Ứng dụng mô hình học sâu CNN và kỹ thuật lọc CFAR cho nhận dạng drone dựa trên dấu vết tín hiệu vô tuyến RF trong điều kiện nhiễu
133 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.96.2024.30-40Từ khóa:
Phân loại drone; Mạng học sâu CNN; Chân dung phổ - thời gian; Spectrogram.Tóm tắt
Hiện nay, số lượng các thiết bị bay không người lái cỡ nhỏ (drone) đã gia tăng nhanh chóng do nhu cầu tương tác từ xa, không tiếp xúc và công nghệ tiên tiến ngày càng tăng. Tuy nhiên, cùng với nhu cầu ngày càng tăng về drone trên nhiều lĩnh vực, việc sử dụng chúng với mục đích xấu cũng tăng lên. Do đó, cần có hệ thống giám sát drone để phát hiện việc sử dụng drone trái phép. Trong nghiên cứu này, chúng tôi đề xuất giải pháp mới dựa vào dấu vết tín hiệu vô tuyến của drone (thu RF). Dữ liệu được sử dụng trong nghiên cứu được thu từ tín hiệu điều khiển của 17 loại drone đã được công bố. Phương pháp đề xuất giúp nâng cao độ chính xác phân loại khi tỉ số tín trên tạp (SNR) giảm do sự ảnh hưởng của nhiễu. Trong thử nghiệm, chúng tôi đã mở rộng bộ dữ liệu tín hiệu điều khiển drone bằng cách thêm nhiễu Gauss trắng vào để thay đổi giá trị SNR từ −15 dB đến +15 dB với bước nhảy +5 dB. Chân dung công suất phổ sau tiền xử lý ngưỡng bằng phương pháp ổn định báo động lầm (CFAR) được áp dụng để làm hình ảnh huấn luyện mạng nơ-ron tích chập (CNN). Mô hình đề xuất đạt được độ chính xác trên 96% ở mức SNR bằng −15 dB và độ chính xác 99,82% vùng SNR cao. Những kết quả này cho thấy, phương pháp đề xuất có khả năng phân loại tốt trong điều kiện nhiễu cao.
Tài liệu tham khảo
[4]. D. Krijnen, C. Dekker, “AR Drone 2.0 with Subsumption Architecture”, In Artificial intelligence research seminar, (2014).
[5]. R.J. Bachmann, F.J. Boria, R. Vaidyanathan, P.G. Ifju, R.D. Quinn, “A biologically inspired micro-vehicle capable of aerial and terrestrial locomotion”, Mach. Theory 44, 513–526, (2009). DOI: https://doi.org/10.1016/j.mechmachtheory.2008.08.008
[6]. M. Hassanalian, A. Abdelkefi, M. Wei, S. Ziaei-Rad, “A novel methodology for wing sizing of bio-inspired flapping wing micro air vehicles: theory and prototype”, Acta Mech. (2016). http://dx.doi.org/10.1007/s00707-016-1757-4v. DOI: https://doi.org/10.1007/s00707-016-1757-4
[7]. D. Floreano, R.J. Wood, “Science, technology and the future of small autonomous drones”, Nature 521 (7553), 460–466, (2015). DOI: https://doi.org/10.1038/nature14542
[8]. P. Cisar, R. Pinter, S. M. Cisar, and M. Gligorijevic, “Principles of antidrone defense,” in Proc. 11th IEEE Int. Conf. Cognit. Infocommunications (CogInfoCom), pp. 000019–000026, (2020). DOI: https://doi.org/10.1109/CogInfoCom50765.2020.9237841
[9]. S. Al-Emadi, A. Al-Ali, and A. Al-Ali, “Audio-based drone detection and identification using deep learning techniques with dataset enhancement through generative adversarial networks,” Sensors, vol. 21, no. 15, p. 4953, (2021). DOI: https://doi.org/10.3390/s21154953
[10]. G. Ding, Q. Wu, L. Zhang, Y. Lin, T. A. Tsiftsis, and Y.-D. Yao, “An amateur drone surveillance system based on the cognitive Internet of Things,” IEEE Commun. Mag., vol. 56, no. 1, pp. 29–35, (2018). DOI: https://doi.org/10.1109/MCOM.2017.1700452
[11]. M. Ezuma, F. Erden, C. K. Anjinappa, O. Ozdemir, and I. Guvenc, “MicroUAV detection and classification from RF fingerprints using machine learning techniques,” in Proc. IEEE Aerosp. Conf., pp. 1–13, (2019). DOI: https://doi.org/10.1109/AERO.2019.8741970
[12]. M. Ezuma, F. Erden, C. K. Anjinappa, O. Ozdemir, and I. Guvenc, “Drone remote controller RF signal dataset,” Tech. Rep., (2020), doi: 10.21227/ss99-8d56.
