[논문 리뷰] An Amateur Drone Surveillance System Based on Cognitive Internet of Things

Guoru Ding, Qihui Wu외 4명|arXiv (Cornell University)|2017. 11. 29.

UAV Applications and OptimizationEngineering참고 문헌 9인용 수 21

한 줄 요약

이 논문은 다중 센서 삼항 가설 검증을 사용하여 허가된 드론과 허가되지 않은 드론을 지능적으로 탐지하고 분류할 수 있는 인지 IoT 기반 아마추어 드론 감시 시스템인 Dragnet을 제안한다. 임의의 드론에 대한 탐지 확률를 거짓 경고 제약 조건 하에 최적화함으로써, 시스템은 거짓 경고를 최소화하면서도 허가되지 않은 드론을 더 정확하게 식별하는 데 성공하며, 센서 수와 샘플링 지속 시간이 증가할수록 성능이 향상된다.

ABSTRACT

Drones, also known as mini-unmanned aerial vehicles, have attracted increasing attention due to their boundless applications in communications, photography, agriculture, surveillance and numerous public services. However, the deployment of amateur drones poses various safety, security and privacy threats. To cope with these challenges, amateur drone surveillance becomes a very important but largely unexplored topic. In this article, we firstly present a brief survey to show the state-of-the-art studies on amateur drone surveillance. Then, we propose a vision, named Dragnet, by tailoring the recent emerging cognitive internet of things framework for amateur drone surveillance. Next, we discuss the key enabling techniques for Dragnet in details, accompanied with the technical challenges and open issues. Furthermore, we provide an exemplary case study on the detection and classification of authorized and unauthorized amateur drones, where, for example, an important event is being held and only authorized drones are allowed to fly over.

연구 동기 및 목표

• 민감한 공역에서 허가되지 않은 아마추어 드론으로 인한 증가하는 안전, 보안 및 개인정보 위험을 해결하기 위해.
• 인지 IoT 원리를 활용하여 아마추어 드론 모니터링에 특화된 새로운 확장 가능한 감시 시스템을 개발하기 위해.
• 특히 이벤트 장소와 같은 고보안 지역에서 허가된 드론 또는 허가되지 않은 드론으로 분류하는 실시간 탐지 및 분류를 가능하게 하기 위해.
• 신호 처리를 최적화하여 거짓 경고를 최소화하면서도 허가되지 않은 드론 탐지를 최대화하기 위해.

제안 방법

• 시스템은 삼항 가설 검증 프레임워크를 사용한다: H₀ (드론 없음), H₁ (허가된 드론), H₂ (허가되지 않은 드론).
• 미지의 허가되지 않은 드론 특성에 대응하기 위해 일반화된 가능도 비율 테스트(GoLRT)를 사용한다.
• 최적화 문제는 Pr(H₂|H₂)를 최대화하면서도, 거짓 경고 확률 제약 조건 Pr(H₁|H₀) + Pr(H₂|H₀) ≤ α 및 Pr(H₂|H₁) + Pr(H₀|H₁) ≤ β 를 만족시키는 것을 목표로 한다.
• 센서 수와 신호 샘플 수를 늘림으로써 성능을 향상시켜 전역 탐지 확률을 높인다.
• 성능 기준을 위해 지네(geenie)-보조 계획을 사용하며, 허가된 드론과 허가되지 않은 드론의 신호 분포를 완전히 알고 있다는 가정을 한다.
• 시뮬레이션 결과는 다양한 센서 및 샘플 구성에서 탐지 확률과 거짓 경고 비율 간의 트레이드오프를 평가한다.

실험 결과

연구 질문

• RQ1 고보안 환경에서 효과적인 아마추어 드론 감시를 위해 인지 IoT 프레임워크는 어떻게 적응시킬 수 있는가?
• RQ2 허가되지 않은 드론 탐지 확률과 허가된 드론 및 존재하지 않는 드론에 대한 거짓 경고 비율 사이의 최적 트레이드오프는 무엇인가?
• RQ3 센서 수와 샘플링 지속 시간은 드론 탐지 및 분류 성능에 어떤 영향을 미치는가?
• RQ4 복합 가설 설정에서 신호 특성이 미지인 허가되지 않은 드론을 효과적으로 분류하는 데 일반화된 가능도 비율 테스트(GoLRT)가 얼마나 유용한가?
• RQ5 실제 환경에서 이러한 시스템을 구현할 때의 주요 기술적 과제와 열린 문제들은 무엇인가?

주요 결과

• 허가되지 않은 드론에 대한 탐지 확률(Pr(H₂|H₂))은 센서 수가 많아지고 샘플링 지속 시간이 길어질수록 증가하여 전체 시스템의 신뢰성이 향상된다.
• 센서 수와 샘플 수가 증가하면 전역 탐지 확률이 크게 상승하지만, 높은 값에 도달할수록 이득의 감소가 나타난다.
• 탐지 성능과 거짓 경고 비율 사이에는 본질적인 트레이드오프가 존재하며, 높은 탐지율을 확보하기 위해서는 거짓 경고 수를 수용해야 한다.
• 제안된 일반화된 가능도 비율 테스트(GoLRT) 기반 방법은 신호 특성이 불확실한 상황에서 허가되지 않은 드론 탐지에서 기준 대비 우수한 성능을 보였다.
• 신호 분포를 완전히 알고 있다는 가정 하에 성능 상한선을 제공하는 지네 보조 계획은, 완벽한 채널 상태 정보가 제공될 경우의 잠재적 성능 향상을 보여준다.
• 시뮬레이션 결과는 더 많은 샘플과 센서를 사용할수록 탐지 성능이 향상되지만, 이는 탐지 지연과 협업 오버헤드 증가를 수반한다는 것을 확인했다.