[论文解读] 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 11

一句话总结

本文提出了一种基于小波的预处理与深度学习分类框架，用于检测和识别LTE下行链路网络中的智能干扰器，优于传统的基于傅里叶的方法。通过利用Gabor小波变换实现多分辨率时频表示，并结合深度卷积神经网络（DCNN），该方法在信干比（SJR）较低的条件下仍能实现超过93%的分类准确率。

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.

研究动机与目标

• 解决智能干扰器因自适应、低功率和频率选择性干扰而逃避传统基于傅里叶的时频分析的问题。
• 克服短时傅里叶变换（STFT）和频谱图在识别瞬态或窄带干扰信号时的固定分辨率限制。
• 为LTE下行链路开发一种鲁棒的干扰器识别系统，可分类三种攻击类型：阻塞式干扰、同步信号干扰和参考信号干扰。
• 评估机器学习分类器（SVM和DCNN）在小波变换信号上的性能，以提升在低信噪比（SNR）和不同干扰功率水平下的检测准确率。
• 证明基于小波的预处理相较于经典TFT方法在捕捉隐藏在时频平面上的干扰器特征方面的优越性。

提出的方法

• 采用Gabor小波变换作为多分辨率时频表示技术，实现对瞬态干扰信号的自适应时间与频率定位。
• 使用Choi-Williams变换和频谱图作为具有固定分辨率的对比时频预处理方法，用于基准比较。
• 将生成的时频图像输入支持向量机（SVM）和深度卷积神经网络（DCNN）中，实现自动特征提取与干扰器类型分类。
• 在五种不同信干比（SJR）条件下（包括无干扰和三种干扰攻击类型）的LTE下行链路信号数据集上训练和评估分类器。
• 通过选择最佳的预处理变换与分类器组合来优化系统，重点关注在不同SNR和干扰功率水平下的鲁棒性。
• 利用混淆矩阵和分类准确率指标评估各类别性能以及模型在不同攻击类型下的泛化能力。

实验结果

研究问题

• RQ1 基于小波的时频表示是否能提升对逃避传统傅里叶方法检测的智能干扰器的检测能力？
• RQ2 在LTE下行链路中，使用小波变换信号对干扰器类型进行分类时，SVM与DCNN分类器的性能如何比较？
• RQ3 信干比（SJR）对不同时间-频率预处理技术的分类准确率有何影响？
• RQ4 哪种预处理变换与分类器的组合能在不同SNR和攻击类型下实现最高且最鲁棒的干扰器识别准确率？
• RQ5 不同时间-频率表示方法（如频谱图、Choi-Williams、Gabor小波）在多大程度上能突出显示时频平面上由干扰引起的异常？

主要发现

• Gabor小波变换在识别智能干扰器方面优于频谱图和Choi-Williams变换，尤其在低信干比（SJR）条件下，最小分类准确率达到93%。
• DCNN分类器在所有预处理方法和SNR条件下均持续优于SVM分类器，展现出更优的鲁棒性和泛化能力。
• 在低功率干扰场景（如C1）中，所有方法均难以检测到干扰，但Gabor小波 + DCNN组合仍实现了最高的可检测性。
• 混淆矩阵显示不同干扰类型（阻塞式、同步信号、参考信号干扰）之间极少发生类别混淆，表明分类具有高特异性。
• Gabor小波变换与DCNN的结合实现了最佳整体性能，在所有测试条件下均表现出最高准确率和稳定性，包括高干扰功率和低SNR环境。
• 所提出的方法通过利用小波的自适应分辨率有效检测出隐藏在时频平面上的智能干扰器，而传统基于傅里叶的方法无法捕捉此类特征。