的一次性计算投入。相比之下，在线阶段仅关注使用经过微调的DAT编码器和二分类检测头进行一次前向传播的实时干扰检测。对于被分割为 N个令牌且嵌入维度为 D的输入表示，在线推理复杂度为 O(L⋅(N2D+ND2))。由于块嵌入过程有效地将序列长度 N缩减了 P2倍，在线复杂度被降至最低，使Agon能够支持下一代卫星通信的低延迟运行需求。

算法 1 Agon框架的两阶段训练算法

输入：标记数据集 D_L = {(Y_n, y_det,n, y_mod,n)}，未标记数据集 D_U = {Y_n}，超参数 lr_U, lr_F, N_b，损失权重 λ_Det, λ_Mod, λ_Rec。
输出：DAT编码器 g_E(·) 和检测头 h_Det(·) 的最终参数。
1: 初始化 g_E(·) 和 MAE解码器 g_D(·) 的参数；
2: repeat
3: for D_U 中的批次 {Y_i}_{i=1}^{N_b} do
4: 随机掩码 Y_i 后定义 Y_vis；
5: Z_vis = g_E(Y_vis)；
6: Ŷ_i = g_D(Z_vis, τ_mask)；
7: 使用式(16)计算 L_MAE；
8: 使用 lr_U 更新 g_E(·) 和 g_D(·)；
9: end for
10: until 验证损失稳定；
11: 保存预训练的编码器权重 W_E；
12: 将预训练权重 W_E 加载到 g_E(·) 中；
13: 初始化头 h_Det(·), h_Mod(·), h_Rec(·) 的参数；
14: epoch ← 0；
15: repeat
16: epoch ← epoch + 1；
17: for D_L 中的批次 {(Y_i, y_det,i, y_mod,i)}_{i=1}^{N_b} do
18: Z_Final = g_E(Y_i)；
19: ŷ_det,i = h_Det(Z_Final)；
20: ŷ_mod,i = h_Mod(Z_Final)；
21: Ŷ_i = h_Rec(Z_Final)；
22: 使用式(28)–(30)计算 L_Det, L_Mod, L_Rec；
23: 使用式(26)计算 L_Total；
24: 使用 lr_F 更新 g_E, h_Det, h_Mod, h_Rec；
25: end for
26: until epoch = 30；
27: return g_E(·) 和 h_Det(·) 的最终参数；

VI. 实验设置

VI-A 数据集

为了全面评估所提出的Agon框架，我们在两个不同的数据集上进行了验证：一个是用于与现有技术进行比较的公共数据集，另一个是用于评估该方法全部能力的自生成NGSO-NGSO数据集。

公共NGSO-GSO数据集：为了与现有技术进行基准测试，我们采用了公开的NGSO-GSO干扰数据集，该数据集模拟了NGSO卫星对GSO下行链路的干扰[26]。该数据集包含17,281个时间快照，提供单通道时域幅度 ynA​和频域功率谱密度 ynF​表示，本质上缺乏Agon核心创新所利用的相位信息。因此，当在该数据集上评估Agon时，我们调整了框架以使用单通道输入，并禁用了相位敏感的调制分类损失 LMod​。遵循标准的异常检测协议，包含10,397个样本的训练集和1,175个样本的验证集仅包含对应于假设 H0​的无干扰数据。剩余的2,802个样本构成一个平衡的测试集，包含 H0​和干扰 H1​实例，用于无偏性能评估。

NGSO-NGSO数据集：该数据集基于源自现实世界轨道数据的精确轨道动力学，模拟了高度复杂的干扰环境。我们在GitHub仓库[2]中公开提供了生成的数据集以及全面的物理配置，包括特定的ITU-R天线方向图、连续的轨道历元和多样的调制方案。如图5所示，我们使用了源自官方在线存储库的6,800颗Starlink和650颗OneWeb卫星的公开TLE数据[23]。这些编码了每颗卫星轨道参数的TLE被输入到SGP4轨道预报器[46]中，这是从TLE预测卫星位置的标准模型。随后执行了分辨率为10秒、时长48小时的仿真。在每个10秒的时间步长，SGP4预报器计算了所有7,450颗卫星的精确地心位置。这使我们能够推导出相对于地面站的时间变化几何参数。这些几何值是用于确定每个快照的地面真值干扰标签（H0​或 H1​）的链路预算和EPFD计算的关键输入。

