[论文解读] 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 8

一句话总结

该论文提出了一种多阶段射频指纹识别系统，可在存在Wi-Fi和蓝牙干扰的情况下，利用马尔可夫模型和机器学习技术检测并分类无人机控制器。在信噪比（SNR）为25 dB时，使用k近邻算法对能量瞬态中经NCA筛选的三个特征进行分类，准确率达到98.13%。

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.

研究动机与目标

• 解决在存在Wi-Fi和蓝牙设备同频干扰的真实环境中检测和分类无人机控制器的挑战。
• 开发一种鲁棒的被动射频监控系统，使其在低信噪比（SNR）和高干扰条件下仍能可靠运行。
• 通过利用固有的射频指纹实现对无人机控制器的精确识别，而非依赖可能未知或被伪造的飞行员行为。
• 研究在不同信噪比和控制器多样性（包括同一制造商的相同型号）条件下，多种机器学习分类器的性能表现。
• 通过在多样化干扰场景下评估检测准确率和误报率，确保系统的安全性和可靠性。

提出的方法

• 采用基于两状态马尔可夫模型的朴素贝叶斯决策机制，检测噪声环境中是否存在任何射频信号。
• 应用带宽和调制特征分析，将检测到的信号分类为Wi-Fi、蓝牙或无人机控制器信号。
• 从无人机控制器信号的能量瞬态中提取15个统计特征，以捕捉射频指纹特性。
• 采用邻域成分分析（NCA）降低特征维度，并选择最具区分性的三个特征。
• 在降维后的特征集上训练并评估五种机器学习分类器——k近邻（kNN）、随机森林（RandF）、决策分析（DA）、支持向量机（SVM）和神经网络（NN）。
• 通过蒙特卡洛模拟和混淆矩阵分析，评估分类器在15种和17种无人机控制器型号下的鲁棒性及错误模式。

实验结果

研究问题

• RQ1 在存在同频Wi-Fi和蓝牙干扰的情况下，无人机控制器的检测与分类准确率如何？
• RQ2 信噪比（SNR）对所提系统检测与分类性能有何影响？
• RQ3 包含重复型号（如两对相同的DJI控制器）时，对分类准确率和错误模式有何影响？
• RQ4 在不同SNR和控制器多样性条件下，哪种机器学习分类器具有最高的准确率和鲁棒性？
• RQ5 像NCA这样的特征降维技术在保持低计算成本的同时，能在多大程度上提升分类性能？

主要发现

• 在10 dB SNR时，基于马尔可夫模型的朴素贝叶斯检测器实现99.8%的准确率，误报率为2.8%。
• 在25 dB SNR下，k近邻（kNN）分类器在仅使用三个NCA筛选特征的情况下，对15种不同无人机控制器的分类准确率达到98.13%。
• 对于17种控制器（包括两对相同型号），kNN保持95.53%的平均准确率，表明其对型号重复具有鲁棒性。
• 随机森林（RandF）分类器在17种控制器下的平均准确率为95.18%，在此场景下优于kNN和DA。
• 决策分析（DA）分类器在相似型号中的误分类数量最多，导致17种控制器的平均准确率为88.12%，表明其鲁棒性较低。
• 分类器性能随SNR提升而改善，当SNR >15 dB时，kNN和RandF表现最优；而DA在低SNR（0–4 dB）下表现最佳。