[論文レビュー] Rogue Drone Detection: A Machine Learning Approach

Henrik Rydén, Sakib Bin Redhwan+1 more|arXiv (Cornell University)|May 14, 2018

UAV Applications and Optimization参考文献 9被引用数 7

ひとこと要約

本稿では、RSSI や RSRP-STD などの電波測定値を用いて、モバイルネットワーク内における不正ドローンの検出に機械学習ベースの手法を提案する。ロジスティック回帰および意思決定木分類器を用いた手法により、60 m 以上の高度で 100% の検出精度を達成し、誤検出はゼロであったが、60 m 未塔では地上の UE と類似した伝搬特性のため性能が著しく低下する。

ABSTRACT

The emerging, practical and observed issue of how to detect rogue drones that carry terrestrial user equipment (UEs) on mobile networks is addressed in this paper. This issue has drawn much attention since the rogue drones may generate excessive interference to mobile networks and may not be allowed by regulations in some regions. In this paper, we propose a novel machine learning approach to identify the rogue drones in mobile networks based on radio measurements. We apply two classification machine learning models, Logistic Regression, and Decision Tree, using features from radio measurements to identify the rogue drones. We find that for high altitudes the proposed machine learning solutions can yield high rogue drone detection rate while not mis-classifying regular ground based UEs as rogue drone UEs. The detection accuracy however degrades at low altitudes.

研究の動機と目的

• セルラーネットワークを用いた不正ドローンの増加する課題に対処し、過剰な干渉を引き起こし、規制に違反する可能性があること。
• 通常のユーザ機器として登録されていないが、ドローン専用デバイスとして登録されていない不正なドローン（不正UE）を特定すること。
• UE からの電波測定レポートを活用して、不正ドローンと通常の地上UEを区別する機械学習ソリューションを開発すること。
• 正当な地上UEが不正ドローンと誤って分類されないよう、ゼロの誤検出率を維持しながら高い検出精度を確保すること。
• 3GPP ネットワーク展開シナリオを想定した現実的な状況下で、特に高度依存の検出精度に注目して、提案手法の性能を評価すること。

提案手法

• 分類の入力特徴として、UE からの電波測定レポート（RSSI、RSRP-STD、RSRP-gap、対応セルのRSRP）を用いる。
• シミュレートされたネットワークデータ上でトレーニングされた2つの教師あり機械学習モデル（ロジスティック回帰および意思決定木）を適用する。
• 19のサイト、1サイトあたり3セクタ、サイト間隔500 m、ドローンUEが25%を占める都市部マクロのみのシミュレート済みネットワークでモデルをトレーニングする。ドローンUEの高度は15～300 m の範囲で変動させる。
• 複数のセルにわたる予測確率の時系列解析を実施し、検出の信頼性を向上させる。隣接セルからの結果を統合する。
• 2段階の検出パイプラインを実装する。まず、高い再現率を持つ低複雑度フィルタで潜在的なドローンを特定し、次にそのサブセットに対してMLモデルを用いた精査分類を実施する。
• 検出ロジックを中央集約（例：MME経由）またはセル間のX2インターフェースを介して展開し、測定レポートと予測結果を共有する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、電波測定レポートのみを用いて、不正ドローンと通常の地上UEを効果的に区別できるか？
• RQ2 ドローンUEの高度に応じて検出精度はどのように変化するか。特に地上UEと比較してどうなるか？
• RQ3 異なる高度において、不正ドローン検出率と誤検出率（地上UEをドローンと誤分類する）のトレードオフはいかなるものか？
• RQ4 複数のセルにわたる時間的予測確率の集約により、検出性能は向上するか？
• RQ5 既存の4G/LTEネットワークアーキテクチャに不正ドローン検出を統合するにあたり、実用的な展開上の課題は何か？

主な発見

• RSSI および RSRP-STD 特徴を用いた意思決定木分類器は、60 m 以上の高度のUEに対して100% の不正ドローン検出率を達成し、同時に0%の誤検出率を維持した。
• 15 m の高度では、0%の誤検出率を維持する条件で検出率がたった5%に低下した。これは、低空飛行ドローンと地上UEとの間で電波伝搬特性が類似しているためである。
• 全高度にわたる全体の検出率は約80%であり、検出されなかったドローンの大部分は60 m未塔に位置していた。
• 予測確率の時間的シーケンスが長くなるほど検出性能が向上した。これは、セルハンドオーバーに伴う時間的集約の利点を示している。
• 提案手法はスケーラブルであり、X2やMMEなどの既存のネットワークインターフェースを介して実装可能である。
• 低高度のドローンはネットワークへの干渉を引き起こす可能性が低いため、高高度のドローンと比較して検出の緊急性は低い。