Một phương pháp ứng dụng mẫu chồng lấn với tín hiệu WiFi

11 6 0
Một phương pháp ứng dụng mẫu chồng lấn với tín hiệu WiFi

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Nonlinear coupling Kỹ thuật điều khiển Điện tử T V Kiên, , N L Cường, “Một phương pháp ứng dụng mẫu chồng lấn với tín hiệu WiFi ” 70 Một phương pháp ứng dụng mẫu nén và học máy để phát hiện Flycam t.

Kỹ thuật điều khiển & Điện tử Một phương pháp ứng dụng mẫu nén học máy để phát Flycam mơi trường có chồng lấn với tín hiệu WiFi Trần Vũ Kiên, Đỗ Anh Tú, Nguyễn Hải Quân, Nguyễn Lê Cường* Trường Đại học Điện lực * Email: cuongnl@epu.edu.vn Nhận bài: 12/8/2022; Hoàn thiện: 04/10/2022; Chấp nhận đăng: 10/10/2022; Xuất bản: 28/10/2022 DOI: https://doi.org/10.54939/1859-1043.j.mst.82.2022.70-80 TÓM TẮT Bài báo nghiên cứu đề xuất giải pháp phát tín hiệu WiFi lẫn tín hiệu vơ tuyến phát từ Flycam Giải pháp đề xuất dựa phương pháp học máy kỹ thuật lấy mẫu nén trường hợp phổ tần tín hiệu thu từ Flycam từ thiết bị sử dụng sóng WiFi bị chồng lấn lên điểm thu tín hiệu Để thực điều đó, ma trận lấy mẫu nén đặc biệt thiết kế với mục đích thu lấy đoạn tín hiệu có chứa tín hiệu đồng để sau trích chọn đặc trưng đưa vào hệ thống học máy nhằm phát loại bỏ đoạn tín hiệu WiFi có lẫn tín hiệu thu Một hệ thống máy thu xây dựng tảng vô tuyến cấu hình mềm (SDR) để thử nghiệm phương pháp Kết tính tốn thử nghiệm cho thấy, giải pháp đề xuất giúp cải thiện tốc độ việc loại bỏ tín hiệu WiFi có lẫn Flycam Từ khóa: Lấy mẫu nén; Nhiễu WiFi; Học máy ĐẶT VẤN ĐỀ Trong năm gần đây, việc sử dụng máy bay không người lái, cụ thể Flycam cách dễ dàng, có tính tự phát, khơng làm thủ tục xin cấp phép bay với quan có thẩm quyền, bay vào khu vực cấm, gây vấn đề ảnh hưởng đến an tồn hàng khơng, an toàn dân sinh an ninh quốc gia Do đó, việc phát cảnh báo sớm xuất Flycam để có phản ứng kịp thời cần thiết Để giải vấn đề này, có nhiều nghiên cứu theo cách tiếp cận khác như: phân tích âm thanh, phân tích hình ảnh thu từ camera kết hợp với thuật tốn học máy trí tuệ nhân tạo để cải thiện độ xác hiệu việc phát hiện, sử dụng radar chủ động phân tích dựa thu tín hiệu vơ tuyến trao đổi Flycam trạm điều khiển mặt đất Mỗi cách tiếp cận có ưu nhược điểm phạm vi ứng dụng khác Hầu hết Flycam sử dụng ba loại tín hiệu vơ tuyến: tín hiệu điều khiển từ xa, tín hiệu đo từ xa, tín hiệu video Tín hiệu đo từ xa chủ yếu truyền vị trí, độ cao trạng thái hoạt động UAV có điều chế giống với tín hiệu điều khiển Tín hiệu video tín hiệu truyền hình ảnh thu từ camera gắn Flycam trạm mặt đất thường phát liên tục trình bay Flycam, nhiên, tín hiệu video thường sử dụng kỹ thuật điều chế OFDM hoạt động dải tần 2,4 GHz 5,8 GHz Flycam trùng dải tần với WiFi, gây khó khăn cho việc xử lý nhận dạng vị trí thu tín hiệu vơ tuyến từ Flycam có thiết bị WiFi hoạt động Một số nghiên cứu đề xuất để loại bỏ tín hiệu WiFi xử lý nhận dạng Flycam Các kỹ thuật dự đốn độ dài tín hiệu OFDM kết hợp với đặc trưng phổ công suất làm đầu vào cho mơ hình SVM KNN áp dụng [1] để phân loại tín hiệu Ezuma cộng [2] dựa vào độ rộng băng thông để loại bỏ tín hiệu WiFi Bài báo [3] phân biệt tín hiệu WiFi Flycam cách sử dụng 15 đặc tính thống kê miền thời gian tần số, kết hợp với