基于卷积 Tsetlin 机的 5G 网络可解释且硬件高效干扰检测

第五代（5G）网络的所有应用都依赖稳定的射频（RF）环境以支持灵活性、自动化和连接智能中的关键任务。其对故意干扰或低功率欺骗的暴露威胁到可用性和可靠性，尤其当此类攻击低于链路层可观测性时。本文研究针对 5G 同步信号区块（SSB）特征使用的轻量级、可解释且硬件高效的干扰检测方法，采用卷积 Tsetlin 机（CTM）。CTM 对量化输入构建布尔逻辑子句，实现位级推理和确定性 FPGA 部署。这些特性使 CTM 特别适合预期在 5G 中资源受限的边缘环境。该方法在真实的 5G 测试平台上使用 over-the-air SSB 数据进行实验验证，模拟实际的下行条件。我们在相同的预处理和训练管道下将 CTM 与卷积神经网络（CNN）基线进行比较。在真实数据集上，CTM 达到了相当的检测性能（准确率为 91.53 +/- 1.01 vs. CNN 的 96.83 +/- 1.19），同时训练速度快 $9.5\times$，且内存需求少 14 倍（45 MB vs. 624 MB）。此外，我们为 Zybo Z7（Zynq-7000）提出一种紧凑的 FPGA 导向设计，并提供了针对延迟、功耗和准确性权衡的三种部署配置的资源预测（未实际测量）。结果表明，CTM 提供了一种实用、可解释且资源高效的替代方案，作为面向边缘部署、低延迟和安全关键 5G 应用的替代方案，为 B5G 系统奠定了基础。