图10(a)展示了48小时仿真期间可见干扰链路的时间变化，而图10(b)则将相应的总EPFD与ITU监管阈值进行了对比。该框架摄取源自复I/Q分量PWVD的高分辨率多通道时频表示 Y∈RT×F×C，保留了辅助调制分类任务 LMod​的关键相位信息。通过评估源自SGP4的瞬时 EPFDtotal​与ITU规定的全球统一阈值-174.5 dB(W/(m²·40 kHz))[1]，严格分配了地面真值标签 H0​和 H1​。为了确保在不同干扰拓扑下进行高度公平的架构评估，我们指定了11,572个无干扰样本作为第一阶段预训练的未标记数据集 DU​，并刻意将其分割为恰好10,397个训练实例和1,175个验证实例，以完美匹配既定的公共NGSO-GSO基准规模。此外，我们分割了另外2,802个完美平衡的快照，分配了802个同时配备二分类干扰标签 ydet​和调制标签 ymod​的平衡子集，以形成第二阶段微调的标记数据集 DL​，同时保留剩余的2,000个平衡实例作为预留的测试集 Dtest​，用于无偏模型评估。

图10说明：(a) 48小时仿真期间可见干扰卫星链路的波动数量。

(b) 地面站接收到的总EPFD与ITU监管阈值的对比。

VI-B 实现细节

实验使用PyTorch在NVIDIA GeForce RTX 3060 GPU（6 GB显存）上实现。每个快照的接收信号 yn​(t)是根据式(4)中的归一化信号模型合成的，结合了源自链路预算的CNR和INR值以及单位方差的加性高斯白噪声（AWGN）项 ζn​(t)。在网络输入之前，所有信号数据均基于无干扰训练数据的统计信息进行了零均值、单位方差归一化。时频表示 Y∈R128×128×2是使用PWVD生成的。为此，为了满足50 MHz带宽的奈奎斯特准则，基带信号以 fs​=100MHz采样，并使用256点汉明窗和128个样本的跳数进行处理。这种配置产生了网络输入所需的 T=128个时间帧和 F=128个频率箱。底层基带信号使用了滚降系数为0.25的根升余弦（RRC）脉冲整形。DAT编码器的模型维度 D设置为256。对于MAE预训练，应用了60%的掩码率，导致可见序列长度缩减为 Lvis​=16。监督微调采用Adam优化器，训练30个轮次，批量大小为64。预训练学习率 lrU​设为 1×10−4，微调学习率 lrF​设为 1×10−5。本研究中采用的关键仿真参数和模型配置总结于表II。

表 II：仿真参数

参数

值

为了评估实际适用性，我们开发了如图11所示的综合物理射频测试台。该基础设施利用室内受控的物理传输系统发射来自NGSO-NGSO数据集的高保真合成基带波形。具体而言，测试台包含两个LEO专用数字视频广播（DVB）发射相控阵来生成信号。一个阵列生成目标信号，另一个发射聚合干扰波形。这些发射器（Tx）阵列由Tx控制工作站管理。发射的信号通过连接到PXIe-1095机箱平台和上下变频器模块的接收喇叭天线捕获，在保持绝对分析控制的同时，原生引入了真实的硬件相位噪声和非线性放大器失真。为了全面评估现实世界的部署可行性，我们将Jetson Orin Nano边缘AI计算平台[33]直接集成到此接收器（Rx）流水线中，以处理数字化基带流，代表了标准的资源受限地面站环境。处理后的信号和地面真值可以使用Rx信号分析仪进行视觉评估。