tính tốn sóng mang hiệu dụng, nhiên, phương pháp cần tính tốn tồn liệu vơ tuyến thu dẫn đến khối lượng tính tốn lớn Các nghiên cứu chưa tính đến trường hợp tín hiệu Flycam tín hiệu WiFi chia sẻ dải tần tính tốn nhận biết phải tính đến tồn liệu thu dẫn đến khó 70 T V Kiên, …, N L Cường, “Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi.” Nghiên cứu khoa học công nghệ khăn đáp ứng yêu cầu thời gian thực Để giải vấn đề này, báo đề xuất phương pháp nhận biết tín hiệu WiFi tín hiệu gốc dựa lấy mẫu nén học máy Cụ thể, tín hiệu thu miền thời gian, đầu tiên, xuất tín hiệu phát cách sử dụng kỹ thuật phát mức lượng [4] Tiếp theo, trích xuất tín hiệu đồng tín hiệu WiFi có từ đoạn tín hiệu trước Sau đó, thực lấy mẫu nén đoạn tín hiệu trích xuất với ma trận lấy mẫu thiết kế dựa đặc trưng tín hiệu WiFi Cuối cùng, tín hiệu mẫu nén sử dụng làm liệu đầu vào cho mơ hình học máy để nhận dạng tín hiệu WiFi sử dụng làm điều kiện để loại bỏ tín hiệu WiFi tín hiệu gốc Phần cịn lại báo trình bày sau: Phần trình bày giải pháp đề xuất Phần trình bày q trình mơ thử nghiệm Phần thảo luận đánh giá hiệu phương pháp đề xuất với kịch Cuối cùng, phần trình bày kết luận ĐỀ XUẤT GIẢI PHÁP Trong thực tế, có trường hợp Flycam thiết bị thu phát WiFi hoạt động băng tần, nhiên, tùy theo khoảng cách Flycam, thiết bị WiFi địa điểm thu chặn tín hiệu mà tín hiệu thu bị ảnh hưởng theo chiều hướng khác Trong trường hợp Flycam bay vùng hoạt động nguồn phát tín hiệu WiFi (ví dụ: Flycam bay qua tịa nhà), router WiFi hoạt động theo giao thức CSMA/CA để tránh xung đột có thiết bị khác hoạt động băng tần Vì vậy, hoạt động băng tần tín hiệu thu từ Flycam WiFi không chồng lấn miền thời gian Trường hợp Flycam không bay vùng hoạt động nguồn phát tín hiệu WiFi loại thiết bị nằm vùng phủ thu chặn tín hiệu, điều dẫn đến việc thu tín hiệu có chồng lấn miền phổ miền thời gian, trường hợp đặc biệt gây khó khăn cho việc xử lý tín hiệu Trong trường hợp việc loại bỏ tín hiệu WiFi hỗ trợ q trình xử lý tín hiệu thu chặn từ Flycam dễ dàng Hình Mơ hình hệ thống xử lý tín hiệu thu Bài báo đề xuất mơ hình xử lý loại bỏ tín hiệu WiFi khỏi tín hiệu thu ban đầu hình Tín hiệu gốc sau thu từ thu tiếp tục phát mức lượng để tách làm đoạn tín hiệu riêng biệt Sau đó, đoạn tín hiệu tiếp tục lấy mẫu nén sử dụng ma trận lấy mẫu nén nhằm mục đích làm bật đặc trưng tín hiệu WiFi, sử dụng làm liệu đầu vào cho mơ hình học máy phân loại có phải WiFi hay khơng 2.1 Phát mức lượng Tín hiệu vơ tuyến thu được biểu diễn ( ) ∑ ( ), đó, Ψ ma trận để biểu diễn tín hiệu có cột i Các cột ma trận Ψ chuỗi số tạo từ kết Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 71 Kỹ thuật điều khiển & Điện tử hàm tính lượng tín hiệu vơ tuyến thu Sự xuất tín hiệu vơ tuyến khơng gian nhận biết thơng qua hàm tính lượng biểu thức sau: ( ) ( ) ∑ | ( )| (1) Kết hàm tính lượng cho thấy, biên độ lượng vị trí có tín hiệu cao so với vị trí khơng xuất tín hiệu, kết sử dụng để loại bỏ đoạn nhiễu nhằm cải thiện thời gian tính tốn cho hệ thống Trước thực lấy mẫu tính tốn, ngưỡng nhiễu thiết lập có giá trị η, khoảng σ lựa chọn để phân biệt tín hiệu so với nhiễu 2.2 Lấy mẫu nén WiFi sử dụng đa truy nhập phân chia theo tần số trực giao (OFDM), cấu