Multi-Domain Supervised Contrastive Learning for UAV Radio-Frequency Open-Set Recognition

Questo articolo propone Open-RFNet, un framework di apprendimento contrastivo supervisionato multi-dominio combinato con un algoritmo OpenMax migliorato, per il riconoscimento in regime open-set di UAV non cooperativi tramite segnali radiofrequenza, ottenendo prestazioni superiori rispetto ai metodi esistenti sia su campioni noti che su quelli sconosciuti.

L'essenziale

🚁 Il "Detective Radio" che impara a riconoscere gli intrusi

Immagina che il cielo sopra le nostre città sia un grande aeroporto affollato. Ci sono migliaia di droni (UAV) che volano: alcuni sono autorizzati, come i corrieri che consegnano pacchi o i droni per le riprese cinematografiche. Altri, però, sono "intrusi": droni illegali usati per spiare, rubare dati o creare caos.

Il problema è che non possiamo vedere tutti i droni. Spesso sono piccoli, volano di notte o dietro agli edifici. Tuttavia, ogni drone parla una "lingua radio" unica mentre vola. È come se ogni drone avesse una voce diversa.

Questo articolo presenta un nuovo sistema intelligente, chiamato Open-RFNet, che agisce come un detective radiofonico super-avanzato. Il suo compito è ascoltare il cielo, riconoscere chi è un drone amico e, cosa ancora più importante, dire subito: "Ehi, quello là non so chi è, ma non è uno dei soliti amici!".

Ecco come funziona, spiegato con delle metafore:

1. Ascoltare con due "orecchie" diverse (L'approccio Multi-Dominio)

Prima di questo studio, i sistemi di riconoscimento guardavano i segnali radio in un solo modo, come se ascoltassero solo la melodia di una canzone. Ma i droni moderni sono furbi: cambiano spesso frequenza (come se cambiassero tono di voce) e il segnale è spesso disturbato dal vento o dagli ostacoli.

I ricercatori hanno creato un sistema con due "orecchie":

• L'orecchio "Tattile" (ResNet): Immagina di toccare la superficie di un oggetto. Questo modulo analizza la "texture" del segnale radio, ovvero la sua forma e i suoi dettagli minuti. È utile per capire la struttura base del drone, anche se il segnale è un po' "sporco" o disturbato.
• L'orecchio "Posizionale" (Transformer): Questo modulo guarda dove e quando avvengono i segnali nel tempo e nella frequenza. È come guardare la mappa di un viaggio: non importa solo la macchina, ma il percorso preciso che ha fatto. Questo aiuta a capire il "comportamento" unico del drone.

Unendo queste due visioni, il sistema ottiene un quadro molto più chiaro, come se avesse sia la vista che il tatto.

2. L'allenamento con il "Gioco di Squadra" (Contrasto Supervisionato)

Per insegnare al sistema a riconoscere i droni, non basta fargli vedere delle foto. Bisogna fargli capire le differenze sottili.
I ricercatori usano una tecnica chiamata Apprendimento Contrastivo Supervisionato.

• L'analogia: Immagina di avere una classe di studenti. Il compito del sistema è raggruppare tutti gli studenti della stessa classe (stesso tipo di drone) in un angolo della stanza, e spingere gli studenti di altre classi (altri droni) nell'angolo opposto.
• Invece di dire semplicemente "Questo è un DJI Phantom", il sistema impara: "Questo segnale è molto simile a quello del DJI Phantom, ma molto diverso da quello del DJI Mavic". Questo rende il sistema molto più robusto contro i rumori e le variazioni.

3. Il problema dell'Intruso Sconosciuto (Riconoscimento Open-Set)

Qui arriva il vero trucco. La maggior parte dei sistemi di sicurezza funziona solo se conosce tutti i possibili criminali. Se entra un ladro mai visto prima, il sistema pensa: "Non è nella mia lista, quindi deve essere uno di quelli che conosco" e sbaglia.

Nel mondo reale, però, i droni illegali possono essere modificati o essere modelli nuovi che il sistema non ha mai visto. Il sistema deve poter dire: "Non so chi sei, ma sei un intruso".

Per farlo, usano un algoritmo chiamato IG-OpenMax (una versione migliorata di un vecchio metodo).

