[논문 리뷰] Rogue Drone Detection: A Machine Learning Approach

Henrik Rydén, Sakib Bin Redhwan외 1명|arXiv (Cornell University)|2018. 05. 14.

UAV Applications and Optimization참고 문헌 9인용 수 7

한 줄 요약

이 논문은 RSSI 및 RSRP-STD와 같은 라디오 측정값을 사용하여 모바일 네트워크에서 도청 드론을 탐지하기 위한 기계학습 기반 접근법을 제안한다. 로지스틱 회귀 및 결정 트리 분류기 모델을 적용하여, 60m 이상 고도에서 드론을 100% 정확도로 탐지하고 거짓 경고가 전혀 없지만, 60m 이하에서는 지상 사용자 기지국(Uss)과 유사한 전파 특성으로 인해 성능이 크게 떨어진다.

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.

연구 동기 및 목표

• 셀룰러 네트워크를 통해 증가하는 도청 드론 문제를 다루며, 이는 과도한 간섭을 유발하고 규정을 위반할 수 있음.
• 일반적인 사용자 기기로 운영되지만 드론 전용 기기로 등록되지 않은 비승인 드론(도청 UE)을 식별함.
• 사용자 기기에서 제공하는 라디오 측정 보고서를 활용해 도청 드론과 일반 지상 기반 UE를 구분하는 기계학습 솔루션 개발.
• 합법적인 지상 UE를 도청 드론으로 잘못 분류하는 것을 방지하기 위해 높은 탐지 정확도와 0% 거짓 경고 비율 유지를 확보함.
• 실제 3GPP 네트워크 배치 환경에서의 성능 평가를 통해 고도에 따른 탐지 정확도에 초점을 맞춤.

제안 방법

• UE의 입력 특징으로 라디오 측정 보고서(RSSI, RSRP-STD, RSRP-gap, 서비스 셀 RSRP)를 사용함.
• 모의 네트워크 데이터 기반으로 훈련된 두 가지 지도 학습 모델인 로지스틱 회귀 및 결정 트리 적용.
• 19개의 사이트, 사이트당 3개의 섹터, 사이트 간 거리 500m, 다양한 고도(15–300m)에서 25% 비율의 드론 UE를 포함한 모의 도시 매크로 네트워크에서 모델 훈련.
• 여러 셀에 걸친 예측 확률의 시계열 분석을 통해 탐지 신뢰도 향상. 이웃 셀의 결과를 통합함.
• 두 단계 탐지 파이프라인 구현: 첫 번째로 높은 재현율을 가진 저복잡도 필터를 통해 잠재적 드론 식별; 두 번째로 ML 모델을 사용해 하위 집합에서 정밀한 분류 수행.
• 탐지 로직을 중앙 집중식(예: MME를 통해) 또는 셀 간 X2 인터페이스를 통해 측정 보고서 및 예측 결과 공유함.

실험 결과

연구 질문

• RQ1 라디오 측정 보고서만을 사용해 기계학습 모델이 도청 드론과 일반 지상 UE를 효과적으로 구분할 수 있는가?
• RQ2 드론 UE의 고도에 따라 탐지 정확도가 어떻게 변하는가? 특히 지상 기반 UE와의 비교에서 어떻게 되는가?
• RQ3 다양한 고도에서 도청 드론 탐지율과 거짓 경고 비율(즉, 지상 UE를 드론으로 잘못 분류) 사이의 상충 관계는 어떠한가?
• RQ4 시간에 따라 여러 셀에서 예측 확률을 집계하면 탐지 성능이 향상될 수 있는가?
• RQ5 기존 4G/LTE 네트워크 아키텍처에 도청 드론 탐지 기능을 통합할 경우 실용적인 구현 영향은 무엇인가?

주요 결과

• RSSI 및 RSRP-STD 특징을 사용한 결정 트리 분류기는 60m 이상 고도의 UE에 대해 100% 도청 드론 탐지율과 0% 거짓 경고 비율을 달성함.
• 15m 고도에서는 유사한 라디오 전파 특성으로 인해 0% 거짓 경고 비율을 유지하면서도 탐지율이 5%로 급격히 감소함.
• 모든 고도에서의 전체 탐지율은 약 80%이며, 대부분의 탐지되지 않은 드론은 60m 이하에 위치함.
• 더 긴 예측 확률 시퀀스를 통해 성능 향상이 이루어지며, 셀 이동 중 시간에 따른 집계의 이점이 있음.
• 제안된 방법은 확장 가능하며 기존 네트워크 인터페이스(예: X2 또는 MME를 통한 중앙 집중식 엔티티)를 통해 구현 가능함.
• 저고도 드론은 네트워크 간섭을 크게 유발하지 않아 고고도 드론에 비해 탐지에 대한 급박성이 낮음.