L'exploration de la détection des systèmes aériens sans pilote sur les réseaux 5G via l'apprentissage automatique est un sujet d'actualité. École supérieure navale thèse de Alexander D. Gore.

Les progrès et l'intégration des technologies de réseau 5G, qui englobent des techniques telles que la formation de faisceaux et la liaison latérale, sont sur le point de renforcer considérablement les capacités des adversaires potentiels engagés dans des opérations de drones qui s'étendent au-delà de la ligne de visée directe. Cette étude examine les stratégies visant à surmonter les obstacles introduits par la 5G en ce qui concerne la détection des drones, en particulier lorsque la transmission des données est dissimulée par cryptage.

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 drone. 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.

Un classificateur de forêt aléatoire est formé et évalué à l'aide de ces profils statistiques dérivés. Ce classificateur peut distinguer les flux de trafic simulés de drones propagés par WiFi ou Ethernet des flux de données 5G normaux. Le classificateur atteint un taux de précision de 99% et un score F1 dépassant 98% en une fraction de seconde. En outre, le classificateur se montre capable de détecter le trafic lié aux drones même lorsqu'il est confronté à des transmissions de données se produisant sur un système distinct de celui sur lequel il a été initialement formé, en maintenant un score F1 supérieur à 97%.

Bien qu'il faille noter que l'évaluation ne s'est pas étendue aux données de drones transmises sur des réseaux 5G réels en raison des limitations de l'outil, l'alignement prometteur entre les attributs de détection, tels que les taux directionnels des données, entre les données de drones et les données 5G typiques reste inchangé quel que soit le mode de transmission. Les performances supérieures de l'approche proposée et sa dépendance exclusive à l'égard des attributs temporels en font une voie prospective qui mérite d'être explorée dans le domaine de la détection des drones 5G.

Date de publication- Juin 2023

Exploring Detection of Unmanned Aerial Systems on 5G Networks Via Machine Learning contient les principales sections suivantes :

  • Introduction
  • Contexte
  • Méthodologie
  • Résultats
  • Conclusion et travaux futurs

Approuvé pour diffusion publique. La distribution est illimitée.

C-UAS Hub n'est pas propriétaire de ce contenu et fournit un lien pour les utilisateurs à l'adresse suivante fond de la page pour y accéder à son emplacement d'origine. Cela permet à l'auteur ou aux auteurs de suivre les métriques importantes de l'article liées à leur travail. Tout le mérite en revient à son propriétaire légitime.

Auteur- Alexander D. Gore

Pour des ressources multimédias supplémentaires, veuillez consulter le site Bibliothèque multimédia.

Post Image- Tour de télécommunication avec antenne de réseau cellulaire 5G sur fond de ville, concept de connexion globale et de réseau internet (Crédit image : kinwun)