• L'analogia del "Finto Ladro": Immagina che il sistema abbia un laboratorio segreto dove crea dei "droni finti" (dati generati artificialmente) che assomigliano a droni sconosciuti.
• Invece di riaddestrare tutto il cervello del sistema (che sarebbe lento e rischioso), il sistema congela la sua "memoria" (le caratteristiche apprese) e riaddestra solo il "cervello decisionale" (il classificatore) usando questi droni finti.
• In questo modo, il sistema impara a riconoscere i bordi della "stanza sicura". Se un segnale cade fuori da questi bordi, il sistema sa che è un intruso sconosciuto, senza dimenticare chi sono gli amici.

4. I Risultati: Un Super Detective

I test sono stati fatti su un enorme database di segnali radio reali (25 tipi di droni diversi).

• Riconoscimento dei noti: Il sistema ha riconosciuto i droni conosciuti con una precisione del 95,12%.
• Riconoscimento degli sconosciuti: Ha saputo identificare i droni sconosciuti con una precisione del 96,08%.

La cosa incredibile è che non ha dovuto sacrificare la precisione sui droni conosciuti per diventare bravo a trovare gli sconosciuti. È come un guardiano che non solo riconosce i suoi colleghi, ma sa anche dire subito "Stop!" a chiunque non conosca, senza confondersi.

In sintesi

Questo paper ci dice come costruire un sistema di sicurezza per i droni che:

1. Ascolta il cielo con più sensi (texture + posizione).
2. Impara a distinguere i gruppi di droni in modo molto preciso.
3. Riconosce anche i droni che non ha mai visto prima, trattandoli come intrusi, senza confonderli con quelli che conosce.

È un passo fondamentale per rendere i nostri cieli più sicuri, permettendo alle città di convivere con i droni senza paura di essere spiati o attaccati da "fantasmi" radiofonici.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento in italiano, strutturata secondo le sezioni richieste.

Titolo: Apprendimento Contrastivo Supervisionato Multi-Dominio per il Riconoscimento in Set Aperto di UAV tramite Segnali Radio-Frequenza (RF)

1. Il Problema

Con l'avvento delle reti 5G-Advanced e l'integrazione tra sensing e comunicazione (ISAC) a bassa quota, il numero di droni (UAV) è cresciuto esponenzialmente. Tuttavia, la mancanza di normative industriali aggiornate e la facilità di acquisto e modifica dei droni commerciali hanno portato a un aumento di voli non autorizzati, rappresentando una grave minaccia per la sicurezza e la privacy.
Le sfide principali affrontate nel documento sono:

• Riconoscimento in Set Aperto (Open-Set Recognition): I metodi tradizionali di riconoscimento funzionano in ambienti "closed-set" (dove tutte le classi sono note durante l'addestramento). Nella realtà, i droni non cooperativi o modificati possono apparire come classi sconosciute. I metodi esistenti spesso sacrificano l'accuratezza sulle classi note per migliorare il rilevamento di quelle sconosciute, o viceversa.
• Natura dei Segnali RF: I segnali RF degli UAV sono spesso non stazionari, soggetti a salti di frequenza (frequency hopping) e rumore ambientale, rendendo difficile l'estrazione di caratteristiche robuste con le architetture CNN tradizionali.
• Squilibrio delle Prestazioni: Esiste un compromesso difficile tra mantenere un'alta accuratezza sul riconoscimento delle classi note (closed-set) e la capacità di rifiutare correttamente le classi sconosciute (open-set).

2. Metodologia Proposta

Gli autori propongono un framework chiamato MD-SupContrast (Multi-Domain Supervised Contrastive Learning) e un modello denominato Open-RFNet, che integra due fasi principali:

A. Estrazione e Fusione delle Caratteristiche Multi-Dominio
Il modello combina due tipi di feature estratte dai segnali I/Q (In-Phase/Quadrature) trasformati in rappresentazioni tempo-frequenza (STFT):

1. Feature di Texture (ResNet): Utilizza una rete ResNet-18 per estrarre caratteristiche geometriche locali (come i bordi e la distribuzione dell'energia) dalle immagini spettro-temporali. Queste feature sono robuste contro la non stazionarietà e i salti di frequenza.
2. Feature di Posizione Tempo-Frequenza (Transformer Encoder - TE): Utilizza un Transformer Encoder per catturare le dipendenze a lungo raggio e le posizioni globali dei segnali nello spettro. Questo aiuta a distinguere i profili specifici dei diversi tipi di UAV.
   Le due feature vengono fuse tramite strati non lineari multipli (MNLs).

