[論文レビュー] Detection and Classification of UAVs Using RF Fingerprints in the Presence of Interference

Martins Ezuma, Fatih Erden+3 more|arXiv (Cornell University)|Sep 12, 2019

Wireless Signal Modulation Classification参考文献 20被引用数 8

ひとこと要約

本稿では、マーカフモデルと機械学習を用いて、Wi-FiおよびBluetoothの干渉下でも、ドローンコントローラーの検出および分類を実現するマルチステージRFフォグプリントシステムを提案する。エネルギー遷移からの3つのNCA選択特徴量を用いたk近傍法を用いることで、25 dB SNRで98.13%の分類精度を達成した。

ABSTRACT

This paper investigates the problem of detection and classification of unmanned aerial vehicles (UAVs) in the presence of wireless interference signals using a passive radio frequency (RF) surveillance system. The system uses a multistage detector to distinguish signals transmitted by a UAV controller from the background noise and interference signals. First, RF signals from any source are detected using a Markov models-based naïve Bayes decision mechanism. When the receiver operates at a signal-to-noise ratio (SNR) of 10 dB, and the threshold, which defines the states of the models, is set at a level 3.5 times the standard deviation of the preprocessed noise data, a detection accuracy of 99.8% with a false alarm rate of 2.8% is achieved. Second, signals from Wi-Fi and Bluetooth emitters, if present, are detected based on the bandwidth and modulation features of the detected RF signal. Once the input signal is identified as a UAV controller signal, it is classified using machine learning (ML) techniques. Fifteen statistical features extracted from the energy transients of the UAV controller signals are fed to neighborhood component analysis (NCA), and the three most significant features are selected. The performance of the NCA and five different ML classifiers are studied for 15 different types of UAV controllers. A classification accuracy of 98.13% is achieved by k-nearest neighbor classifier at 25 dB SNR. Classification performance is also investigated at different SNR levels and for a set of 17 UAV controllers which includes two pairs from the same UAV controller models.

研究の動機と目的

• Wi-FiおよびBluetooth機器による同周波数干渉が生じる実世界環境において、ドローンコントローラーの検出および分類を困難とする課題に対処すること。
• 低信号対雑音比（SNR）および高干渉状態下でも信頼性が保証される、耐障害性の高い受動的RF監視システムの開発。
• パイロットの行動に依存せず、内在的なRFフォグプリントを活用することで、ドローンコントローラーの正確な識別を可能とすること。
• 同一メーカー製の同一モデルを含む多様なコントローラー環境下で、さまざまな機械学習分類器の性能を調査すること。
• 多様な干渉シナリオにおける検出精度および誤検出率を評価することで、システムの安全性と信頼性を確保すること。

提案手法

• ノイズの多い環境における任意のRF信号の存在を検出するために、2状態のマーカフモデルに基づくナイーブベイズ意思決定機構を用いる。
• 帯域幅および変調特徴分析を適用し、検出された信号をWi-Fi、Bluetooth、またはドローンコントローラー信号に分類する。
• ドローンコントローラー信号のエネルギー遷移から15の統計的特徴量を抽出し、RFフォグプリント特性を捉える。
• 近隣成分分析（NCA）を用いて特徴量次元を低減し、最も判別能の高い3つの特徴量を選択する。
• 削減された特徴量セット上で、k近傍法（kNN）、ランダムフォレスト（RandF）、意思決定分析（DA）、SVM、ニューラルネットワーク（NN）の5種類の機械学習分類器を訓練および評価する。
• モンテカルロシミュレーションおよび混同行列分析を実施し、15および17のドローンコントローラー・モデルを対象とした分類器の耐障害性および誤りパターンを評価する。

実験結果

リサーチクエスチョン

• RQ1 同周波数のWi-FiおよびBluetooth干渉が存在する状況下で、ドローンコントローラーの検出および分類はどの程度の精度で可能か？
• RQ2 信号対雑音比（SNR）は、提案手法の検出および分類性能にどのような影響を及えるか？
• RQ3 同一モデル（例：DJIコントローラー2組）の追加が、分類精度および誤りパターンに与える影響は何か？
• RQ4 さまざまなSNRおよびコントローラー多様性の下で、最高の精度と耐障害性を示す機械学習分類器はどれか？
• RQ5 NCAのような特徴量低減技術は、計算コストを低く保ちながら分類性能をどの程度向上させるか？

主な発見

• 10 dB SNRにおいて、マーカフモデルに基づくナイーブベイズ検出器を用いることで、99.8%の精度と2.8%の誤検出率を達成した。
• 25 dB SNRで、NCAによって選択された3つの特徴量のみを用いたk近傍法（kNN）は、15種類の異なるドローンコントローラーを識別する際、98.13%の分類精度を達成した。
• 2組の同一モデル（DJI製）を含む17のコントローラーに対して、kNNは95.53%の平均精度を維持し、モデルの重複に対しても耐障害性を示した。
• ランダムフォレスト（RandF）は、17のコントローラーに対して95.18%の平均精度を達成し、この状況下でkNNおよびDAを上回った。
• 意思決定分析（DA）は、類似モデル間での誤分類数が最も多く、17のコントローラーに対して88.12%の平均精度にとどまり、耐障害性が低いことが示された。
• 分類器の性能はSNRが上昇するにつれて向上し、SNR >15 dBではkNNおよびRandFが最適である一方、SNRが低い（0–4 dB）状況ではDAが最も優れた性能を示した。