[논문 리뷰] Identification of Smart Jammers: Learning based Approaches Using Wavelet Representation

Ozan Alp Topal, Selen Geçgel외 2명|arXiv (Cornell University)|2019. 01. 27.

Spectroscopy Techniques in Biomedical and Chemical Research참고 문헌 2인용 수 11

한 줄 요약

이 논문은 LTE 다운링크 네트워크에서 스마트 잼머를 탐지하고 식별하기 위해 웨이블릿 기반 전처리 및 딥러닝 분류 프레임워크를 제안한다. 기존의 푸리에 기반 방법보다 뛰어난 성능을 보이며, 다중 해상도 시간-주파수 표현을 위해 가보르 웨이블릿 변환을 활용하고, 이를 딥 컨volution 신경망(DCNN)과 조합함으로써 93% 이상의 분류 정확도를 달성한다. 특히 저 신호-잡음비(SJR) 조건에서 뛰어난 성능을 발휘한다.

ABSTRACT

Smart jammer nodes can disrupt communication between a transmitter and a receiver in a wireless network, and they leave traces that are undetectable to classical jammer identification techniques, hidden in the time-frequency plane. These traces cannot be effectively identified through the use of the classical Fourier transform based time-frequency transformation (TFT) techniques with a fixed resolution. Inspired by the adaptive resolution property provided by the wavelet transforms, in this paper, we propose a jammer identification methodology that includes a pre-processing step to obtain a multi-resolution image, followed by the use of a classifier. Support vector machine (SVM) and deep convolutional neural network (DCNN) architectures are investigated as classifiers to automatically extract the features of the transformed signals and to classify them. Three different jamming attacks are considered, the barrage jamming that targets the complete transmission bandwidth, the synchronization signal jamming attack that targets synchronization signals and the reference signal jamming attack that targets the reference signals in an LTE downlink transmission scenario. The performance of the proposed approach is compared with the classical Fourier transform based TFT techniques, demonstrating the efficacy of the proposed approach in the presence of smart jammers.

연구 동기 및 목표

• 기존의 푸리에 기반 시간-주파수 분석에서 회피되는 적응형, 저전력, 주파수 선택적 잼밍으로 인해 발생하는 스마트 잼머 탐지 과제를 해결한다.
• 단시간 푸리에 변환(STFT)과 스펙트로그램의 고정 해상도 한계를 극복하여 일시적 또는 밴드폭이 좁은 잼밍 신호를 식별한다.
• LTE 다운링크에서 세 가지 공격 유형—배리어 잼밍, 동기 신호 잼밍, 기준 신호 잼밍—을 분류하는 강력한 잼머 식별 시스템을 개발한다.
• 기계학습 분류기(SVM 및 DCNN)를 웨이블릿 변환된 신호에 적용하여, 저 SNR 및 다양한 잼머 전력 수준에서의 탐지 정확도 향상을 평가한다.
• 클래식한 TFT 방법에 비해 웨이블릿 기반 전처리가 시간-주파수 평면에 숨겨진 잼머 서명을 보다 효과적으로 캡처할 수 있음을 입증한다.

제안 방법

• 일시적 잼밍 신호 탐지에 적합한 적응형 시간 및 주파수 국소화를 가능하게 하는 다중 해상도 시간-주파수 표현 기법으로 가보르 웨이블릿 변환을 적용한다.
• 비교 분석을 위해 고정 해상도를 갖는 채이-윌리엄스 및 스펙트로그램 변환을 시간-주파수 전처리 방법으로 사용한다.
• 수득된 시간-주파수 이미지를 지원 벡터 머신(SVM)과 딥 컨volution 신경망(DCNN)에 입력하여 자동 특징 추출 및 잼머 유형 분류를 수행한다.
• 다섯 가지 다른 신호-잡음비(SJR) 조건(잡음 없음 및 세 가지 잼밍 공격 유형 포함)에서의 LTE 다운링크 신호 데이터셋을 사용해 분류기 학습 및 평가를 수행한다.
• SNR 및 잼머 전력 수준의 다양성에 대응하는 강건성을 확보하기 위해 최적의 전처리 변환 및 분류기 조합을 선택하여 시스템을 최적화한다.
• 혼동 행렬 및 분류 정확도 지표를 활용하여 각 클래스의 성능과 공격 유형 간의 일반화 능력을 평가한다.

실험 결과

연구 질문

• RQ1 웨이블릿 기반 시간-주파수 표현은 기존의 푸리에 기반 방법에서 회피되는 스마트 잼머의 탐지에 개선을 이끌 수 있는가?
• RQ2 LTE 다운링크에서 웨이블릿 변환된 신호를 사용할 때, SVM 및 DCNN 분류기의 성능는 어떻게 비교되는가?
• RQ3 신호-잡음비(SJR)는 다양한 시간-주파수 전처리 기법의 분류 정확도에 어떤 영향을 미치는가?
• RQ4 어떤 전처리 변환과 분류기 조합이 다양한 SNR 및 공격 유형에서 가장 높고 강건한 잼머 식별 정확도를 달성하는가?
• RQ5 다양한 시간-주파수 표현 방식(예: 스펙트로그램, 채이-윌리엄스, 가보르 웨이블릿)은 시간-주파수 평면에서 잼머 유도 이상 현상의 특징을 얼마나 잘 드러내는가?

주요 결과

• 가보르 웨이블릿 변환은 스펙트로그램 및 채이-윌리엄스 변환보다 스마트 잼머 식별에서 뛰어나며, 특히 저 신호-잡음비(SJR) 조건에서 최소 93%의 분류 정확도를 달성한다.
• 모든 전처리 방법 및 SNR 조건에서 DCNN 분류기가 SVM 분류기보다 일관되게 뛰어난 성능을 보이며, 뛰어난 강건성과 일반화 능력을 입증한다.
• 저전력 잼밍 시나리오(예: C1)에서는 모든 방법이 약한 서명으로 인해 잼밍을 탐지하기 어려운데도, 가보르 웨이블릿 + DCNN 조합이 가장 높은 탐지 가능성을 확보한다.
• 혼동 행렬은 배리어, 싱크, 기준 신호 잼밍 간의 클래스 혼동이 최소화되어 있음을 보여주며, 높은 분류 특이성을 나타낸다.
• 가보르 웨이블릿 변환과 DCNN의 조합이 가장 우수한 종합 성능을 보이며, 고잡음 전력 및 저-SNR 환경을 포함한 모든 테스트 조건에서 높은 정확도와 안정성을 확보한다.
• 기존의 푸리에 기반 방법이 포착하지 못하는 웨이블릿의 적응형 해상도를 활용하여, 시간-주파수 평면에 숨겨진 스마트 잼머를 효과적으로 탐지할 수 있다.