trúc khung truyền OFDM bao gồm phần preamble OFDM symbols biểu diễn hình Phần đầu tín hiệu preamble tín hiệu WiFi thường kéo dài symbols dùng để đồng tín hiệu bên phía thu, OFDM symbols phía sau chứa thơng tin, nội dung tin Hình Cấu trúc khung truyền OFDM Đa số kỹ thuật đồng sử dụng preamble cho khung truyền OFDM thực kỹ thuật Schmidl Cox đề xuất trình bày [5] Preamble tạo symbol có nửa tín hiệu giống miền thời gian cách truyền chuỗi PN miền tần số kênh sóng mang chẵn, kênh sóng mang lẻ khơng truyền tín hiệu Hầu hết thu phát WiFi hoạt động có băng thông 20 MHz 40 MHz Đối với kênh WiFi có băng thơng 20 MHz chứa 64 kênh sóng mang con, symbol có tối đa 80 mẫu miền thời gian, đó, 16 mẫu đầu phần CP 64 mẫu liệu Do tín hiệu preamble WiFi truyền với băng thơng 20 MHz kéo dài symbol, điều có nghĩa là, số lượng mẫu miền thời gian có tối đa 160 mẫu Trong báo sử dụng 256 mẫu đủ cho symbol preamble WiFi, đảm bảo thời gian tính tốn cho tín hiệu cách nhanh chóng mang đủ đặc trưng Có thể nhận thấy rằng, đoạn tín hiệu chứa preamble WiFi chiếm số lượng tính toàn liệu WiFi giao tiếp coi tín hiệu thưa tồn miền liệu Hơn nữa, chúng lại đặc trưng tín hiệu WiFi, đoạn tín hiệu vơ tuyến cần nhận diện đoạn preamble kết luận đoạn tín hiệu tín hiệu WiFi loại bỏ q trình tính tốn nhận dạng Flycam Từ phân tích trên, 256 mẫu đoạn tín hiệu miền thời gian lấy, đoạn tín hiệu gồm 256 mẫu đầu xây dựng cột tương ứng ma trận Ψ Khi đó, tốn lấy mẫu nén tín hiệu preamble xây dựng sau (2) Trong đó, b tín hiệu sau lấy mẫu nén, Ψ ma trận biểu diễn tín hiệu thưa, Φ ma trận lấy mẫu nén Trong báo này, ma trận lấy mẫu nén Φ tạo thành từ ma trận Fourier Thông thường ma trận tạo thành từ ma trận ngẫu nhiên cho kết khơi phục lại tín hiệu với độ xác cao, ma trận yêu cầu không gian lưu trữ lớn độ phức tạp tính tốn cao q trình khơi phục lại tín hiệu thưa lấy mẫu ma trận [6] Đối với toán cụ thể đề xuất báo, tín hiệu OFDM từ thiết bị WiFi có số thơng số đặc biệt biết trước băng thông hoạt động, số kênh Dựa vào thông số báo đề xuất ma trận lấy mẫu đơn giản có hiệu cao áp dụng 72 T V Kiên, …, N L Cường, “Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi.” Nghiên cứu khoa học cơng nghệ trường hợp đặc biệt Ma trận lấy mẫu nén đề xuất tạo thành từ hàng ma trận Fourier N × N [7] Giả thiết hàng ma trận Fourier ( ) ( ( ) ) (3) ( ) Ma trận lấy mẫu Φ chọn ma trận riêng phần ma trận với M hàng Khi { } { } với thành phần bị loại bỏ tương ứng với vị trí tần số có sóng mang lẻ OFDM Có thể xác định ma trận Fourier riêng phần tương ứng với M ( ) ( ) (4) Khi đó, kết biểu thức tín hiệu lấy mẫu nén 256 mẫu tín hiệu WiFi thể hình Tín hiệu mang đặc trưng cho phần premable tín hiệu WiFi gồm 64 mẫu, tạo thuận lợi đưa vào mơ hình học máy trình bày mục 2.3 Hình Đặc trưng từ mẫu thưa thu 2.3 Mơ hình học máy Các nghiên cứu [8-11] việc sử dụng tín hiệu vơ tuyến thu để phân loại Flycam với WiFi loại Flycam khác dựa mơ hình học máy khả thi Nhằm mục đích tự động phân loại tín hiệu WiFi phần cịn lại, báo lựa chọn mơ hình học máy phù hợp với liệu thu với việc trích chọn 64 mẫu đặc trưng 256 mẫu đầu tín hiệu trình bày phần giúp làm giảm khối lượng tính tốn, đơn giản hóa mơ hình giảm thời gian huấn luyện hệ thống