1.一种基于CVE-AdvGAN的非合作无人机辐射源定向攻击方法，其特征在于，包括以下步骤：S1：对非合作无人机的辐射源信号进行感知与特征提取，采集目标无人机的通信信号和导航信号，提取所述信号的物理层特征与协议层特征，建立目标无人机辐射源特征库；S2：进行CVE漏洞筛选与攻击载荷构建，基于S1提取的辐射源信号对应的协议类型或硬件相关信息检索CVE数据库，筛选可作用于辐射源的可利用漏洞，针对筛选出的漏洞设计攻击载荷；S3：进行CVE-AdvGAN对抗样本生成与优化，构建包含生成器、判别器及频域扰动控制模块的CVE-AdvGAN模型，以S1中的正常信号为原始样本、S2中的攻击载荷为目标信息，通过模型的频域实虚部分开处理及分步扰动机制训练生成对抗样本，使对抗样本同时满足隐蔽性与有效性要求；CVE-AdvGAN具体设计为：对I路信号频域的生成网络Gi，判别网络Di，Q路信号频域的生成网络Gq，判别网络Dq，两路信号频域的合成模块以及合成信号频域的生成网络Gadv和判别网络Dadv；基于循环机制的分步对抗生成机制，通过循环机制控制扰动范围及扰动幅度；S4：进行定向电磁攻击信号发射，通过由信号发生、功率放大及定向天线构成的发射模块，结合目标无人机的实时位置信息，调整发射波束方向与发射功率，将S3生成的对抗样本定向发射至目标无人机的辐射源接收端；S5：进行攻击效果实时验证与闭环调整，监测目标无人机在通信层、导航层及控制层的状态，判断攻击是否成功，若未成功，则反馈至S3的CVE-AdvGAN模块与S4的发射模块进行参数优化，直至攻击成功。
2.根据权利要求1所述的方法，其特征在于，所述S1中采用定向天线阵列、软件无线电设备及信号分析仪组成的感知设备，以被动采集方式获取目标无人机的辐射源信号，无需目标无人机的授权信息。
3.根据权利要求1所述的方法，其特征在于，所述S1中提取的物理层特征包括频率、带宽、调制方式、功率谱密度及星座图；提取的协议层特征包括帧结构、校验方式及指令编码规则。
4.根据权利要求1所述的方法，其特征在于，所述S2中检索的CVE数据库包括通用漏洞披露相关数据库，筛选的可利用漏洞包括辐射源协议漏洞与辐射源硬件固件漏洞。
5.根据权利要求1所述的方法，其特征在于，所述S2中设计的攻击载荷为精准触发型攻击载荷，所述攻击载荷能够通过辐射源信号注入至目标无人机后，触发对应的CVE漏洞以实现预设攻击目标。
6.根据权利要求1所述的方法，其特征在于，所述S3中的CVE-AdvGAN模型里，生成器采用“3个3×3conv+3个3×3resnet+3个3×3的deconv”的网络结构，输入为S1中目标正常信号的特征图，输出为融合攻击载荷的对抗样本；判别器对应生成器模块采用3个conv模块的网络结构，输入为对抗样本或正常信号，输出为信号真实性概率，以区分对抗样本与正常信号。
7.根据权利要求1所述的方法，其特征在于，所述S3中训练对抗样本的优化约束包括：对抗样本与正常信号的特征相似度≥95%，攻击载荷在对抗样本中的完整性≥98%，迭代训练轮次为500-1000轮直至满足约束。
8.根据权利要求1所述的方法，其特征在于，所述S4中的发射模块包括可编程信号发生器、功率放大器及自适应定向天线阵列；通过波束赋形算法调整定向天线阵列的发射波束方向，使发射波束的主瓣能量仅覆盖目标无人机，波束宽度≤5°。
9.根据权利要求1所述的方法，其特征在于，所述S4中根据目标无人机与发射模块的距离调整发射功率，使攻击信号到达目标无人机辐射源接收端时的功率满足可接收阈值，同时避免功率过大导致信号扩散至周围设备。
10.根据权利要求1所述的方法，其特征在于，所述S5中攻击效果验证维度包括：通信层监测无人机与遥控器的通信链路丢包率，导航层跟踪无人机飞行轨迹偏差，控制层观察无人机是否执行预设攻击动作；闭环调整包括反馈至S3调整CVE-AdvGAN生成器的学习率重新训练对抗样本，以及反馈至S4微调天线波束方向、调整发射功率。
