[论文解读] Spectrum Prediction and Interference Detection for Satellite Communications

Lissy Pellaco, Nirankar Singh+1 more|arXiv (Cornell University)|Dec 10, 2019

Satellite Communication Systems被引用 6

一句话总结

本文提出了一种基于机器学习的方法，用于在卫星通信频谱中实时、自动检测短时和长时干扰，并在时间和频率域中实现干扰定位。基于瑞典太空公司提供的真实世界数据，该方法在可靠性和准确性方面优于基于模型的基线方法，展现出在频谱拥堵环境中的强大实际部署潜力。

ABSTRACT

Spectrum monitoring and interference detection are crucial for the satellite service performance and the revenue of SatCom operators. Interference is one of the major causes of service degradation and deficient operational efficiency. Moreover, the satellite spectrum is becoming more crowded, as more satellites are being launched for different applications. This increases the risk of interference, which causes anomalies in the received signal, and mandates the adoption of techniques that can enable the automatic and real-time detection of such anomalies as a first step towards interference mitigation and suppression. In this paper, we present a Machine Learning (ML)-based approach able to guarantee a real-time and automatic detection of both short-term and long-term interference in the spectrum of the received signal at the base station. The proposed approach can localize the interference both in time and in frequency and is universally applicable across a discrete set of different signal spectra. We present experimental results obtained by applying our method to real spectrum data from the Swedish Space Corporation. We also compare our ML-based approach to a model-based approach applied to the same spectrum data and used as a realistic baseline. Experimental results show that our method is a more reliable interference detector.

研究动机与目标

• 为应对由于卫星部署增加而导致的卫星频谱日益拥挤所引发的干扰风险上升问题。
• 实现实时、自动检测基站信号频谱中的干扰异常。
• 在时间和频率域中对干扰进行定位，以实现有效缓解。
• 开发一种适用于多种不同信号频谱的通用方法。
• 在干扰检测的可靠性方面超越传统的基于模型的方法。

提出的方法

• 基于瑞典太空公司采集的真实频谱数据，训练机器学习框架。
• 该方法利用频谱特征，在时间和频率两个维度上检测干扰的异常信号。
• 设计为可广泛适用于一组离散的不同信号频谱，而无需针对特定信号进行调优。
• 在相同数据集上，使用一种现实的基于模型的基线方法对模型进行评估。
• 特征工程聚焦于时频表示，以捕捉瞬态和持续性干扰模式。
• 系统支持实时运行，可立即检测并响应干扰事件。

实验结果

研究问题

• RQ1 基于机器学习的方法能否可靠地检测卫星通信频谱中的短时和长时干扰？
• RQ2 与基于模型的基线方法相比，基于机器学习的干扰检测在准确性和可靠性方面表现如何？
• RQ3 所提出的方法在多大程度上能够实现对干扰在时间和频率域中的精确定位？
• RQ4 该方法是否适用于不同类型的卫星信号频谱？
• RQ5 该系统能否实现实时检测，适合实际部署？

主要发现

• 与基于模型的基线方法相比，基于机器学习的方法在干扰检测方面表现出更高的可靠性。
• 该方法成功地在时间和频率域中对干扰进行了定位，实现了对干扰源的精确定位。
• 在真实频谱数据上的实验结果证实了该方法在多样化信号环境中的有效性。
• 系统实现了实时性能，适用于动态卫星通信网络中的实际应用。
• 该方法在不同信号频谱中表现出鲁棒性，表明其具有广泛的适用性。
• 结果表明，基于机器学习的检测方法可显著提升在频谱拥挤环境下的干扰缓解能力和服务质量。