Trong học máy, phân loại lớp truyền thống chia thành nhóm là: phương pháp dựa khoảng cách phương pháp dựa mật độ [12] Trong số phương pháp phương pháp tiếng giải hiệu vấn đề liệu nhiều chiều Local Outlier Factor (LOF) [13] Ezuma cộng trình bày [8] Việc giải liệu nhiều chiều khối lượng tính tốn tăng nên việc chọn phương pháp phức tạp cho tốn chưa khả thi Do đó, giải pháp đề xuất báo lựa chọn ứng dụng mơ hình học máy LOF học máy truyền thống nhằm tối giản hóa độ phức tạp tăng tốc độ tính tốn Những mẫu chứa đặc trưng trích chọn phần đưa vào mơ hình LOF huấn luyện nhằm phân loại tín hiệu đầu vào Thuật toán LOF Enzuma cộng trình bày [8] gán cho liệu đầu vào trọng số để định việc liệu có phải liệu ngoại lai (outlier) hay khơng cách tính khoảng cách từ điểm liệu tới cụm điểm lân cận, liệu gọi liệu ngoại lai nằm tách biệt khỏi cụm Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 73 Kỹ thuật điều khiển & Điện tử Đặc trưng G Q L L Đặc trưng Hình Biểu diễn tập liệu chiều Hình biểu diễn tập liệu chiều bao gồm liệu gốc hai loại liệu ngoại lai liệu ngoại lai cục (local outlier) liệu ngoại lai tồn cục (global outlier) Trong tập liệu ban đầu có lớp Q điểm liệu đến (L1, L2, G1) L1 L2 “dữ liệu ngoại lai cục bộ” Q G1 “ liệu ngoại lai toàn cục” Q Trong giải pháp đề xuất đây, liệu cho WiFi huấn luyện thành điểm liệu gốc sau liệu cịn lại phân liệu ngoại lai khác không cho WiFi, cụ thể báo mẫu tín hiệu Flycam THỬ NGHIỆM 3.1 Các trường hợp thử nghiệm Để đánh giá hiệu thuật tốn lấy mẫu nén mơ hình học máy, báo tiến hành xây dựng trường hợp thu mẫu hộp cách ly vơ tuyến ngồi khơng gian tự do, sau đó, tập liệu mơ hình thành dựa tập mẫu thu từ hộp cách ly vô tuyến Tập liệu mô bao gồm tập liệu sử dụng nhiễu AWGN với mức công suất khác để làm giàu liệu tập liệu dùng để đánh giá ảnh hướng tín hiệu Flycam lên tín hiệu WiFi với tỉ lệ chồng lấn khác miền tần số coi tín hiệu Flycam nhiễu tín hiệu WiFi Bộ thu USRP B210 cài đặt chế độ thu với băng thông 25 MHz tần số bắt đầu 2.400 GHz tần số kết thúc 2.425 GHz Router WiFi (AP) cài đặt phát cố định kênh tần số trung tâm 2.412 GHz, tần số bắt đầu 2.401 GHz, tần số kết thúc 2.423 GHz Do giới hạn phần cứng thiết bị thu mẫu nên việc thử nghiệm tiến hành với router WiFi cấu hình hoạt động với băng thơng 20 MHz Bên cạnh đó, router hoạt động với băng tần 20 MHz hay 40 MHz không ảnh hưởng tới kỹ thuật phân tích tín hiệu có cấu trúc tín hiệu đồng preamble giống Flycam cụ thể Flycam Phantom pro cài đặt truyền tín hiệu video kênh 13, tần số trung tâm 2.406 GHz, tần số bắt đầu 2.401 GHz tần số kết thúc 2.411 GHz Anten thu sử dụng báo anten định hướng có dải tần từ 100 MHz-6 GHz Bài báo tiến hành thu mẫu tín hiệu hộp chắn tín hiệu vơ tuyến ngồi khơng gian tự nêu phần báo A Thu tín hiệu hộp cách ly tín hiệu vơ tuyến Quá trình thu mẫu tiến hành hộp cách ly tín hiệu vơ tuyến để đảm bảo mơi trường thu bên hộp không bị ảnh hưởng nguồn nhiễu khác từ bên ngồi mà có tín hiệu cần khảo sát đưa vào đầu vào hộp Ngồi ra, có router WiFi hoạt động độc lập tín hiệu thu có tin broadcast nên mơ hình sử dụng 74 T V Kiên, …, N L Cường, “Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi.” Nghiên cứu khoa học cơng nghệ điện thoại di động kết nối