Recientemente, el radar de apertura sintética (SAR) de vehículos aéreos no tripulados (UAV) se ha convertido en un tema muy buscado por sus amplias aplicaciones en el reconocimiento, detección y seguimiento de objetivos. Sin embargo, los modelos de reconocimiento automático de objetivos (ATR) basados en redes neuronales profundas (DNN) están sufriendo ejemplos adversariales. Generalmente, los no cooperadores rara vez divulgan información sobre cualquier modelo SAR-ATR, lo que hace que los ataques adversariales sean desafiantes. Para abordar este problema, proponemos un nuevo método de ataque llamado Red Adversarial Transferible (TAN). Puede crear ejemplos adversariales altamente transferibles en tiempo real y atacar modelos SAR-ATR sin ningún conocimiento previo, lo que es de gran importancia para ataques de caja negra en el mundo real. El método propuesto mejora la transferibilidad a través de un juego de dos jugadores, en el que entrenamos simultáneamente dos modelos de codificador-decodificador: un generador que crea muestras maliciosas mediante un mapeo de un paso hacia adelante a partir de datos originales, y un atenuador que debilita la efectividad de las muestras maliciosas al capturar las deformaciones más dañinas. En particular, en comparación con los métodos iterativos tradicionales, el modelo de codificador-decodificador puede mapear en un solo paso muestras originales a ejemplos adversariales, lo que permite ataques en tiempo real. Los resultados experimentales indican que nuestro enfoque logra una transferibilidad de vanguardia con perturbaciones adversariales aceptables y costos de tiempo mínimos en comparación con los métodos de ataque existentes, haciendo que los ataques de caja negra en tiempo real sin ningún conocimiento previo sean una realidad.