電子發燒友App
1. RFMLS簡介
隨著無線電終端和物聯網設備的爆炸性增長，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境和提高無線網絡安全，需要開發新技術來了解頻譜的實際使用狀態。
美國國防高級研究計劃局（Defense Advanced Research Projects Agency, DARPA）于2017年8月設立了新的研究項目無線電頻譜機器學習系統（Radio Frequency Machine Learning Systems, RFMLS），探索在頻譜領域利用機器學習理解無線電信號。
RFMLS項目的目標是創建能夠全面理解無線電頻譜的機器學習算法，識別潛在的危害信號，并根據任務由系統自主地做出響應。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. 機器學習與RFMLS項目
2.1 機器學習的進展
早期的人工智能主要基于專家系統，即在特定應用中執行具有明確規則定義的系統。這些專家系統嚴格地將專業知識和決策規則限制在可預測的范圍內，例如簡單的游戲和工業流程控制。當前廣泛使用的自適應無線電系統屬于專家系統。一些專家系統根據以往信號分析的經驗來制定響應的規則，并且已經部署在無線電工作環境中，例如，工程師在程序中指定當遇到無線電干擾時切換到備用頻率的規則。雖然專家系統在一定程度上有效，但是依靠專業知識制定規則的過程既昂貴又耗時，并且響應速度跟不上無線電信號的變化，此外，這些系統幾乎不了解頻譜中實際發生的情況，嚴重限制了專家系統的實用性。
在過去的幾年中，基于機器學習的人工智能快速發展起來。機器學習是利用大樣本數據建立統計模型，以便在沒有明確規則的情況下對目標進行預測和優化。機器學習最重要的分支是深度學習神經網絡，當有足夠的樣本數據時，能夠對其訓練以執行各種復雜的分類和預測任務。基于數據驅動的機器學習已經在語音識別、圖像識別以及自動駕駛等領域實現了革命性的進步。這些創新的關鍵是從針對每個任務定制的專家系統演變為從大數據中學習的通用系統。
然而，在無線電領域使用人工智能卻沒有跟上機器學習的這些進步，并且很少有研究探索傳統無線電信號處理和機器學習的交叉點。針對當前無線電頻譜環境可能遭到惡意破壞的威脅，探索如何將機器學習應用于傳統的無線電信號領域變得至關重要[2]。
2.2 當前無線電系統的不足
隨著越來越多的無線電終端、通信系統、雷達、干擾機和其他應用和設備在頻譜環境中運行，電磁環境變得越來越復雜。目前電磁環境中存在的主要風險是態勢感知能力不足、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為非授權用戶通過偽裝的MAC地址試圖接入無線網絡。
圖1. 非授權用戶的威脅（來源：DARPA）
當前的無線電系統普遍采用的是基于規則的推理（類似于早期人工智能中的專家系統），制定了一套信號分析和響應規則。絕大多數此類系統都使用查找表的思路：信號數據進入系統后按照類似電子表格的軟件進行分類，將輸入信號與對應的響應處理相關聯。
傳統的無線電系統常常按順序掃描頻率和空間區域，幾乎不了解頻譜的實際使用情況，對該電磁環境中的信號統計數據所知甚少，例如，哪些信號在某個區域或頻段是異常的。
2.3 RFMLS的內容
為了利用機器學習的進步來解決當前無線電系統中存在的問題，DARPA正在尋求利用利用機器學習來改善頻譜管理，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項目是一項基礎性工作，目標是建立將現代機器學習應用于無線電頻譜領域的技術基礎。RFMLS將通過機器學習理解電磁環境并實現決策能力，從而顯著改善傳統的無線電系統。
RFMLS項目的最終目的是理解無線電頻譜的實際使用狀態。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則的信號，以實現頻譜共享和提高物聯網系統安全。其中，無線網絡將自主協作并推理如何共享無線電頻譜和避免干擾，實現對頻譜資源的最有效利用。
RFMLS通過機器學習從無線電頻譜中提取出額外的信號特征，利用頻譜大數據識別以前無法監測到的無線電信號，從而更好地理解電磁環境。該系統能夠從大規模物聯網設備發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致的無意調制，并能將企圖欺騙或入侵網絡設備的信號區分出來。最終，該系統能夠理解無線電環境中正在發生的事情，并具備無線電信號取證能力，以便在復雜的電磁環境中識別感興趣的信號。在未來，機器學習不僅可以處理采集的頻譜數據，而且還可根據目標任務來確定無線電傳感器需要采集哪些頻譜數據，以及規劃數據采集的時間和地點。
