Détection de brouillage et classification des formes d’onde par apprentissage fédéré pour les réseaux sans fil tactiques distribués

Détection de brouillage et classification des formes d’onde par apprentissage fédéré pour les réseaux sans fil tactiques distribués

A. Meftah, T. N. Do, G. Kaddoum, C. Talhi et S. Singh, “Federated Learning-Enabled Jamming Detection and Waveform Classification for Distributed Tactical Wireless Networks,” in IEEE Transactions on Network and Service Management, vol. 20, no. 4, pp. 5053-5072, Dec. 2023, doi : 10.1109/TNSM.2023.3271578

Abstract or Summary

Dans cet article, nous proposons un algorithme de détection des brouilleurs et de classification des formes d’onde basé sur l’apprentissage fédéré (FL) pour les réseaux tactiques sans fil distribués (TWN). Plus précisément, nous considérons un TWN distribué avec plusieurs grappes et différents types de formes d’onde utilisés en présence d’un brouilleur mobile. Nous analysons le domaine des fréquences des formes d’onde reçues sur les serveurs locaux afin d’extraire la fréquence cyclique unique de la fonction de corrélation spectrale (SCF) de chaque forme d’onde. La méthode est utilisée pour détecter les valeurs maximales dans le plan de fréquence cyclique. Le SCF du signal primaire présente des pics à la fréquence cyclique unique et à la fréquence cyclique nulle. Ces caractéristiques sont ensuite utilisées pour former des réseaux neuronaux convolutionnels locaux (CNN) afin de détecter les attaques de brouillage et de classer les formes d’onde. 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 distinguer les types de formes d’ondes reçues dans l’ensemble du TWN. Nous mettons en œuvre une simulation rigoureuse de TWN en utilisant les boîtes à outils MATLAB et l’algorithme que nous proposons dans TensorFlow Federated. Les résultats numériques montrent que l’algorithme proposé est plus performant que l’algorithme SCF-CNN local autonome. Nous démontrons également que la caractéristique SCF est plus précise que les caractéristiques en phase et en quadrature.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag