[논문 리뷰] Towards an AI-Driven Universal Anti-Jamming Solution with Convolutional Interference Cancellation Network

Nguyễn Ngọc Hải, Guevara Noubir|arXiv (Cornell University)|2022. 03. 18.

Wireless Signal Modulation Classification인용 수 4

한 줄 요약

이 논문은 교육용 시퀀스, 채널 추정 또는 송신기 협업 없이 다중 안테나 시스템에서 강력한 잡음을 탐지하고 제거하기 위한 보편적이고 AI 기반의 반잡음 솔루션을 제안한다. 이 접근법은 잡음이 정상 신호보다 18 dB 더 강력한 경우에도 99% 이상의 잡음 탐지 정확도와 10⁻⁶에 이르는 BER(비트 오류율)을 달성하여 다양한 변조 방식과 환경에서 뛰어난 내성성을 입증한다.

ABSTRACT

Wireless links are increasingly used to deliver critical services, while intentional interference (jamming) remains a very serious threat to such services. In this paper, we are concerned with the design and evaluation of a universal anti-jamming building block, that is agnostic to the specifics of the communication link and can therefore be combined with existing technologies. We believe that such a block should not require explicit probes, sounding, training sequences, channel estimation, or even the cooperation of the transmitter. To meet these requirements, we propose an approach that relies on advances in Machine Learning, and the promises of neural accelerators and software defined radios. We identify and address multiple challenges, resulting in a convolutional neural network architecture and models for a multi-antenna system to infer the existence of interference, the number of interfering emissions and their respective phases. This information is continuously fed into an algorithm that cancels the interfering signal. We develop a two-antenna prototype system and evaluate our jamming cancellation approach in various environment settings and modulation schemes using Software Defined Radio platforms. We demonstrate that the receiving node equipped with our approach can detect a jammer with over 99% of accuracy and achieve a Bit Error Rate (BER) as low as $10^{-6}$ even when the jammer power is nearly two orders of magnitude (18 dB) higher than the legitimate signal, and without requiring modifications to the link modulation. In non-adversarial settings, our approach can have other advantages such as detecting and mitigating collisions.

연구 동기 및 목표

• 통신 링크의 구체적 특성에 관계없이 적용 가능한 보편적인 반잡음 빌딩 블록을 설계하며, 송신기 협업 또는 명시적 프로빙이 필요로 하지 않도록 하는 것.
• 실세계 무선 환경에서 정상 신호보다 최대 18 dB 더 강력한 강력한 잡음을 탐지하고 제거하는 과제를 해결하는 것.
• 교육용 시퀀스, 채널 추정 또는 기존 변조 방식의 수정 없이도 작동하는 기계학습 기반 솔루션을 개발하는 것.
• 소프트웨어 정의 무선(SDR) 프로토타입을 사용하여 다양한 변조 방식과 전파 환경에서 접근법을 평가하는 것.
• 기존 다중 안테나 시스템에서 실시간으로 작동 가능한 보편적인 물리계층 반잡음에 딥러닝을 적용할 수 있음을 입증하는 것.

제안 방법

• 특수 설계된 컨volutional 신경망(CNN)은 원시 RF 신호에서 간섭의 존재, 간섭 신호의 수, 각각의 위상 정보를 추론하도록 훈련된다.
• CNN은 두 개의 안테나 수신기로부터의 기저대역 I/Q 샘플을 처리하여 실시간으로 간섭 특성을 추정한다.
• 추정된 간섭 매개변수는 위상 및 진폭 조정이 적용된 널링을 통해 실시간으로 간섭 신호를 억제하는 알고리즘에 입력된다.
• 시스템은 교육용 시퀀스, 파ilot 톤, 채널 상태 정보 없이도 원시 신호 관측에만 의존하여 작동한다.
• USRP 소프트웨어 정의 무선을 사용하여 이중 안테나 SDR 프로토타입을 구현하여 실세계 환경에서의 접근법을 검증한다.
• 다양한 신호 구성에서 훈련하여 변조 유형과 전파 조건에 관계없이 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 교육용 시퀀스나 채널 추정 없이도 실시간으로 다수의 잡음을 탐지하고 특성화할 수 있는가?
• RQ2 CNN 기반 접근법은 정상 신호보다 훨씬 강력한(최대 18 dB 높은) 잡음을 얼마나 효과적으로 제거할 수 있는가?
• RQ3 제안된 반잡음 시스템은 다양한 변조 방식과 전파 환경에서 낮은 BER을 얼마나 오랫동안 유지할 수 있는가?
• RQ4 이 시스템은 변조 또는 신호 전달 프로토콜을 수정하지 않고도 기존 무선 통신 링크에 보편적으로 적용 가능한가?
• RQ5 충돌 탐지 및 완화와 같은 비적대적 상황에서도 시스템은 어떤 성능을 보이는가?

주요 결과

• 제안된 CNN 기반 반잡음 시스템은 다양한 테스트 구성에서 잡음 존재를 99% 이상의 정확도로 탐지한다.
• 잡음 전력이 정상 신호보다 18 dB 더 높은 경우에도 비트 오류율(BER)이 10⁻⁶에 이르게 유지된다.
• QPSK, 16-QAM, 64-QAM 등 다양한 변조 방식에서 효과적이며, 링크의 변조나 신호 전달 방식을 수정할 필요가 없다.
• 다중 경로 환경에서도 간섭을 성공적으로 탐지하고 완화하여, 시각선 간섭을 넘어서는 내성성을 입증한다.
• 교육용 시퀀스, 채널 추정, 송신기 협업 없이도 보편적인 반잡음 기능을 제공하여 기존 무선 시스템에 쉽게 통합할 수 있다.
• SDR 플랫폼에 구현된 프로토타입은 실세계 환경에서의 실시간 성능과 적용 가능성의 타당성을 확인한다.