VI-C 基线模型

为了严格评估所提出的Agon框架相对于SOTA的性能增益，我们针对涵盖传统方法和当代深度学习架构的模型进行了全面比较。我们首先使用经典的ED（能量检测）建立了性能下限，该方法依赖简单的信号功率阈值进行异常检测。随后是一组适用于基于重建的异常检测的深度学​​习基准，包括卷积变体卷积神经网络-自动编码器（CNN-AE）和序列建模长短期记忆自动编码器（LSTMAE）。所有这些模型都仅在无干扰数据 H0​上进行训练，并依赖重建误差阈值进行最终的 H1​预测。最后，我们包括了代表该领域当前生成式异常检测SOTA的现代GenAI模型：变分自动编码器（VAE）和TrID[37]。TrID是一个关键的基准，因为它在最近的比较研究中取得了卓越的性能。这些基准在两个公共单通道数据集和我们自生成的多通道PWVD数据集上进行了评估，以验证Agon特征集的泛化能力。

图11说明：综合室内物理验证测试台架构。受控的室内射频发射和接收环境（底部）明确复制了真实的硬件损伤，同时保持了绝对的地面真值控制。物理接收和边缘AI计算流水线包括直流电源、上下变频器模块和Jetson Orin Nano边缘平台（右上），PXIe-1095数据采集机箱（左上）提供基础的采集底座。

表 III：不同模型在两个数据集上的性能比较

模型

数据集详情（规模与类型）

准确率

F1分数

AUC分数

真正率(TPR)

假正率(FPR)

VI-D 总体性能

使用ROC曲线分析[10]严格评估了所提出框架的判别性能，定量结果详见表III。在公共NGSO-GSO基准测试中，Agon展示了卓越的泛化能力，实现了0.9251的准确率、0.9327的AUC和0.8351的F1分数。

如图12(a)所示，Agon在将FPR抑制在可忽略不计的0.0553的同时，保持了0.9355的高真正率（TPR）。这相较于TrID基线的0.1763 FPR和CNN-AE的0.1754 FPR有了显著提升。这一性能证实了直接二分类策略的有效性。传统的基于重建的模型（AUC为0.5766的VAE）难以区分决策边界附近的异常与噪声。通过消除对启发式重建误差阈值的依赖，Agon即使在单通道幅度数据上也建立了精确的、可学习的决策边界，有效规避了限制传统模型在标准场景中表现的灵敏度-特异性权衡。

该框架的鲁棒性在高保真NGSO-NGSO数据集上得到了进一步证实，该数据集引入了复杂且密集的干扰拓扑。

如图12(b)所示，基线模型表现出显著的性能下降，TrID的AUC从0.8318降至0.7253，CNN-AE的AUC降至0.7003。相比之下，Agon表现出显著的鲁棒性，保持了0.9085的AUC和0.9055的F1分数。从理论上讲，这种持续的胜势验证了所提出的架构创新。在这种复杂场景下，HOS增强明确地捕获了统计依赖关系，以区分结构化干扰与增加的背景噪声，而小波正则化损失则针对瞬态信号变化强制执行了多尺度结构保真度。这些机制协同作用，使Agon能够从动态的、低SNR的干扰模式中提取判别性特征，而这些模式压垮了标准基线，使其FPR保持在0.1304的较低水平，而TrID则为0.2204。

图12说明：跨数据集的ROC曲线比较。Agon在公共数据集上实现了0.9327的AUC，并在基线显著下降的NGSO-NGSO数据集上保持了0.9085的高AUC。

VI-E 关键物理参数下的鲁棒性分析

我们通过检查在空间变化和干扰变化下的检测概率 PD​来评估鲁棒性。

如图13(a)所示，Agon在所有离轴角下均保持最高的检测性能，并且随着 θ的增加仅出现轻微下降。在 10∘左右，它仍能实现接近0.6的 PD​，而TrID降至约0.4，VAE下降更为明显，表明它们易受旁瓣衰减的影响。

