1. RFMLS簡介

隨著無線電終端和物聯(lián)網(wǎng)設(shè)備的爆炸性增長，無線電頻譜正在變得越來越擁擠，識別、定位和阻斷干擾信號變得異常困難。為了改善頻譜共享環(huán)境和提高無線網(wǎng)絡(luò)安全，需要開發(fā)新技術(shù)來了解頻譜的實際使用狀態(tài)。

美國國防高級研究計劃局（Defense Advanced Research Projects Agency, DARPA）于2017年8月設(shè)立了新的研究項目無線電頻譜機器學(xué)習(xí)系統(tǒng)（Radio Frequency Machine Learning Systems, RFMLS），探索在頻譜領(lǐng)域利用機器學(xué)習(xí)理解無線電信號。

RFMLS項目的目標(biāo)是創(chuàng)建能夠全面理解無線電頻譜的機器學(xué)習(xí)算法，識別潛在的危害信號，并根據(jù)任務(wù)由系統(tǒng)自主地做出響應(yīng)。目前該計劃的合同授予了BAE Systems，Expedition Technologies，Northeastern University，Teledyne Technologies和Stanford Research Institute[1]。

2. 機器學(xué)習(xí)與RFMLS項目

2.1 機器學(xué)習(xí)的進展

早期的人工智能主要基于專家系統(tǒng)，即在特定應(yīng)用中執(zhí)行具有明確規(guī)則定義的系統(tǒng)。這些專家系統(tǒng)嚴格地將專業(yè)知識和決策規(guī)則限制在可預(yù)測的范圍內(nèi)，例如簡單的游戲和工業(yè)流程控制。當(dāng)前廣泛使用的自適應(yīng)無線電系統(tǒng)屬于專家系統(tǒng)。一些專家系統(tǒng)根據(jù)以往信號分析的經(jīng)驗來制定響應(yīng)的規(guī)則，并且已經(jīng)部署在無線電工作環(huán)境中，例如，工程師在程序中指定當(dāng)遇到無線電干擾時切換到備用頻率的規(guī)則。雖然專家系統(tǒng)在一定程度上有效，但是依靠專業(yè)知識制定規(guī)則的過程既昂貴又耗時，并且響應(yīng)速度跟不上無線電信號的變化，此外，這些系統(tǒng)幾乎不了解頻譜中實際發(fā)生的情況，嚴重限制了專家系統(tǒng)的實用性。

在過去的幾年中，基于機器學(xué)習(xí)的人工智能快速發(fā)展起來。機器學(xué)習(xí)是利用大樣本數(shù)據(jù)建立統(tǒng)計模型，以便在沒有明確規(guī)則的情況下對目標(biāo)進行預(yù)測和優(yōu)化。機器學(xué)習(xí)最重要的分支是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，當(dāng)有足夠的樣本數(shù)據(jù)時，能夠?qū)ζ溆?xùn)練以執(zhí)行各種復(fù)雜的分類和預(yù)測任務(wù)?；跀?shù)據(jù)驅(qū)動的機器學(xué)習(xí)已經(jīng)在語音識別、圖像識別以及自動駕駛等領(lǐng)域?qū)崿F(xiàn)了革命性的進步。這些創(chuàng)新的關(guān)鍵是從針對每個任務(wù)定制的專家系統(tǒng)演變?yōu)閺拇髷?shù)據(jù)中學(xué)習(xí)的通用系統(tǒng)。

然而，在無線電領(lǐng)域使用人工智能卻沒有跟上機器學(xué)習(xí)的這些進步，并且很少有研究探索傳統(tǒng)無線電信號處理和機器學(xué)習(xí)的交叉點。針對當(dāng)前無線電頻譜環(huán)境可能遭到惡意破壞的威脅，探索如何將機器學(xué)習(xí)應(yīng)用于傳統(tǒng)的無線電信號領(lǐng)域變得至關(guān)重要[2]。

2.2 當(dāng)前無線電系統(tǒng)的不足

隨著越來越多的無線電終端、通信系統(tǒng)、雷達、干擾機和其他應(yīng)用和設(shè)備在頻譜環(huán)境中運行，電磁環(huán)境變得越來越復(fù)雜。目前電磁環(huán)境中存在的主要風(fēng)險是態(tài)勢感知能力不足、威脅無法確定以及通信易受惡意干擾[2]。并且惡意干擾發(fā)射機變得更加智能，能夠通過偽裝身份以掩飾其特征。圖1為非授權(quán)用戶通過偽裝的MAC地址試圖接入無線網(wǎng)絡(luò)。

圖1. 非授權(quán)用戶的威脅（來源：DARPA）

當(dāng)前的無線電系統(tǒng)普遍采用的是基于規(guī)則的推理（類似于早期人工智能中的專家系統(tǒng)），制定了一套信號分析和響應(yīng)規(guī)則。絕大多數(shù)此類系統(tǒng)都使用查找表的思路：信號數(shù)據(jù)進入系統(tǒng)后按照類似電子表格的軟件進行分類，將輸入信號與對應(yīng)的響應(yīng)處理相關(guān)聯(lián)。