[13]. M. Ezuma, F. Erden, C. K. Anjinappa, O. Ozdemir, and I. Guvenc, “Detection and classification of UAVs using RF fingerprints in the presence of Wi-Fi and Bluetooth interference,” IEEE Open J. Commun. Soc., vol. 1, pp. 60–76, (2020) DOI: https://doi.org/10.1109/OJCOMS.2019.2955889
[14]. M. F. Al-Sa’d, A. Al-Ali, A. Mohamed, T. Khattab, and A. Erbad, “RFbased drone detection and identification using deep learning approaches: An initiative towards a large open source drone database,” Future Gener. Comput. Syst., vol. 100, pp. 86–97, (2019). DOI: https://doi.org/10.1016/j.future.2019.05.007
[15]. M. S. Allahham, M. F. Al-Sa’d, A. Al-Ali, A. Mohamed, T. Khattab, and A. Erbad, “DroneRF dataset: A dataset of drones for RFbased detection, classification and identification,” Data Brief, vol. 26, Art. no. 104313, (2019). [Online]. Available: https://www.scienc edirect.com/science/article/pii/S235234091930667. DOI: https://doi.org/10.1016/j.dib.2019.104313
[16]. S. Al-Emadi and F. Al-Senaid, “Drone detection approach based on radiofrequency using convolutional neural network,” in Proc. IEEE Int. Conf. Informat., IoT, Enabling Technol. (ICIoT), pp. 29–34, (2020). DOI: https://doi.org/10.1109/ICIoT48696.2020.9089489
[17]. E. S. Basan, M. D. Tregubenko, N. N. Mudruk, and E. S. Abramov , “Analysis of artificial intelligence methods for detecting drones based on radio frequency activity,” in Proc. 15th Int. Sci.-Tech. Conf. Actual Problems Electron. Instrum. Eng. (APEIE), pp. 238–242, (2021). DOI: https://doi.org/10.1109/APEIE52976.2021.9647562
[18]. R. Akter, V.-S. Doan, G. B. Tunze, J.-M. Lee, and D.-S. Kim, “RFbased UAV surveillance system: A sequential convolution neural networks approach,” in Proc. Int. Conf. Inf. Commun. Technol. Converg. (ICTC), pp. 555–558, (2020). DOI: https://doi.org/10.1109/ICTC49870.2020.9289281
[19]. S. Basak, S. Rajendran, S. Pollin, and B. Scheers, “Drone classification from RF fingerprints using deep residual nets,” in Proc. Int. Conf. Commun. Syst. Netw. (COMSNETS), pp. 548–555, (2021). DOI: https://doi.org/10.1109/COMSNETS51098.2021.9352891
[20]. M. Mokhtari, J. Bajcetic, B. Sazdic-Jotic, and B. Pavlovic, “RF-based drone detection and classification system using convolutional neural network,” in Proc. 29th Telecommun. Forum (TELFOR), pp. 1–4, (2021). DOI: https://doi.org/10.1109/TELFOR52709.2021.9653332
[21]. D. K. Behera and A. Bazil Raj, “Drone detection and classification using deep learning,” in Proc. 4th Int. Conf. Intell. Comput. Control Syst. (ICICCS), pp. 1012–1016, (2020). DOI: https://doi.org/10.1109/ICICCS48265.2020.9121150
[22]. M. S. Allahham, T. Khattab, and A. Mohamed, “Deep learning for RFbased drone detection and identification: A multi-channel 1-D convolutional neural networks approach,” in Proc. IEEE Int. Conf. Informat., IoT, Enabling Technol. (ICIoT), pp. 112–117, (2020). DOI: https://doi.org/10.1109/ICIoT48696.2020.9089657
[23]. B. Sazdic-Jotic, I. Pokrajac, J. Bajcetic, and B. Bondzulic. VTI_Droneset. Mendeley Data. 1.[Online], (2020). Available: https://data.mendeley.com/datasets/s6tgnnp5n2/1.
[24]. L. Huang, M. Gao, C. Zhao, and X. Wu, “Detection of Wi-Fi transmitter transients using statistical method,” in Proc. IEEE Int. Conf. Signal Process., Commun. Comput. (ICSPCC), pp. 1–5, (2013). DOI: https://doi.org/10.1109/ICSPCC.2013.6664128
[25]. S. Basak. Drone Signals. GitHub. [Online] (2021). Available: https://github.com/sanjoy-basak/dronesignals.
[26]. Ender Ozturk, Fatih Erden, Ismail Guvenc, “RF-Based Low-SNR Classification of UAVs Using Convolutional Neural Networks,” in ITU Journal on Future and Evolving Technologies, Issue 5 - Internet of Everything, pp 39-52, (2021). DOI: https://doi.org/10.52953/QJGH3217
