Die Erforschung der Erkennung unbemannter Luftfahrtsysteme in 5G-Netzen durch maschinelles Lernen ist ein Postgraduiertenschule der Marine These von Alexander D. Gore.

Die Weiterentwicklung und Integration von 5G-Netztechnologien, die Techniken wie Beamforming und Sidelinking umfassen, werden die Fähigkeiten potenzieller Gegner bei Drohnenoperationen, die über die direkte Sichtlinie hinausgehen, erheblich verbessern. Diese Studie befasst sich mit Strategien, die darauf abzielen, die durch 5G eingeführten Hürden bei der Erkennung von Drohnen zu überwinden, insbesondere wenn die Datenübertragung durch Verschlüsselung verborgen ist.

Die Methodik umfasst die Erstellung von Datensätzen über die Aktivität des Drohnennetzwerks. Dies wird durch das Abfangen von Datenpaketen erreicht, die zwischen einer Bodenkontrollstation und einer simulierten Drohne. Anschließend werden die einzelnen Kommunikationsströme getrennt und statistische Merkmale anhand der extrahierten zeitlichen Attribute formuliert. Diese Attribute umfassen Metriken wie den Mittelwert, den Median und die Standardabweichung der Ankunftszeiten und das Verhältnis der Paketrichtungen.

Ein Random-Forest-Klassifikator wird anhand dieser abgeleiteten statistischen Profile trainiert und bewertet. Dieser Klassifikator kann zwischen simulierten Drohnenverkehrsströmen, die über WiFi oder Ethernet übertragen werden, und regulären 5G-Datenströmen unterscheiden. Der Klassifikator erreicht eine Genauigkeitsrate von 99% und einen F1-Score von mehr als 98% in einem Bruchteil einer Sekunde. Darüber hinaus ist der Klassifikator in der Lage, den Drohnenverkehr auch dann zu erkennen, wenn er auf Datenübertragungen trifft, die über ein anderes System erfolgen als das, auf dem er ursprünglich trainiert wurde, und erreicht dabei eine F1-Punktzahl von über 97%.

Es ist zwar erwähnenswert, dass sich die Bewertung aufgrund von Gerätebeschränkungen nicht auf Drohnendaten erstreckte, die über tatsächliche 5G-Netze übertragen wurden, aber die vielversprechende Übereinstimmung zwischen Erkennungsattributen, wie z. B. Datenrichtungsraten, zwischen Drohnendaten und typischen 5G-Daten bleibt unabhängig vom Übertragungsmodus bestehen. Die überlegene Leistung des vorgeschlagenen Ansatzes und sein ausschließlicher Rückgriff auf zeitliche Attribute machen ihn zu einem aussichtsreichen Weg, der im Bereich der 5G-Drohnenerkennung erforscht werden sollte.

Erscheinungsdatum. Juni 2023

Erforschung der Erkennung unbemannter Luftfahrtsysteme in 5G-Netzen über Maschinelles Lernen enthält die folgenden Hauptabschnitte:

  • Einführung
  • Hintergrund
  • Methodik
  • Ergebnisse
  • Schlussfolgerung und zukünftige Arbeit

Zur Veröffentlichung freigegeben. Die Verbreitung ist unbegrenzt.

C-UAS Hub macht sich diese Inhalte nicht zu eigen und stellt einen Link für die Nutzer auf der unten der Seite, um sie an ihrem ursprünglichen Ort aufzurufen. Dies ermöglicht es dem/den Autor(en), wichtige Artikelmetriken im Zusammenhang mit ihrer Arbeit zu verfolgen. Alle Angaben gehen an den rechtmäßigen Eigentümer.

Autor- Alexander D. Gore

Weitere Multimedia-Ressourcen finden Sie auf der Website Multimedia-Bibliothek.

Post Image- Telekommunikationsturm mit 5G-Mobilfunknetz-Antenne auf Stadt-Hintergrund, globale Verbindung und Internet-Netzwerk-Konzept (Image Credit: kinwun)