傳統(tǒng)的無線電系統(tǒng)常常按順序掃描頻率和空間區(qū)域，幾乎不了解頻譜的實際使用情況，對該電磁環(huán)境中的信號統(tǒng)計數(shù)據(jù)所知甚少，例如，哪些信號在某個區(qū)域或頻段是異常的。

2.3 RFMLS的內(nèi)容

為了利用機器學(xué)習(xí)的進步來解決當(dāng)前無線電系統(tǒng)中存在的問題，DARPA正在尋求利用利用機器學(xué)習(xí)來改善頻譜管理，并滿足軍事和民用通信中對無線電頻率日益增長的需求。DARPA提出的RFMLS項目是一項基礎(chǔ)性工作，目標(biāo)是建立將現(xiàn)代機器學(xué)習(xí)應(yīng)用于無線電頻譜領(lǐng)域的技術(shù)基礎(chǔ)。RFMLS將通過機器學(xué)習(xí)理解電磁環(huán)境并實現(xiàn)決策能力，從而顯著改善傳統(tǒng)的無線電系統(tǒng)。

RFMLS項目的最終目的是理解無線電頻譜的實際使用狀態(tài)。例如，掌握占用頻譜的信號種類、從背景中提取出重要的信號，并識別那些違反無線電規(guī)則的信號，以實現(xiàn)頻譜共享和提高物聯(lián)網(wǎng)系統(tǒng)安全。其中，無線網(wǎng)絡(luò)將自主協(xié)作并推理如何共享無線電頻譜和避免干擾，實現(xiàn)對頻譜資源的最有效利用。

RFMLS通過機器學(xué)習(xí)從無線電頻譜中提取出額外的信號特征，利用頻譜大數(shù)據(jù)識別以前無法監(jiān)測到的無線電信號，從而更好地理解電磁環(huán)境。該系統(tǒng)能夠從大規(guī)模物聯(lián)網(wǎng)設(shè)備發(fā)射的無線電信號中分辨出細微的差異，例如，由于制造缺陷等因素導(dǎo)致的無意調(diào)制，并能將企圖欺騙或入侵網(wǎng)絡(luò)設(shè)備的信號區(qū)分出來。最終，該系統(tǒng)能夠理解無線電環(huán)境中正在發(fā)生的事情，并具備無線電信號取證能力，以便在復(fù)雜的電磁環(huán)境中識別感興趣的信號。在未來，機器學(xué)習(xí)不僅可以處理采集的頻譜數(shù)據(jù)，而且還可根據(jù)目標(biāo)任務(wù)來確定無線電傳感器需要采集哪些頻譜數(shù)據(jù)，以及規(guī)劃數(shù)據(jù)采集的時間和地點。

3. RFMLS的組成

RFMLS將建立一種能夠從數(shù)據(jù)中學(xué)習(xí)并以任務(wù)為導(dǎo)向的無線電系統(tǒng)，包含以下四個組成部分[3]。

（1）信號特征學(xué)習(xí)

RFMLS將利用采集的無線電信號數(shù)據(jù)集，學(xué)習(xí)用于識別和表征各種民用和軍用環(huán)境中的信號特性，從而對信號進行簡潔的描述。

第一代人工智能在頻譜中的應(yīng)用依賴于專家設(shè)計的信號特征。最近有可能通過將頻譜問題遷移到在深度學(xué)習(xí)中已經(jīng)成功應(yīng)用的其他領(lǐng)域，來建立信號特征。RFMLS將能夠從采集的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)合適的特征來描述無線電信號和相關(guān)屬性。圖3為信號特征學(xué)習(xí)的結(jié)構(gòu)。

圖3. 信號特征學(xué)習(xí)（來源：DARPA）

（2） 注意力引導(dǎo)

下一代無線電系統(tǒng)從表征頻譜的MHz演變?yōu)镚Hz。為了有效地利用帶寬擴展，RFMLS必須了解哪些信號是重要的，將處理資源集中在這些信號上，并通過忽略對特定任務(wù)的次要信號來節(jié)省資源。區(qū)分重要和次要的無線電信號和操作至關(guān)重要。RFMLS需要利用機器學(xué)習(xí)算法將注意力引導(dǎo)到具有潛在重要性的無線電操作中，例如，在雷達信號工作頻段中檢測出感興趣的通信信號。

圖4為注意力引導(dǎo)測試，在500MHz帶寬的背景信號上疊加多個“重要的信號”，期望在測試系統(tǒng)中將這些目標(biāo)信號分離出來。

圖4. 區(qū)分重要信號的測試（來源：DARPA）

（3）自主無線電傳感器配置

自適應(yīng)無線電系統(tǒng)的許多早期研究都集中在模擬無線電電子設(shè)備（即射頻前端），建立可重新配置的系統(tǒng)，在設(shè)計時不會將操作特性設(shè)置成固定不變的。最近的進步已經(jīng)產(chǎn)生了靈活的大規(guī)模全數(shù)字無線電系統(tǒng)。但是這些進步的開發(fā)程度很低，因為很少有研究將這種適應(yīng)性與重新配置無線電傳感器所需的智能相結(jié)合。