với router WiFi để liên tục truy nhập internet đặt hộp chắn tín hiệu vơ tuyến nhằm tăng lưu lượng Tín hiệu thu hộp cách ly vô tuyến bao gồm kịch tín hiệu đưa vào đầu vào hộp là: tín hiệu WiFi độc lập, tín hiệu Flycam độc lập tín hiệu WiFi Flycam chồng lấn tần số Tập liệu thu hộp đóng vai trị tập liệu chuẩn để đưa vào huấn luyện mơ hình học máy đồng thời tạo liệu mô việc tổ hợp loại tín hiệu WiFi Flycam với mức SNR khác nhau, liệu mơ này, tín hiệu Flycam nhiễu tín hiệu WiFi Kết thu được minh họa hình 1) 2) 3) 4) 5) Hình Tín hiệu thu hộp cách ly vơ tuyến 1) Tín hiệu WiFi độc lập 2) Tín hiệu Flycam độc lập 3, 4) Tín hiệu WiFi Flycam với kênh chồng lấn 5) Mơ tín hiệu Flycam chồng lấn WiFi B Thu tín hiệu ngồi khơng gian tự Q trình thu mẫu tiến hành ngồi mơi trường, hệ thống bố trí hình Tín hiệu thu bao gồm tín hiệu từ Flycam bay khoảng cách 300 m so với nguồn tín hiệu WiFi xét băng tần đặt cách hệ thống thu chặn 30 m Việc lựa chọn khoảng cách nhằm mục đích tạo tín hiệu có chồng lấn miền thời gian miền tần số, khoảng cách Flycam router WiFi nằm cách xa nên thiết bị hoạt động băng tần mà không ảnh hưởng lẫn Tiến hành thu 90 triệu mẫu, gồm 30 triệu mẫu WiFi 30 triệu mẫu Flycam thu độc lập, 30 triệu mẫu Flycam WiFi hoạt động với băng tần chồng lấn cho trường hợp, tổng liệu thu 180 triệu mẫu cho trường hợp Tập liệu mẫu lấy lưu trữ [14] Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 75 Kỹ thuật điều khiển & Điện tử Hình Mơ hình hệ thống thu mẫu thực tế KẾT QUẢ VÀ ĐÁNH GIÁ Trong phần này, nội dung báo đánh giá độ xác mơ hình so sánh thời gian tính tốn áp dụng lấy mẫu nén trước đưa vào mơ hình học máy so với phương pháp trình bày [8] Các số liên quan đến nhận dạng đánh giá phương pháp LOF số precision, accuracy, recall, F1-Score tính theo cơng thức (5) tham khảo [8] với: (5) Trong đó, TP, TN, FP FN là: True positive (TP): Là số liệu WiFi hệ thống phân loại WiFi, gọi dương tính thật True Negative (TN): Là số liệu Flycam hệ thống phân loại Flycam, gọi âm tính thật False positive (FP): Là số điểm liệu WiFi hệ thống đưa cảnh báo tín hiệu Flycam, gọi dương tính giả False Negative (FN): Là số điểm liệu tín hiệu Flycam hệ thống đưa cảnh báo tín hiệu WiFi, gọi âm tính giả Thơng số accuracy cho biết tỷ lệ số tín hiệu mơ hình phân loại so với tồn tập liệu, precision cho biết tỷ lệ số tín hiệu WiFi so với tín hiệu dự đoán WiFi, recall cho biết tỷ lệ số tín hiệu WiFi có tín hiệu dự đốn mơ hình, F1- score cho biết tỷ lệ trung bình điều hịa thơng số precision recall Một tham số ảnh hưởng nhiều đến mơ hình LOF số lượng điểm lân cận gần ảnh hưởng đến hiệu suất mơ hình Vậy nên việc chọn số lượng điểm lân cận gần thử nghiệm theo hướng tăng dần số điểm lân cận, ban đầu mô hình đặt số lượng điểm lân cận mức 10 tăng dần đến 100, lần tăng 10 đơn vị 76 T V Kiên, …, N L Cường, “Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi.” Nghiên cứu khoa học cơng nghệ 100 95 % 90 85 Accuracy Precision Recall 80 75 10 20 30 40 50 60 70 80 Số lượng điểm lân cận 90 100 Hình Biểu đồ khảo sát độ xác (%) số đánh giá precision, recall, F1-score, accuracy trường hợp số lượng điểm lân cận khác Kết hình cho thấy lần tăng số lượng điểm lân cận, độ xác mơ hình dựa liệu xác thực có