图13(b)进一步显示了Agon在不同干扰水平下的优势。即使在0 dB至-5 dB的极低INR区间（由于物理链路限制，所有框架的检测性能不可避免地都会下降），Agon仍保持着可观的性能裕度。随着INR的增加，Agon的曲线迅速上升，并在8 dB附近接近1，而TrID则需要近15 dB。这些趋势表明，尽管存在严重的功率衰减，Agon仍能保留基本的统计结构。具体来说，所提出的HOS增强强化了高阶统计线索，即使在一阶频谱能量被背景噪声完全掩盖时，这些线索仍然保持鲁棒。这使得Agon比传统的基于重建的方法更有效地将结构化干扰与噪声分离，提供了一个更丰富的表示空间，其中相干干扰特征即使在一级频谱特征严重减弱时仍可识别。这种对二阶统计量的强化依赖有效地增加了Agon对NGSO链路固有畸变的不变性，从而在广泛的物理条件下实现了更一致的检测。

图13说明：Agon在各种离轴几何畸变下保持较高的检测概率，并在较低的INR水平上实现可靠检测，始终优于基线模型。

此外，为了验证跨主流频谱分配的泛化能力，我们根据已建立的基线，在C波段和Ka波段的物理约束下严格评估了该框架。从数学上讲，这些不同载波频率之间的物理传播差异仅表现为由频率相关的自由空间路径损耗和大气衰减（如严重的Ka波段雨衰）驱动的接收功率变化。由于该架构处理的是下变频后的归一化复基带表示，无论初始射频如何，控制不相关热噪声和结构化干扰的潜在统计分布基本保持不变

如图14(a)针对公共NGSO-GSO数据集的定量演示，即使在严重的Ka波段衰减下，Agon仍实现了超过0.91的AUC分数，保持了卓越的泛化能力。

图14(b)展示了在高保真NGSO-NGSO数据集上的一致性能，Agon在所有评估的频谱中均保持了优越的检测能力。当整套生成式和重建式基线在极端的Ka波段能量损失下表现出严重的性能崩溃时，Agon成功分离了不变的离对角线相关结构。通过利用高阶统计模块捕获通用的基带先验，而非特定于载波的伪影，检测机制保持了鲁棒的泛化能力，无需任何架构修改。

图14说明：跨不同频段的性能泛化。

VI-F 多任务效能与特征验证

辅助调制分类任务 LMod​的有效性通过DAT编码器可靠地区分六种代表性NGSO调制方案的能力得以证明。如图15的归一化混淆矩阵所示，该模型对几乎所有类别的准确率都超过90%，表明特征具有极强的可分性。这种精度水平证实DAT编码器正在学习内在的信号特征，如相位演变模式和星座几何结构，而不是依赖表面的能量线索。通过促进这种细粒度的语义理解，辅助任务充当了结构正则化器，防止了对过于简单的二进制特征的过拟合。因此，聚合的特征表示 ZFinal​包含了更多物理上有意义的、调制不变的信息，从而增强了复杂时变噪声环境下主要干扰检测任务的鲁棒性和判别能力。

图15说明：调制分类的归一化混淆矩阵。

通过评估结构正则化目标 LRec​的影响，验证了特征的结构完整性，图16所示的信号重建质量的直观视觉对比证实了这一点。该图将使用所提出的 LTotal​损失重建的复同相I(t)和正交Q(t)瞬态特征与仅使用标准 LL1​损失训练的基线模型进行了对比。Agon重建的视觉优越性显而易见，特别是其对尖锐瞬时特征和高频波形细节的精确恢复。这一成功证实了小波损失（LRec​的关键组成部分）在DWT域中强制执行约束，有效地充当了多尺度正则化机制。通过这种方法，防止了模型灾难性地遗忘基本的低级频谱细节，与简单的像素级误差最小化相比，实现了更优越的结构恢复。

图16说明：信号重建的视觉验证。

VI-G 效率评估

图17(a)

