SAIFE：基于可解释特征的无监督无线频谱异常检测
信号处理
2018-07-24 v1
摘要
由于电磁频谱使用的极度复杂性，检测无线频谱中的异常行为是一项艰巨任务。无线频谱异常形式多样，从授权频段中出现 unwanted 信号到预期信号缺失，这使得异常的手动标注困难且非最优。我们提出 Spectrum Anomaly Detector with Interpretable FEatures (SAIFE)，一种基于 Adversarial Autoencoder (AAE) 的异常检测器，利用功率谱密度（Power Spectral Density, PSD）数据在无监督设置下实现良好的异常检测与定位。此外，我们以半监督方式探究模型学习可解释特征（如信号带宽、类别与中心频率）的能力。除异常检测外，该模型在三个数据集上仅使用 20% 标注样本即展现出有前景的有损 PSD 数据压缩（高达 120 倍）与接近 100% 的半监督信号分类准确率。最后，模型在分布式 Electrosense 传感器之一的数据上进行了长达 500 小时的长期测试，展示了其异常检测能力。
引用
@article{arxiv.1807.08316,
title = {SAIFE: Unsupervised Wireless Spectrum Anomaly Detection with Interpretable Features},
author = {Sreeraj Rajendran and Wannes Meert and Vincent Lenders and Sofie Pollin},
journal= {arXiv preprint arXiv:1807.08316},
year = {2018}
}
备注
Copyright IEEE, Accepted for DySPAN 2018