[論文レビュー] Identification of Smart Jammers: Learning based Approaches Using Wavelet Representation

Ozan Alp Topal, Selen Geçgel+2 more|arXiv (Cornell University)|Jan 27, 2019

Spectroscopy Techniques in Biomedical and Chemical Research参考文献 2被引用数 11

ひとこと要約

本稿では、LTEダウンリンクネットワークにおけるスマートジャマーディテクションと同定を目的としたウェーブレットベースの前処理およびディープラーニング分類フレームワークを提案する。従来のフーリエ変換に基づく手法に比べて優れた性能を示す。Gaborウェーブレット変換を用いた多スケール時間周波数表現と、深層畳み込みニューラルネットワーク（DCNN）を組み合わせることで、93%を超える分類精度を達成し、特に低信号対ジャマーランス（SJR）条件下で顕著な効果を示す。

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.

研究の動機と目的

• 適応的で低出力かつ周波数選択的ジャミングを示すスマートジャマーディテクションが、従来のフーリエ変換に基づく時間周波数解析では回避されがちな課題に対処する。
• 短時間フーリエ変換（STFT）およびスペクトログラムの固定分解能の制限を克服し、一時的または狭帯域ジャミング信号を特定する。
• LTEダウンリンク向けに、3つの攻撃タイプ（バリアルジャミング、同期信号ジャミング、リファレンス信号ジャミング）を分類する、耐障害性の高いジャマーマッピング識別システムを開発する。
• 機械学習分類器（SVMおよびDCNN）を、ウェーブレット変換された信号に適用し、低SNRおよび変動するジャマーパワー条件下での分類精度を向上させる。
• 時間周波数平面に隠れたジャマーシグネチャを捉える能力において、古典的TFT手法に比べ、ウェーブレットベースの前処理が優れていることを実証する。

提案手法

• 一時的ジャミング信号の検出を可能にする、時間的および周波数的局在化の適応性を有する、多スケール時間周波数表現手法としてGaborウェーブレット変換を適用する。
• ベンチマーク用に、分解能が固定の時間周波数前処理手法として、Choi-Williams変換およびスペクトログラム変換を用いる。
• 得られた時間周波数画像を、特徴量の自動抽出とジャマータイプ分類を目的としたサポートベクターマシン（SVM）および深層畳み込みニューラルネットワーク（DCNN）に供給する。
• SJRが5通り（ノージャマーを含む）の異なる条件下でのLTEダウンリンク信号データセットを用いて、分類器を学習および評価する。
• SNRおよびジャマーパワーの変動に強く、性能が安定する組み合わせを選別するため、最適化を実施する。
• 混同行列および分類精度指標を用いて、各クラスの性能と、攻撃タイプにわたるモデルの汎化能力を評価する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットベースの時間周波数表現は、従来のフーリエ変換に基づく手法を避けられるスマートジャマーディテクションを改善できるか？
• RQ2 LTEダウンリンクにおけるウェーブレット変換信号を用いた場合、SVMとDCNN分類器の性能はどのように比較されるか？
• RQ3 信号対ジャマーランス（SJR）が、異なる時間周波数前処理手法の分類精度に与える影響は何か？
• RQ4 前処理変換と分類器のどの組み合わせが、変動するSNRおよび攻撃タイプにわたって、最高かつ最も耐障害性の高いジャマーマッピング識別精度を達成するか？
• RQ5 時間周波数平面におけるジャマーマッピング異常を、スペクトログラム、Choi-Williams、Gaborウェーブレットなど、異なる時間周波数表現がどの程度強調するか？

主な発見

• Gaborウェーブレット変換は、スペクトログラムおよびChoi-Williams変換を上回り、特に低信号対ジャマーランス（SJR）条件下でスマートジャマーディテクションに優れた性能を示し、最小分類精度が93%に達する。
• DCNN分類器は、すべての前処理手法およびSNR条件下でSVM分類器を一貫して上回り、優れた耐障害性および汎化能力を示す。
• 低出力ジャミング状況（例：C1）では、すべての手法がジャミングを検出できにくいが、Gaborウェーブレット＋DCNNの組み合わせでも最高の検出可能性を示す。
• 混同行列から、異なるジャマータイプ（バリアル、同期、リファレンス信号ジャミング）間の分類誤りが最小限に抑えられており、分類の特異性が非常に高いことが示される。
• Gaborウェーブレット変換とDCNNの組み合わせが、最高の全体的性能を達成し、高ジャマーパワーおよび低SNR環境を含むすべてのテスト条件下で、最高の精度と安定性を示す。
• 本手法は、古典的フーリエ変換に基づく手法が捉えられないウェーブレットの適応的分解能を活用することで、時間周波数平面に隠れたスマートジャマーディテクションを効果的に実現する。