基于深度学习的低误码率移动室内场景干扰检测
密码学与安全
2023-12-13 v4
摘要
当前干扰检测的最优方法依赖于链路层度量，例如误码率（BER）、包投递率、吞吐量以及信噪比（SNR）的上升。因此，这些技术只能在攻击已经使通信链路中断之后（即事后）检测到干扰。这些方案不适用于无人机等移动设备，后者可能失去与遥控器的连接，无法预测攻击。我们的解决方案基于这样一个想法：不知情地飞向受干扰区域的无人机正经历着日益增强的干扰影响，例如在 BER 和 SNR 方面。因此，无人机可利用上述现象在 BER 下降和 SNR 上升彻底破坏通信链路之前检测干扰。这种方法可使无人机及其操作员做出明智决策并保持对导航的完全控制，从而提升安全性与保障性。本文提出 Bloodhound+，一种用于低 BER 状态下移动设备干扰检测的解决方案。我们的方法分析从无线信道获取的原始物理层信息（I-Q 采样）。我们将这些信息组装为灰度图像，并使用稀疏自编码器检测由干扰攻击引起的图像异常。为在广泛配置下测试我们的方案，我们使用多种硬件、干扰策略和通信参数获取了大型室内测量数据集。结果表明，Bloodhound+ 在最小可用相对干扰功率下，可在距干扰源 20 米内检测室内干扰，最低准确率为 99.7%。我们的方案对干扰器采用的各种采样率及所用干扰信号类型也具有鲁棒性。
引用
@article{arxiv.2306.10912,
title = {Jamming Detection in Low-BER Mobile Indoor Scenarios via Deep Learning},
author = {Savio Sciancalepore and Fabrice Kusters and Nada Khaled Abdelhadi and Gabriele Oligeri},
journal= {arXiv preprint arXiv:2306.10912},
year = {2023}
}
备注
16 pages, 16 figures, 3 tables; Submitted and under review