3. RFMLS的組成
RFMLS將建立一種能夠從數據中學習并以任務為導向的無線電系統，包含以下四個組成部分[3]。
（1）信號特征學習
RFMLS將利用采集的無線電信號數據集，學習用于識別和表征各種民用和軍用環境中的信號特性，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用依賴于專家設計的信號特征。最近有可能通過將頻譜問題遷移到在深度學習中已經成功應用的其他領域，來建立信號特征。RFMLS將能夠從采集的訓練數據中學習合適的特征來描述無線電信號和相關屬性。圖3為信號特征學習的結構。
圖3. 信號特征學習（來源：DARPA）
（2） 注意力引導
下一代無線電系統從表征頻譜的MHz演變為GHz。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的次要信號來節省資源。區分重要和次要的無線電信號和操作至關重要。RFMLS需要利用機器學習算法將注意力引導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”，期望在測試系統中將這些目標信號分離出來。
圖4. 區分重要信號的測試（來源：DARPA）
（3）自主無線電傳感器配置
自適應無線電系統的許多早期研究都集中在模擬無線電電子設備（即射頻前端），建立可重新配置的系統，在設計時不會將操作特性設置成固定不變的。最近的進步已經產生了靈活的大規模全數字無線電系統。但是這些進步的開發程度很低，因為很少有研究將這種適應性與重新配置無線電傳感器所需的智能相結合。
RFMLS能夠根據給定的任務學習并優化大量可操作的配置（如模擬電子設備、波束轉向角度、帶寬靈敏度、位置等），控制硬件系統來提高信號接收能力，如圖5所示。機器學習方法結合感知處理和決策推理，能夠在大型控制空間內自動重新配置傳感器，以提高整體任務性能，并實現復雜的任務。
圖5. 自主無線電傳感器配置（來源：DARPA）
（4）波形合成
RFMLS能夠利用機器學習算法以數字方式編碼合成幾乎任何可能的發射波形。利用這種為特定無線電設備創建新波形的能力，可以改善在復雜電磁環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，信號特征學習和波束合成屬于射頻前端，注意力引導和自主無線電傳感器配置屬于頻譜感知。
4. RFMLS的具體任務
RFMLS能夠在更加擁擠的頻譜環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和依賴它們的軍事指揮提供關鍵的信息，以便了解頻譜使用的實際情況。
針對RFMLS的四個組成部分，將執行以下四項具體任務[4]：
（1）無線電指紋識別
傳統的無線安全依賴于每個無線電設備的軟件身份，往往會被黑客入侵或以其他方式進行復制。信號在通過模擬電子器件進行調整和放大的過程中，往往會附加微弱但獨特的特征。RFMLS能夠學習基于該發射機的固有硬件缺陷所代表的唯一無線電指紋，來識別特定的發射機，試圖解決傳統無線電系統中的安全問題。此任務側重于信號特征學習。
（2）無線電指紋增強
為了進一步增強無線安全性，通信系統通過機器學習來調整其發射波形以增強其自然指紋。該任務側重于合成波形。
（3）頻譜意識
傳統的無線電頻譜監測系統通過使用窄帶和相對簡單的技術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變得成熟，傳統的無線電監測方法受到了挑戰。RFMLS系統將通過機器學習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，實現目標信號精準監測。這項任務強調注意力引導。
（4）自主無線電系統配置
為了進一步提高頻譜感知的性能，RFMLS將尋求學習如何以最佳的方式來調整和配置其硬件資源，從而在復雜的電磁環境中最大化識別重要信號的能力。此任務強調自主無線電傳感器配置。
來源：中國無線電管理網
作者：國家無線電監測中心深圳站 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
?
工商網監
評論