RFMLS能夠根據(jù)給定的任務(wù)學(xué)習(xí)并優(yōu)化大量可操作的配置（如模擬電子設(shè)備、波束轉(zhuǎn)向角度、帶寬靈敏度、位置等），控制硬件系統(tǒng)來提高信號接收能力，如圖5所示。機器學(xué)習(xí)方法結(jié)合感知處理和決策推理，能夠在大型控制空間內(nèi)自動重新配置傳感器，以提高整體任務(wù)性能，并實現(xiàn)復(fù)雜的任務(wù)。

圖5. 自主無線電傳感器配置（來源：DARPA）

（4）波形合成

RFMLS能夠利用機器學(xué)習(xí)算法以數(shù)字方式編碼合成幾乎任何可能的發(fā)射波形。利用這種為特定無線電設(shè)備創(chuàng)建新波形的能力，可以改善在復(fù)雜電磁環(huán)境中識別友好用戶的性能。圖6為波形合成示意圖。

圖6. 波形合成（來源：DARPA）

在RFMLS的四個組成部分中，信號特征學(xué)習(xí)和波束合成屬于射頻前端，注意力引導(dǎo)和自主無線電傳感器配置屬于頻譜感知。

4. RFMLS的具體任務(wù)

RFMLS能夠在更加擁擠的頻譜環(huán)境中識別和表征無線電信號，這將為新興的自動化無線電系統(tǒng)和依賴它們的軍事指揮提供關(guān)鍵的信息，以便了解頻譜使用的實際情況。

針對RFMLS的四個組成部分，將執(zhí)行以下四項具體任務(wù)[4]：

（1）無線電指紋識別

傳統(tǒng)的無線安全依賴于每個無線電設(shè)備的軟件身份，往往會被黑客入侵或以其他方式進行復(fù)制。信號在通過模擬電子器件進行調(diào)整和放大的過程中，往往會附加微弱但獨特的特征。RFMLS能夠?qū)W習(xí)基于該發(fā)射機的固有硬件缺陷所代表的唯一無線電指紋，來識別特定的發(fā)射機，試圖解決傳統(tǒng)無線電系統(tǒng)中的安全問題。此任務(wù)側(cè)重于信號特征學(xué)習(xí)。

（2）無線電指紋增強

為了進一步增強無線安全性，通信系統(tǒng)通過機器學(xué)習(xí)來調(diào)整其發(fā)射波形以增強其自然指紋。該任務(wù)側(cè)重于合成波形。

（3）頻譜意識

傳統(tǒng)的無線電頻譜監(jiān)測系統(tǒng)通過使用窄帶和相對簡單的技術(shù)來識別占用頻譜的信號（例如信號頻率）。隨著商用寬帶ADC、軟件定義無線電、頻譜共享和通用無線電技術(shù)變得成熟，傳統(tǒng)的無線電監(jiān)測方法受到了挑戰(zhàn)。RFMLS系統(tǒng)將通過機器學(xué)習(xí)理解大帶寬中存在的重要和次要信號之間的差異，以便建立更實用和準確的頻譜感知系統(tǒng)，實現(xiàn)目標(biāo)信號精準監(jiān)測。這項任務(wù)強調(diào)注意力引導(dǎo)。

（4）自主無線電系統(tǒng)配置

為了進一步提高頻譜感知的性能，RFMLS將尋求學(xué)習(xí)如何以最佳的方式來調(diào)整和配置其硬件資源，從而在復(fù)雜的電磁環(huán)境中最大化識別重要信號的能力。此任務(wù)強調(diào)自主無線電傳感器配置。

來源：中國無線電管理網(wǎng)
作者：國家無線電監(jiān)測中心深圳站 郝才勇?

參考文獻

[1] Cognitive Electronic Warfare: Radio Frequency Spectrum Meets Machine Learning. http://interactive.aviationtoday.com/cognitive-electronic-warfare-radio-frequency-spectrum-meets-machine-learning. 2018.08.28

[2] DARPA contract to apply machine learning to the radio frequency spectrum. https://www.baesystems.com/en-us/article/darpa-contract-to-apply-machine-learning-to-the-radio-frequency-spectrum. ?2018.11.27

[3] The Radio Frequency Spectrum + Machine Learning = A New Wave in Radio Technology. https://www.darpa.mil/news-events/2017-08-11a. 2017.08.18

[4] Radio Frequency Machine Learning Systems. https://www.darpa.mil/program/radio-frequency-machine-learning-systems. 2018.08.23.

編輯：黃飛

?