xu hướng giảm dần số lượng điểm lân cận đạt 10 độ xác mơ hình đạt cao Vì vậy, báo định chọn số lượng điểm lân cận gần 10 mơ hình LOF để đạt hiệu tối ưu Tỉ số tín hiệu tạp âm (SNR) định nghĩa tỉ số tổng cơng suất tín hiệu (bao gồm tín hiệu Flycam tín hiệu WiFi) cơng suất nhiễu Khi khảo sát ảnh hưởng số lượng điểm lân cận đến độ xác mơ hình, với SNR chọn 30 dB với số lượng điểm lân cận 10, số precision, accuracy, recall, F1 score đạt 91.26%, 93.2%, 92.43%, 91.9% Ngoài ra, ảnh hưởng nhiễu lên mơ hình LOF khảo sát cách thay đổi SNR, theo đó, nhiễu trắng Gaussian thích nghi (AWGN) thêm vào tín hiệu thu để có tín hiệu với SNR khác nhau, kết trình bày hình 100 80 % 60 Accuracy Precision Recall F1_score 40 20 0 10 15 SNR 20 25 30 Hình Biểu đồ biểu diễn thơng số accuracy, precision, recall, F1 score mơ hình với tập liệu có SNR giảm dần Kết hình cho thấy, SNR giảm độ xác mơ hình có xu hướng giảm xuống Độ xác đạt đỉnh 93.25% SNR 30 dB trì ổn định giá trị SNR giảm xuống cịn 20 dB Độ xác giảm xuống 70% SNR 15 dB Ngoài ra, SNR tiếp tục giảm, số liệu độ xác giảm đáng kể xuống thấp 40% 15% tương ứng SNR thấp 10 dB dB Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 77 Kỹ thuật điều khiển & Điện tử Độ xác (%) 100 80 60 40 20 0 10 15 SNR (dB) 20 25 30 Hình Biểu đồ biểu diễn độ xác mơ hình trường hợp tín hiệu Flycam nhiễu Trong trường hợp tín hiệu Flycam chồng lấn với WiFi miền tần số tín hiệu Flycam nhiễu tín hiệu WiFi Kết hình cho thấy độ xác đạt mức lớn lên tới 99.3% SNR 30 dB, tín hiệu Flycam mạnh (SNR giảm) độ xác mơ hình có xu hướng giảm dần Với mức SNR lớn 15 dB, mô hình đạt hiệu lên tới 80% Độ xác giảm xuống cịn 62% SNR 10 dB Hình 10 Ma trận lỗi mơ hình LOF (k = 10) thực tiên đoán liệu test với SNR > 25 dB Giúp đánh giá kỹ mơ hình, báo sử dụng ma trận lỗi (confusion matrix) kích thước 2x2, đó, hàng thể giá trị thật, cột thể giá trị dự đốn Kết hình 10, thực tiên đoán liệu test với với k = 10, SNR > 25 dB thể hình 10 cho thấy khả hoạt động hiệu Trong [8] Ezuma cộng trình bày phương pháp SDAE để nén liệu vào đưa vào mơ hình LOF nhằm phân loại hai tín hiệu có phải từ Flycam hay khơng cho kết độ xác 95.7% tín hiệu khơng phải Flycam 83.3% tín hiệu Flycam với SNR > 25 dB Nhược điểm phương pháp phải tính tồn điểm liệu cho có tín hiệu Để so sánh hai phương pháp tác giả thực hai phương pháp tập liệu báo thu với SNR > 25 dB Kết trình bày bảng 78 T V Kiên, …, N L Cường, “Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi.” Nghiên cứu khoa học cơng nghệ Bảng So sánh mơ hình đề xuất với mơ hình [8] với tín hiệu có SNR > 25 dB Thời gian sử dụng Thời gian sử dụng Độ xác sử Độ xác sử phương pháp mẫu phương pháp dụng phương pháp dụng phương pháp nén/LOF (ms) SDAE/LOF (ms) mẫu nén/LOF (%) SDAE/LOF (%) Lần 15.07 687.59 98.18 94.9 Lần 9.95 671.94 100 92.46 Lần 15.03 734.45 94.59 91.75 Lần 25.04 717.56 93.59 89.71 Lần 9.895 703.22 96.29 90.71 Lần 15.03 698.03 100 89.68 Lần 10.02 703.19 96.26 90.97 Lần 10.26 703.23 96.29 91.3 Lần 10.28 687.57 100 90.27 Lần 10 9.975 687.54 93.25 91.88 Trung bình 13.055 699.432 96.845 91.363 Thời gian tính tốn mơ hình LOF tăng theo cấp số nhân với số chiều liệu, liệu nhiều chiều độ phức tạp tính tốn biểu diễn ( ) trình bày [13] Với phương pháp [8] mơ hình LOF có độ phức tạp tính tốn (M/1024)* ( ) cịn mơ hình đề xuất có độ phức tạp 4* ( ), đó, M độ dài đoạn liệu thu được, thực tế M/1024 >> Do đó, kỹ thuật lấy mẫu nén, số chiều liệu giảm xuống đáng kể giữ đặc trưng tín hiệu dự đoán Kết bảng cho thấy, tốc độ tính tốn cải thiện đáng kể khơng phải tính tốn tồn điểm liệu cho có tín hiệu, thời gian dự đốn mơ hình giảm trung bình từ 699.4 ms xuống cịn 13.05 ms, độ xác phương pháp đề xuất báo cho kết tốt thực nghiệm KẾT LUẬN Bài báo tập trung vào vấn đề phát tín hiệu WiFi lẫn tín hiệu vơ tuyến phát từ Flycam Cụ thể là, kịch tín hiệu Flycam tường hợp phổ tần tín hiệu thu từ Flycam từ thiết bị sử dụng sóng WiFi bị chồng lấn lên điểm thu tín hiệu, nghiên cứu tiến hành lấy mẫu thưa trích chọn 64 đặc trưng từ ma trận nén, sau huấn luyện mơ hình học máy LOF để phân loại Kết thử nghiệm cho thấy phương pháp sử dụng có hiệu việc phát tín hiệu Flycam mơi trường có nhiễu WiFi Kết thử nghiệm cho thấy, độ xác tách tín hiệu WiFi trung bình lên tới 93% SNR trì mức 20 dB đến 30 dB Số liệu độ xác cịn 70% SNR 15 dB 40% SNR thấp 10 dB Trong trường hợp tín hiệu Flycam nhiễu tín hiệu WiFi, mơ hình đạt hiệu lên tới 80% SNR lớn 15 dB 62% SNR 10 dB Với tập liệu, kết áp dụng phương pháp lấy mẫu nén so với phương pháp [8] cho thấy có độ xác cao, nhiên, thời gian tính tốn phương pháp lấy mẫu nén nhanh xấp xỉ 53 lần so với phương pháp [8] Kết báo áp dụng khâu tiền xử lý để phát hiện, trước đưa vào phân loại nhận dạng Flycam nhằm tối giản tính tốn cho hệ thống phân loại nhận dạng Trong tương lai, tác giả tập trung nghiên cứu để nâng cao hiệu phát giảm lỗi kỹ thuật phát phụ thuộc vào SNR TÀI LIỆU THAM KHẢO [1] Xiao, Y., & Zhang, X “Micro-UAV detection and identificationbased on radio frequency signature” In 2019 6th International Conference on Systems and Informatics (ICSAI) (pp 10561062) IEEE, (2019) Tạp chí Nghiên cứu KH&CN quân sự, Số 82, 10 - 2022 79 Kỹ thuật điều khiển & Điện tử [2] Ezuma, M., Erden, F., Anjinappa, C K., Ozdemir, O., & Guvenc, I “Detection and classification of UAVs using RF fingerprints in the presence of Wi-Fi and Bluetooth interference” IEEE Open Journal of the Communications Society, 1, pp 60-76, (2019) [3] Zuo, M., Xie, S., Zhang, X., & Yang, M.: “Recognition of UAV video signal using RFfingerprints in the presence of WiFi interference” IEEE Access, 9, 88844-88851 [4] Boulogeorgos, A A A., Chatzidiamantis, N D., & Karagiannidis, G K “Energy detection spectrum sensing under RF imperfections” IEEE Transactions on Communications, 64(7), 2754-2766, (2016) [5] Schmidl, T M., & Cox, D C “Robust frequency and timing synchronization for OFDM” IEEE transactions on communications, 45(12), pp 1613-1621, (1997) [6] Baraniuk R., “Compressive sensing”, IEEE Sig Proc Mag 24, no 4, pp 118-121, (2007) [7] Xu, Guangwu, and Zhiqiang Xu "Compressed sensing matrices from Fourier matrices." IEEE Transactions on Information Theory 61.1: pp 469-478, (2014) [8] Medaiyese, O O., Ezuma, M., Lauf, A P., & Adeniran, A A “HierarchicalLearning Framework for UAV Detection and Identification” IEEE Journal of Radio Frequency Identification, 6, pp 176188, (2022) [9] Medaiyese, O O., Syed, A., & Lauf, A