[论文解读] SAIFE: Unsupervised Wireless Spectrum Anomaly Detection with Interpretable Features

Sreeraj Rajendran, Wannes Meert+2 more|arXiv (Cornell University)|Jul 22, 2018

Wireless Signal Modulation Classification参考文献 16被引用 5

一句话总结

SAIFE 是一种用于无线频谱异常检测的无监督对抗自编码器（AAE）模型，利用功率谱密度（PSD）数据实现同时的异常检测、可解释特征学习（如信号带宽、中心频率、类别）以及高达120倍的有损压缩。该模型仅使用20%的标注数据即可实现接近100%的半监督信号分类准确率，并在真实世界的Electrosense数据上展现出稳健的长期异常检测能力。

ABSTRACT

Detecting anomalous behavior in wireless spectrum is a demanding task due to the sheer complexity of the electromagnetic spectrum use. Wireless spectrum anomalies can take a wide range of forms from the presence of an unwanted signal in a licensed band to the absence of an expected signal, which makes manual labeling of anomalies difficult and suboptimal. We present, Spectrum Anomaly Detector with Interpretable FEatures (SAIFE), an Adversarial Autoencoder (AAE) based anomaly detector for wireless spectrum anomaly detection using Power Spectral Density (PSD) data which achieves good anomaly detection and localization in an unsupervised setting. In addition, we investigate the model's capabilities to learn interpretable features such as signal bandwidth, class and center frequency in a semi-supervised fashion. Along with anomaly detection the model exhibits promising results for lossy PSD data compression up to 120X and semisupervised signal classification accuracy close to 100% on three datasets just using 20% labeled samples. Finally the model is tested on data from one of the distributed Electrosense sensors over a long term of 500 hours showing its anomaly detection capabilities.

研究动机与目标

• 开发一种无需微调即可在多个频段运行的无监督无线频谱异常检测系统。
• 在半监督设置下，从未标注的原始PSD数据中学习可解释特征，如信号带宽、中心频率和类别。
• 实现PSD数据的高效有损压缩，以降低大规模频谱监测中的数据传输成本。
• 在来自Electrosense传感器的真实世界长期频谱数据上验证模型的稳健性能。
• 在单一统一的深度学习框架中集成异常检测、信号分类与特征解释。

提出的方法

• 该模型采用对抗自编码器（AAE）架构，在功率谱密度（PSD）帧上进行训练，以学习压缩的潜在表征。
• 编码器将输入的PSD数据映射到20维潜在空间，实现高达120倍的高比率有损压缩，且重建误差极低。
• AAE中的判别器被训练以区分学习到的潜在码分布与先验分布，从而实现解耦且可解释的特征学习。
• 通过仅使用20%标注数据的半监督微调，从学习到的潜在空间中提取可解释特征，如信号带宽、中心频率和类别。
• 通过测量重建误差执行异常检测：高误差表示输入为异常。
• 模型在三个数据集——合成数据、SDR和Electrosense——上进行评估，涵盖压缩、异常检测和分类任务。

实验结果

研究问题

• RQ1 单一AAE模型是否能在无需微调或频带特定调整的情况下，在多种无线频段中实现异常检测？
• RQ2 AAE中学习到的潜在特征在多大程度上可被解释为有意义的物理信号参数（如带宽、中心频率、信号类别）？
• RQ3 该模型在保留可检测异常和分类有用性的同时，对PSD数据的压缩效率如何？
• RQ4 在不同信噪比（SNR）下，压缩率与异常检测准确率之间的性能权衡如何？
• RQ5 该模型是否能以极少的标注数据实现高信号分类准确率，从而支持真实世界频谱监测中的半监督部署？

主要发现

• 在Electrosense数据集上，SAIFE实现了最高120倍的压缩率，6×221 PSD样本的平均绝对重建误差为101.16。
• 在合成数据集上，模型实现了92.86%的信号分类准确率，混淆主要出现在单连续与多连续信号之间。
• 在真实世界的SDR和Electrosense数据集上，模型在仅使用20%标注样本的半监督设置下实现了100%的信号分类准确率。
• 在常见SNR水平（-10 dB、0 dB、10 dB）下，异常检测性能随潜在特征数量增加而提升，但在极端SNR（-20 dB和20 dB）下性能增益趋于饱和。
• 该模型在来自真实Electrosense传感器的500小时连续数据上展现出稳健的长期异常检测能力，验证了其实际部署潜力。
• 该模型实现了可解释的特征学习，包括信号带宽、中心频率和类别，直接从潜在空间中提取，无需人工特征工程。