图17(b)中的重建损失收敛曲线展示了Agon框架的训练稳定性和特征学习能力。尽管所有基线在早期都实现了快速的损失下降，但Agon在两个数据环境中始终收敛到最低的最终损失。这种模式反映了基于MAE的自监督初始化的优势，它为表示学习提供了坚实的基础，同时也体现了小波正则化损失对多尺度结构一致性的促进作用。这些组件共同建立了一个更稳定的优化轨迹，并鼓励提取在多样化和有噪声的信号条件下仍具有信息量的特征，从而使下游分类器能够实现更高的准确性和更强的鲁棒性。

图17说明：模型训练稳定性的比较分析。

将理论公式与实证测量相结合，

图18(a)表明所提出的架构仅使用了196万个参数，避免了沉重的生成模型膨胀。理论上，像TrID这样未打补丁的Transformer表现出刚性的 O(L⋅((P2N)2D+(P2N)D2))依赖关系，导致严重的二次开销。包括CNN-AE和VAE在内的卷积基线需要 O(Lc​⋅(P2N)⋅Cc2​⋅Kc2​)次操作，随深度 Lc​、通道 Cc​和内核维度 Kc​的扩展而大幅增加，而像LSTMAE这样的递归架构则施加了不可简化的 O(Ls​⋅dh2​)复杂度，阻碍了硬件并行化。实证方面，

图18(b)证实Agon实现了18毫秒的推理延迟，直接优于TrID，而结构瓶颈将LSTMAE的处理时间限制在140毫秒以上，使其与动态卫星下行链路根本不兼容。这些结果严格证明了该方法在严格的亚秒级操作约束下实现了帕累托最优平衡。

图18说明：计算成本和模型效率分析。

从高性能图形处理器过渡到现实的资源受限环境，我们利用源自NGSO-NGSO数据集的复杂双通道表示进行了全面的计算分析。我们在Jetson Orin Nano边缘AI平台[33]上明确部署了这些架构，运行在FP16精度和严格的单位批量大小下。如表IV中的硬件指标所证实，所提出的Agon框架保持了18.6毫秒的高效平均延迟，同时维持了10.2瓦的竞争功率配置。尽管像LSTMAE这样的递归架构表现出略低的存储占用和功耗，但其顺序计算的性质产生了112.4毫秒的禁止性延迟，从根本上违反了动态NGSO链路的亚秒级操作约束。形成鲜明对比的是，Agon内部的并行注意力机制仅带来可忽略不计的硬件资源开销增加，却实现了比LSTMAE快六倍的速度。这些明确的物理部署测量证实，我们的方法在标准商用边缘计算设备上实现了高速推理和能效之间的最佳帕累托平衡。

表 IV：Jetson Orin Nano边缘AI平台上的实证部署指标（批量大小 = 1）

模型

精度

延迟 (ms)

内存 (MB)

功率 (W)

除了计算效率外，最小化模型适应的通信开销对于动态NGSO卫星网络同样关键。为了评估这一点，图19通过从10%到100%的子采样标记数据集 ∣DL​∣，研究了所提出框架在公共NGSO-GSO数据集

图19(a)）和复杂NGSO-NGSO数据集

图19(b)上的样本效率。需要强调的是，我们在微调阶段使用的完整标记数据集（占 ∣DL​∣的100%）包含802个样本，仅占可用数据池的6.48%。如图19所示，在自监督预训练阶段获得的鲁棒物理表示赋予了Agon对数据稀缺性的卓越弹性。即使标记数据减少到 ∣DL​∣的20%（对应约160个样本），该框架在具有挑战性的NGSO-NGSO场景中仍保持0.8850的高竞争力AUC。此外，在10%的极端标记制度下，Agon继续实现超过0.86的AUC，显著优于缺乏预训练特征空间的基线模型。因此，将Agon适应新的轨道槽位只需要传输微不足道的信号样本量，有效地减轻了主动通信负担。

