基于主成分分析特征的变换器用于 5G UAV 网络的干扰检测
机器学习
2025-03-12 v2
摘要
无人机 (UAV) 面临着显著的安全风险，干扰攻击可能危及网络功能。传统检测方法在应对动态修改行为的 AI 干扰时常常不足，而现代机器学习方法往往需要大量特征工程且难以捕捉攻击签名中的时序模式。这种脆弱性也存在于采用时分双工 (TDD) 或频分双工 (FDD) 的 5G 网络中，服务质量可能因人为干扰而下降。我们引入一种新型 U 形变换器架构，利用主成分分析 (PCA) 优化特征表征以提升无线安全性能。训练过程中，我们引入输出熵不确定性，灵感来自强化学习中的 Soft Actor-Critic (SAC) 算法，以实现鲁棒干扰检测。该架构包含专为处理无线信号特征（如接收信号强度指示器 RSSI 和信噪比 SINR）定制的变换器编码器。此外，我们提出一种专门考虑无线信号周期性的自定义位置编码机制，以更准确地表示时序信号模式。我们还引入批量大小调度器并采用分块技术，以优化时序数据上的收敛速度。这些创新措施使该研究中引入的先进 U 形编码器-解码器变换器模型训练速度提升最高可达十倍。实验评估显示，我们基于熵的方法在非直线视距 (NLoS) 场景下实现了 85.06% 的检测率。
引用
@article{arxiv.2412.15312,
title = {PCA-Featured Transformer for Jamming Detection in 5G UAV Networks},
author = {Joseanne Viana and Hamed Farkhari and Pedro Sebastiao and Victor P Gil Jimenez},
journal= {arXiv preprint arXiv:2412.15312},
year = {2025}
}