Détection de brouillage basée sur l’apprentissage fédéré pour les réseaux tactiques terrestres et non terrestres
Abstract or Summary
Dans cet article, nous proposons un algorithme JDWC basé sur l’apprentissage fédéré (FL) pour les réseaux tactiques sans fil distribués (TWN). Plus précisément, nous considérons un TWN distribué avec plusieurs grappes en présence d’un brouilleur mobile, où différents types de formes d’onde sont utilisés sur le réseau. Sur les serveurs locaux, nous effectuons une analyse du domaine des fréquences des formes d’onde reçues afin d’extraire les caractéristiques uniques de la fonction de corrélation spectrale (SCF) de chaque forme d’onde et nous utilisons ces caractéristiques pour former des réseaux neuronaux convolutionnels locaux (CNN) afin de détecter les attaques des brouilleurs et de classer les formes d’onde. En outre, en considérant un TWN distribué pratique où chaque chef de groupe (CH) a une observation partielle du TWN avec des échantillons de données insuffisants, l’algorithme proposé exploite la caractéristique d’apprentissage distribué de FL, c’est-à-dire l’agrégation d’apprentissage global, pour détecter l’existence de brouilleurs et pour distinguer les types de formes d’onde reçues sur l’ensemble du TWN. Nous mettons en œuvre une simulation rigoureuse de TWN à l’aide de Matlab Toolboxes et notre algorithme proposé à l’aide de TensorFlow Federated (TFF). Les résultats numériques montrent que l’algorithme proposé est plus performant que l’algorithme SCF-CNN local autonome. Nous démontrons également que l’utilisation de la caractéristique SCF est plus précise que l’utilisation des caractéristiques en phase/quadrature (I/Q).