图19说明：不同标记数据集比例下的样本效率性能比较。

VI-H 消融实验

进行了全面的消融实验，以量化Agon框架中核心组件的个体和组合贡献。如表V所示，完整的Agon模型提供了最佳性能，达到了0.9085的AUC和0.9027的准确率，证实了集成架构的有效性。为了验证自监督范式的必要性，我们引入了一个未经MAE预训练而从零开始训练的变体。结果表明，跳过预训练阶段会导致显著的性能下降，AUC降至0.8685，表明模型未能内化干净信号的通用物理先验。这一差距证明MAE预训练对于捕获通信基带的潜在结构常数至关重要，它为后续的干扰检测提供了优越的初始化。当移除HOS增强时，性能下降最大，AUC降至0.8614，突显了高阶统计线索在提高复杂噪声条件下特征鲁棒性方面的关键作用。小波正则化也提供了实质性贡献：消除小波损失会使AUC降至0.8762，表明在小波域中强制执行一致性对于保持高保真表示非常重要。

表 V：Agon性能组件的消融研究

模型变体

准确率 ↑

F1分数 ↑

AUC分数 ↑

此外，为了实证验证理论上的多任务兼容性和梯度对齐，我们进行了全面的敏感性分析。这种控制变量方法不是启发式的参数扫描，而是系统地探索由线性加权和公式形成的实证帕累托最优前沿。通过将每个权重参数以0.1为增量独立变化，同时将互补权重冻结在其既定的基线值1.0或0.5，

图20(a)

图20(b)中的性能轨迹表明，Agon在所提出的配置坐标下始终达到峰值AUC。这种精确校准提供了实证证据，表明主要的二分类检测任务成功地控制了主要的梯度轨迹，而辅助任务满足了式(27)中的兼容性条件，提供了最佳的结构正则化。任何偏离这些理论依据坐标的行为都会破坏帕累托最优性，立即引发灾难性的梯度干扰和严重的检测退化。对于不同场景的实际部署，应通过特定场景验证集上的类似逐步参数扫描来校准这些权重参数。

从内部参数优化过渡到外部环境鲁棒性，我们将评估从同分布场景扩展到三个渐进的分布外偏移。如图21所示，第一个场景通过仅在Starlink拓扑上训练并在未遇到的OneWeb配置上进行零样本评估，评估了对动态星座的鲁棒性。第二个场景通过在没有出现在训练流形上的新型高阶签名上进行测试，评估了对异构调制的弹性。最后，跨数据集偏移评估了两个不同数据集之间的零样本可迁移性。实证结果表明，严重的分布偏移导致传统基线性能崩溃，表明存在过拟合。形成鲜明对比的是，Agon展示了泛化能力，保持了0.85以上的AUC分数。这种弹性源于半监督MAE公式，它迫使模型重建干净通信信号的通用不变物理先验，而不是记忆瞬态干扰模式。通过捕获这些潜在的结构常数，Agon有效地将其检测机制与波动的拓扑状态和变化的调制特征解耦，从而确保在动态演变的卫星网络中可靠部署

图20说明：任务权重对检测性能的影响。

图21说明：比较同分布部署与三个渐进分布偏移级别的综合性能评估。

VII. 结论

本文探讨了半监督学习框架在卫星干扰检测中的应用，旨在管理复杂的NGSO系统中的干扰。我们设计了Agon，一种两阶段混合学习解决方案，以弥补现有方法的局限性，例如对不稳定阈值的依赖和高计算成本。Agon通过MAE预训练学习通用信号表示，然后使用MTL微调策略优化直接分类器。该框架集成了一新颖的HOS增强注意力机制以提高噪声鲁棒性，并采用小波正则化损失以保持多尺度频谱保真度。我们的方法在公共NGSO-GSO数据集和高保真NGSO-NGSO数据集上均得到了验证。实验结果表明，Agon显著提高了准确率，在复杂的NGSO-NGSO集上比SOTA的AUC提升了25.3%，同时还增强了泛化能力，并通过消除阈值依赖和支持辅助任务提供了更大的灵活性。未来的研究将优先考虑对大型语言模型（LLM）与专用半监督框架在实际卫星硬件上的部署效率和架构价值进行严格的比较分析。评估LLM的高级认知推理能力是否足以证明在功率受限的轨道环境中巨大的计算开销是合理的，这对于确定下一代自主卫星编排的实际可行性仍然至关重要。