水下传感网与船载网等水域通信网涉及节点位置信息等安全敏感性信息,容易受到电子欺骗和敌意干扰等威胁,可导致水域网数据被篡改,传感器寿命减少,网络通信中断和拒绝服务攻击。水下传感器由于计算资源和电池寿命等因素限制了其安全技术的算法复杂度和通信复杂度。因此,论文研究基于机器学习的低开销水域通信网安全技术。论文提出一种基于强化学习的水下传感网的物理层认证方案,不需要预知水下信道模型和电子欺骗攻击模型,采用强化学习技术优化信息汇聚节点的认证参数,提高认证精度。在此基础上,提出一种基于深度Q网络的认证算法,利用卷积神经网络压缩状态空间,进一步提高可支持深度学习计算的信息汇聚节点的优化速度和认证精度。实验结果表明,该算法可对比固定量化测试阈值的现有认证方法,降低87.1%的虚警概率,降低74.5%的漏报概率,提高88.1%的网络效益。针对具有多个监测节点的船载无线网络,论文提出一种基于在线机器学习算法的物理层认证方案,利用多监测节点和多接收天线增强水面基站等设备的空间分辨率,增强认证精度,采用不需要预知该网络的信道模型和电子欺骗攻击模型的逻辑回归认证方案。在此基础上,设计一种基于增量聚合梯度的认证算法,估计认证模型的系数向量,仿真和实验结果验证该认证算法提高认证精度并降低认证开销。例如,当监测节点数目与接收天线数目均为6时,基于增量聚合梯度算法的认证算法的漏报概率和虚警概率低于5 ×10-5;与基于Frank Wolfe梯度下降的逻辑回归认证方法相比,计算开销降低91.2%。在相同场景下,与基于假设检验的物理层认证方法相比,虚警概率和漏报概率降低超过99.0%。论文设计基于强化学习技术控制发射功率的水下抗敌意干扰传输框架,并且利用换能器的可移动性来解决水下传感网的敌意干扰问题。在敌意干扰模型和水下信道模型未知的情况下,利用深度Q网络优化发射功率和接收节点位置移动策略。基于非消声水池的实验表明,针对不同的干扰机,所提的抗敌意干扰方法能够降低水下传输的误码率。例如,针对近视干扰机,与Q学习算法相比,基于深度Q网络的方法的信干噪比提高43.3%,信息传输的误码率降低76.6%。