Explorar la detección de sistemas aéreos no tripulados en redes 5G mediante aprendizaje automático es una Escuela Naval de Postgrado tesis de Alexander D. Gore.

El avance y la integración de las tecnologías de red 5G, que incluyen técnicas como la formación de haces y el enlace lateral, están a punto de mejorar sustancialmente las capacidades de los adversarios potenciales que participan en operaciones con drones que se extienden más allá de la línea de visión directa. Este estudio profundiza en las estrategias destinadas a superar los obstáculos introducidos por la 5G en relación con la detección de drones, especialmente cuando la transmisión de datos se oculta mediante cifrado.

The methodology involves the creation of datasets about drone network activity. This is achieved through the interception of data packets exchanged between a ground control station and a simulated dron. Subsequently, the distinct communication streams are segregated, and statistical characteristics are formulated utilizing extracted temporal attributes. These attributes encompass metrics such as the mean, median, and standard deviation of inter-arrival times and the ratio of packet directions.

Se entrena y evalúa un clasificador de bosque aleatorio utilizando estos perfiles estadísticos derivados. Este clasificador puede discernir entre flujos de tráfico de drones simulados propagados a través de WiFi o Ethernet y flujos de datos 5G normales. El clasificador alcanza una tasa de precisión de 99% y una puntuación F1 superior a 98% en una fracción de segundo. Además, el clasificador es capaz de detectar el tráfico de drones incluso cuando se encuentra en transmisiones de datos que se producen en un sistema distinto de aquel en el que se entrenó inicialmente, manteniendo una puntuación F1 superior a 97%.

Aunque cabe destacar que la evaluación no se extendió a los datos de drones transmitidos a través de redes 5G reales debido a las limitaciones de la herramienta, la prometedora alineación entre los atributos de detección, como las tasas direccionales de datos, entre los datos de drones y los datos 5G típicos se mantiene independientemente del modo de transmisión. El rendimiento superior del enfoque propuesto y su dependencia exclusiva de los atributos temporales lo convierten en una vía prospectiva que merece la pena explorar en el ámbito de la detección de drones 5G.

Fecha de publicación Junio de 2023

Exploring Detection of Unmanned Aerial Systems on 5G Networks Via Machine Learning contiene las siguientes secciones principales:

  • Introducción
  • Fondo
  • Metodología
  • Resultados
  • Conclusión y trabajo futuro

Aprobado para su difusión pública. La distribución es ilimitada.

C-UAS Hub no es propietario de este contenido y proporciona un enlace para los usuarios en el fondo de la página para acceder a ella en su ubicación original. Esto permite al autor o autores hacer un seguimiento de las métricas importantes del artículo relacionadas con su trabajo. Todo el mérito es de su legítimo propietario.

Autor- Alexander D. Gore

Para más recursos multimedia, visite la página Biblioteca multimedia.

Post Image- Torre de telecomunicaciones con antena de red celular 5G sobre fondo de ciudad, concepto de conexión global y red de internet (Crédito de la imagen: kinwun)