Badanie wykrywania bezzałogowych systemów powietrznych w sieciach 5G za pomocą uczenia maszynowego jest Szkoła podyplomowa marynarki wojennej teza wg Alexander D. Gore.

Rozwój i integracja technologii sieci 5G, obejmujących techniki takie jak kształtowanie wiązki i łączenie boczne, mogą znacznie zwiększyć możliwości potencjalnych przeciwników zaangażowanych w operacje dronów, które wykraczają poza bezpośrednią linię wzroku. Niniejsze badanie zagłębia się w strategie mające na celu pokonanie przeszkód wprowadzonych przez 5G w zakresie wykrywania dronów, zwłaszcza gdy transmisja danych jest ukryta za pomocą szyfrowania.

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.

Losowy klasyfikator leśny jest szkolony i oceniany przy użyciu tych wyprowadzonych profili statystycznych. Ten klasyfikator może rozróżniać symulowane przepływy ruchu dronów propagowane przez WiFi lub Ethernet od zwykłych przepływów danych 5G. Klasyfikator osiąga współczynnik dokładności 99% i wynik F1 przekraczający 98% w ułamku sekundy. Co więcej, klasyfikator wykazuje biegłość w wykrywaniu ruchu związanego z dronami, nawet w przypadku napotkania transmisji danych odbywających się w innym systemie niż ten, na którym został początkowo przeszkolony, utrzymując wynik F1 przekraczający 97%.

Chociaż warto zauważyć, że ocena nie obejmowała danych dronów przesyłanych przez rzeczywiste sieci 5G ze względu na ograniczenia narzędzi, obiecujące dopasowanie atrybutów wykrywania, takich jak kierunkowość danych, między danymi dronów a typowymi danymi 5G pozostaje niezależnie od trybu transmisji. Doskonała wydajność proponowanego podejścia i jego wyłączne poleganie na atrybutach czasowych sprawiają, że jest to potencjalna droga warta zbadania w dziedzinie wykrywania dronów 5G.

Data publikacji- Czerwiec 2023 r.

Exploring Detection of Unmanned Aerial Systems on 5G Networks Via Machine Learning zawiera następujące główne sekcje:

  • Wprowadzenie
  • Kontekst
  • Metodologia
  • Wyniki
  • Wnioski i przyszłe prace

Zatwierdzone do publicznego udostępnienia. Dystrybucja jest nieograniczona.

C-UAS Hub nie jest właścicielem tej zawartości i udostępnia link dla użytkowników pod adresem dno strony, aby uzyskać do niej dostęp w oryginalnej lokalizacji. Pozwala to autorom śledzić ważne metryki artykułów związane z ich pracą. Wszelkie podziękowania należą się prawowitemu właścicielowi.

Autor- Alexander D. Gore

Dodatkowe zasoby multimedialne można znaleźć na stronie Biblioteka multimedialna.

Post Image- Wieża telekomunikacyjna z anteną sieci komórkowej 5G na tle miasta, koncepcja globalnego połączenia i sieci internetowej (Źródło zdjęcia: kinwun)