머신 러닝을 통한 5G 네트워크의 무인 항공 시스템 탐지 탐색은 해군 대학원 논문 작성자 알렉산더 D. 고어.

빔포밍과 사이드링킹과 같은 기술을 포함한 5G 네트워크 기술의 발전과 통합은 직접 가시선을 넘어 드론 작전에 관여하는 잠재적 공격자의 능력을 크게 향상시킬 것입니다. 이 연구에서는 특히 데이터 전송이 암호화를 통해 은폐되는 경우 드론 탐지와 관련하여 5G로 인해 발생하는 장애물을 극복하기 위한 전략을 살펴봅니다.

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 드론. 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.

이렇게 도출된 통계 프로파일을 사용하여 무작위 포리스트 분류기를 훈련하고 평가합니다. 이 분류기는 WiFi 또는 이더넷을 통해 전파되는 시뮬레이션된 드론 트래픽 흐름과 일반 5G 데이터 흐름을 구분할 수 있습니다. 이 분류기는 99%의 정확도와 98%를 능가하는 F1 점수를 단 몇 초 만에 달성합니다. 또한, 이 분류기는 처음에 학습된 시스템과 다른 시스템에서 발생하는 데이터 전송에서도 드론 관련 트래픽을 탐지하는 데 능숙하여 F1 점수가 97%를 초과하는 성능을 발휘합니다.

도구의 한계로 인해 실제 5G 네트워크를 통해 전송되는 드론 데이터로 평가가 확장되지 않았다는 점은 주목할 만하지만, 드론 데이터와 일반적인 5G 데이터 간에 데이터 방향성 속도와 같은 탐지 속성이 전송 모드에 관계없이 일치한다는 점은 여전히 유망한 점입니다. 제안된 접근 방식의 우수한 성능과 시간적 속성에 대한 독점적 의존은 5G 드론 탐지 영역에서 탐색할 가치가 있는 잠재적 수단으로 자리매김하고 있습니다.

발행일- 2023년 6월

Exploring Detection of Unmanned Aerial Systems on 5G Networks Via Machine Learning 에는 다음과 같은 주요 섹션이 포함되어 있습니다:

  • 소개
  • 배경
  • 방법론
  • 결과
  • 결론 및 향후 작업

공개 배포가 승인되었습니다. 배포는 무제한입니다.

C-UAS 허브는 이 콘텐츠를 소유하지 않으며, 사용자에게 링크를 제공합니다. 하단 을 클릭하여 원래 위치에서 페이지에 액세스할 수 있습니다. 이를 통해 작성자는 자신의 작업과 관련된 중요한 문서 지표를 추적할 수 있습니다. 모든 저작권은 정당한 소유자에게 있습니다.

저자- 알렉산더 D. 고어

추가 멀티미디어 리소스를 보려면 멀티미디어 라이브러리.

이미지 게시 도시 배경에 5G 셀룰러 네트워크 안테나가 있는 통신 타워, 글로벌 연결 및 인터넷 네트워크 개념 (이미지 출처: kinwun)