P “Machine learning framework for RF-based drone detection and identification system” In 2021 2nd International Conference On Smart Cities, Automation & Intelligent Computing Systems (ICON-SONICS) (pp 58-64) IEEE, (2021) [10] Klỗ, R., Kumbasar, N., Oral, E A., & Ozbek, I Y “Drone classification using RF signal based spectral features” Engineering Science and Technology, an International Journal, 28, 101028, (2022) [11] Ezuma, M., Erden, F., Anjinappa, C K., Ozdemir, O., & Guvenc, I “Detection and Classification of UAVs Using RF Fingerprints in the Presence of Interference” arXiv preprint arXiv:1909.05429, (2019) [12] Gogoi, P., Bhattacharyya, D K., Borah, B., & Kalita, J K “A survey of outlier detection methods in network anomaly identification” The Computer Journal, 54(4), pp 570-588, (2011) [13] Breunig, M M., Kriegel, H P., Ng, R T., & Sander, J “LOF: identifying density-based local outliers” In Proceedings of the 2000 ACM SIGMOD international conference on Management of data, pp 93-104, (2000) [14] Allahham, M S., Al-Sa’d, M F., Al-Ali, A., Mohamed, A., Khattab, T., & Erbad,A “DroneRF dataset: A dataset of drones for RF-based detection, classification and identification” Data in brief, 26, 104313, (2019) ABSTRACT A proposed model for processing UAV signals in the presence of WiFi co-channel interference based on compressive sensing and machine learning This paper proposes a model for detecting WiFi signals in the presence of co-channel Flycam signals The proposed method uses compressed sensing and machine learning techniques in the case that Flycam and WiFi signals are co-channel A particular compressed sensing matrix is designed to sample the first period of the signal segment, including 256 samples The matrix output is a vector 1x64 which is used as 64 features of the WiFi signal for the AI model based on the LOF algorithm to classify WiFi signals and non-WiFi signals The number of samples required to remove WiFi from the mixed signal is reduced by extracting the features of the WiFi signal at the beginning of the signal segment rather than the entire signal sample The WiFi signal classification method using the proposed model has an accuracy of 93.25% with SNR = 30 dB and above 70% with SNR = 15 dB and a faster execution time than formula-based and calculation-based classification with the total number of samples Keywords: Compressive sensing; WiFi interference; Machine learning 80 T V Kiên, …, N L Cường, “Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi.” ... Cường, ? ?Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi. ” Nghiên cứu khoa học cơng nghệ Bảng So sánh mơ hình đề xuất với mơ hình [8] với tín hiệu có SNR > 25 dB Thời gian sử dụng Thời... lấy mẫu đơn giản có hiệu cao áp dụng 72 T V Kiên, …, N L Cường, ? ?Một phương pháp ứng dụng mẫu … chồng lấn với tín hiệu WiFi. ” Nghiên cứu khoa học công nghệ trường hợp đặc biệt Ma trận lấy mẫu. .. hiệu WiFi độc lập 2) Tín hiệu Flycam độc lập 3, 4) Tín hiệu WiFi Flycam với kênh chồng lấn 5) Mơ tín hiệu Flycam chồng lấn WiFi B Thu tín hiệu ngồi khơng gian tự Quá trình thu mẫu tiến hành ngồi

Ngày đăng: 15/11/2022, 07:39

Tài liệu cùng người dùng

Tài liệu liên quan