Một phương pháp ứng dụng mẫu nén và học máy để phát hiện Flycam trong môi trường có chồng lấn với tín hiệu WiFi
265 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.82.2022.70-80Từ khóa:
Lấy mẫu nén; Nhiễu WiFi; Học máy.Tóm tắt
Bài báo này nghiên cứu đề xuất một giải pháp phát hiện tín hiệu WiFi lẫn trong tín hiệu vô tuyến phát ra từ Flycam. Giải pháp được đề xuất dựa trên phương pháp học máy và kỹ thuật lấy mẫu nén trong trường hợp phổ tần của tín hiệu thu được từ Flycam và từ các thiết bị sử dụng sóng WiFi bị chồng lấn lên nhau tại điểm thu tín hiệu. Để thực hiện điều đó, một ma trận lấy mẫu nén đặc biệt được thiết kế với mục đích chỉ thu lấy đoạn tín hiệu có chứa tín hiệu đồng bộ để sau đó trích chọn các đặc trưng và đưa vào hệ thống học máy nhằm phát hiện và loại bỏ được đoạn tín hiệu WiFi có lẫn trong tín hiệu thu được. Một hệ thống máy thu cũng được xây dựng trên nền tảng vô tuyến cấu hình mềm (SDR) để thử nghiệm phương pháp này. Kết quả tính toán và thử nghiệm cho thấy, giải pháp được đề xuất giúp cải thiện tốc độ trong việc loại bỏ tín hiệu WiFi có lẫn trong Flycam.
Tài liệu tham khảo
[1]. Xiao, Y., & Zhang, X. “Micro-UAV detection and identificationbased on radio frequency signature”. In 2019 6th International Conference on Systems and Informatics (ICSAI) (pp. 1056-1062). IEEE, (2019). DOI: https://doi.org/10.1109/ICSAI48974.2019.9010185
[2]. Ezuma, M., Erden, F., Anjinappa, C. K., Ozdemir, O., & Guvenc, I. “Detection and classification of UAVs using RF fingerprints in the presence of Wi-Fi and Bluetooth interference”. IEEE Open Journal of the Communications Society, 1, pp. 60-76, (2019).
[3]. Zuo, M., Xie, S., Zhang, X., & Yang, M.: “Recognition of UAV video signal using RFfingerprints in the presence of WiFi interference”. IEEE Access, 9, 88844-88851. DOI: https://doi.org/10.1109/ACCESS.2021.3089590
[4]. Boulogeorgos, A. A. A., Chatzidiamantis, N. D., & Karagiannidis, G. K. “Energy detection spectrum sensing under RF imperfections”. IEEE Transactions on Communications, 64(7), 2754-2766, (2016). DOI: https://doi.org/10.1109/TCOMM.2016.2561294
[5]. Schmidl, T. M., & Cox, D. C. “Robust frequency and timing synchronization for OFDM”. IEEE transactions on communications, 45(12), pp. 1613-1621, (1997). DOI: https://doi.org/10.1109/26.650240
[6]. Baraniuk R., “Compressive sensing”, IEEE Sig. Proc. Mag. 24, no. 4, pp. 118-121, (2007). DOI: https://doi.org/10.1109/MSP.2007.4286571
[7]. Xu, Guangwu, and Zhiqiang Xu. "Compressed sensing matrices from Fourier matrices." IEEE Transactions on Information Theory 61.1: pp. 469-478, (2014). DOI: https://doi.org/10.1109/TIT.2014.2375259
[8]. Medaiyese, O. O., Ezuma, M., Lauf, A. P., & Adeniran, A. A. “HierarchicalLearning Framework for UAV Detection and Identification”. IEEE Journal of Radio Frequency Identification, 6, pp. 176-188, (2022). DOI: https://doi.org/10.1109/JRFID.2022.3157653
[9]. Medaiyese, O. O., Syed, A., & Lauf, A. P. “Machine learning framework for RF-based drone detection and identification system”. In 2021 2nd International Conference On Smart Cities, Automation & Intelligent Computing Systems (ICON-SONICS) (pp. 58-64). IEEE, (2021). DOI: https://doi.org/10.1109/ICON-SONICS53103.2021.9617168
[10]. Kılıç, R., Kumbasar, N., Oral, E. A., & Ozbek, I. Y. “Drone classification using RF signal based spectral features”. Engineering Science and Technology, an International Journal, 28, 101028, (2022). DOI: https://doi.org/10.1016/j.jestch.2021.06.008
[11]. Ezuma, M., Erden, F., Anjinappa, C. K., Ozdemir, O., & Guvenc, I. “Detection and Classification of UAVs Using RF Fingerprints in the Presence of Interference”. arXiv preprint arXiv:1909.05429, (2019). DOI: https://doi.org/10.1109/OJCOMS.2019.2955889
[12]. Gogoi, P., Bhattacharyya, D. K., Borah, B., & Kalita, J. K. “A survey of outlier detection methods in network anomaly identification”. The Computer Journal, 54(4), pp. 570-588, (2011). DOI: https://doi.org/10.1093/comjnl/bxr026
[13]. Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. “LOF: identifying density-based local outliers”. In Proceedings of the 2000 ACM SIGMOD international conference on Management of data, pp. 93-104, (2000). DOI: https://doi.org/10.1145/335191.335388
[14]. Allahham, M. S., Al-Sa’d, M. F., Al-Ali, A., Mohamed, A., Khattab, T., & Erbad,A. “DroneRF dataset: A dataset of drones for RF-based detection, classification and identification”. Data in brief, 26, 104313, (2019). DOI: https://doi.org/10.1016/j.dib.2019.104313
