随着水声通信技术的发展,水声通信网络的电子攻击研究日益受到关注。相较于陆地攻击,水下攻击往往面临着高能耗、充电不便、网络拓扑未知以及强不确定性等挑战,现有攻击方法通常无法直接用于复杂的水下环境。此外,水声通信系统的自适应路由和多径路由等安全机制也会阻碍水下的网络攻击。因此,本文将优化水下攻击的目标节点选择和物理层参数配置,提出高效、低成本、强适应性的水下攻击策略。首先,通过水声通信的传输特性和网络结构研究水声通信网络的通信原理和网络节点间的关联性。进而针对水下攻击环境的特殊性和复杂性,分析水声通信网络易受攻击的薄弱点;针对网络的不同架构层,分析现有水下攻击方法的优势和局限。然后,基于典型的多臂老虎机(Multi-armed Bandit,简称MAB)决策模型,研究水下攻击的优化问题。其次,研究网络拓扑未知的水下攻击节点选择问题,提出一种分布式的混合攻击策略,构建基于MAB学习的网络攻击模型。针对水下攻击的复杂计算和时变问题,设计一种虚拟专家引导的指数学习(Virtual Expert-guided Exponential Learning,简称VEEL)算法。该算法不依赖先验的网络拓扑信息,能充分利用基于经验的虚拟信息和概率预测,有效改进攻击的探索频率和成本,具有实时学习和自主更新的优点。仿真结果验证了所提出算法具有良好的适应性和鲁棒性。最后,研究能源受限的水下干扰攻击优化问题,设计一种自适应控制的干扰攻击策略,使有限的攻击能源得到最佳分配。针对水下攻击环境的复杂性和未知性,构建MAB决策模型优化干扰信号的物理层参数选择。针对水声的广播特性,设计多链路联合优化机制,通过水声干扰产生的多路反馈信息构造攻击奖励函数,缓解水下攻击的能源受限问题;进而利用与环境的实时交互,提出基于MAB策略水下干扰学习(Underwater Jamming Learning,简称UJL)算法,优化干扰攻击的成功率。