[论文解读] Rogue Drone Detection: A Machine Learning Approach

Henrik Rydén, Sakib Bin Redhwan+1 more|arXiv (Cornell University)|May 14, 2018

UAV Applications and Optimization参考文献 9被引用 7

一句话总结

本文提出一种基于机器学习的方法，利用接收信号强度指示（RSSI）和参考信号接收功率标准差（RSRP-STD）等无线测量数据，在移动网络中检测非法无人机。采用逻辑回归与决策树分类器，该方法在60米以上高度的无人机检测中实现了100%准确率且无误报；然而，由于低空无人机与地面上行用户设备（UE）的传播特性相似，低于60米时性能显著下降。

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.

研究动机与目标

• 应对日益严峻的非法无人机挑战，这些无人机可能在蜂窝网络中引发过度干扰并违反法规。
• 识别未注册为专用无人机设备但以普通用户设备形式飞行的未经授权无人机（非法UE）。
• 开发一种机器学习解决方案，利用用户设备上报的无线测量报告，区分非法无人机与普通地面上行UE。
• 在保持零误报率的前提下实现高检测准确率，避免将合法地面上行UE误判为非法无人机。
• 在符合3GPP标准的现实网络部署场景下评估所提方法的性能，重点关注高度相关的检测准确率。

提出的方法

• 将用户设备上报的无线测量报告（RSSI、RSRP-STD、RSRP-gap、服务小区RSRP）作为分类模型的输入特征。
• 应用两种监督式机器学习模型：逻辑回归与决策树，基于模拟网络数据进行训练。
• 在仅包含19个站点、每站3个扇区、站点间距500米的模拟城市宏覆盖网络中训练模型，无人机UE占比25%，飞行高度在15至300米之间变化。
• 通过多小区时间序列分析预测概率，提升检测可靠性，结合邻近小区的检测结果。
• 采用两步检测流程：首先使用轻量级过滤器识别潜在无人机（高查全率）；其次在子集中应用机器学习模型进行精细化分类。
• 将检测逻辑集中部署（例如通过MME）或通过小区间X2接口共享测量报告与预测结果。

实验结果

研究问题

• RQ1 仅依靠无线测量报告，机器学习模型能否有效区分非法无人机与普通地面上行UE？
• RQ2 无人机UE的检测准确率如何随其飞行高度变化，特别是与地面上行UE相比？
• RQ3 在不同高度下，非法无人机检测率与误报率（即误将地面上行UE识别为无人机）之间存在何种权衡？
• RQ4 通过在时间维度上聚合多个小区的预测概率，能否提升检测性能？
• RQ5 将非法无人机检测功能集成到现有4G/LTE网络架构中，其实际部署影响是什么？

主要发现

• 使用RSSI与RSRP-STD特征的决策树分类器，在60米以上高度的无人机检测中实现了100%检测率，且误报率为0%。
• 在15米高度时，若强制保持0%误报率，检测率仅降至5%，原因在于低空无人机与地面上行UE具有相似的无线传播特性。
• 所有高度范围内的总体检测率约为80%，其中绝大多数未被检测到的无人机位于60米以下。
• 随着预测概率序列长度增加，检测性能提升，表明在切换过程中进行时间聚合具有显著优势。
• 所提方法具备良好的可扩展性，可通过现有网络接口（如X2）或通过中心化实体（如MME）实现部署。
• 低空无人机较难对网络造成显著干扰，因此其检测优先级低于高空无人机。