B. Apprendimento Contrastivo Supervisionato (Supervised Contrastive Learning)
Invece della classica funzione di perdita Cross-Entropy, il modello utilizza una Supervised Contrastive Loss.

• Obiettivo: Spingere le feature degli esempi della stessa classe a raggrupparsi (massimizzare la similarità intra-classe) e allontanare quelle di classi diverse (massimizzare la differenza inter-classe).
• Vantaggio: Questo approccio ottimizza la rappresentazione delle feature a livello di spazio vettoriale, risolvendo il problema di ottimizzazione sbilanciata che si verifica quando si fondono feature eterogenee (texture e posizione).

C. Algoritmo IG-OpenMax (Improved Generative OpenMax)
Per gestire il riconoscimento in set aperto, viene proposto un algoritmo in due fasi:

1. Generazione di Campioni Sintetici: Viene addestrato un generatore (basato su cDCGAN e WGAN-GP) per creare campioni sintetici delle classi note.
2. Selezione dei "Falsi Negativi": Questi campioni sintetici vengono passati attraverso il modello addestrato (Open-RFNet-C). I campioni che vengono classificati erroneamente vengono raccolti come proxy per le classi sconosciute.
3. Addestramento della Testa di Classificazione (Fase Chiave): A differenza dei metodi precedenti (come G-OpenMax) che ri-addestrano l'intera rete, Open-RFNet congela gli strati di estrazione delle feature e ri-addestra solo lo strato di classificazione utilizzando il dataset misto (dati reali + campioni sintetici mal classificati).
   • Motivazione: Congelare l'estrattore preserva lo spazio delle feature originale, permettendo ai campioni sintetici di occupare le stesse regioni di confine dove si trovano i veri campioni sconosciuti, migliorando così la stima del confine decisionale.
4. Calibrazione Weibull: Viene applicato un layer OpenMax che utilizza la distribuzione di Weibull per modellare le code delle attivazioni, stimando la probabilità che un campione appartenga a una classe sconosciuta senza bisogno di soglie fisse.

3. Contributi Chiave

• Framework MD-SupContrast: Una nuova architettura che fusione feature di texture (ResNet) e feature di posizione (Transformer) ottimizzate tramite apprendimento contrastivo supervisionato, superando i limiti delle CNN tradizionali sui segnali RF non stazionari.
• Algoritmo IG-OpenMax: Un approccio innovativo che congela l'estrattore di feature durante la fase di adattamento per l'open-set. Questo preserva la distribuzione delle feature apprese, permettendo una simulazione più accurata delle classi sconosciute e bilanciando le prestazioni tra closed-set e open-set.
• Prestazioni Bilanciate: Il modello dimostra di non sacrificare l'accuratezza sulle classi note per migliorare il rilevamento di quelle sconosciute, risolvendo il tipico compromesso dei metodi esistenti.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset pubblico DroneRFa, che include segnali RF di 25 tipi di UAV (20 classi note e 5 sconosciute) su bande ISM (915 MHz, 2.4 GHz, 5.8 GHz).

• Accuratezza Closed-Set: Il modello Open-RFNet ha raggiunto un'accuratezza del 95.12% nel riconoscere le classi note.
• Accuratezza Open-Set: Ha raggiunto un'accuratezza del 96.08% nel rilevare correttamente le classi sconosciute.
• Gap di Prestazione: La differenza tra le prestazioni closed-set e open-set è di soli 0.96%, indicando un bilanciamento eccezionale.
• Confronto: Il metodo supera significativamente le tecniche di riferimento (S3R, UIOS, OpenMax classico, G-OpenMax), che mostrano spesso un calo drastico dell'accuratezza sulle classi note o una scarsa capacità di rilevamento delle sconosciute.
• Efficienza: L'analisi di complessità mostra che l'inferenza avviene in circa 54 ms per campione, rendendo il sistema adatto ad applicazioni di monitoraggio in tempo reale.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nella sicurezza delle reti a bassa quota (LA-ISAC).

• Sicurezza Operativa: Fornisce un metodo robusto per identificare droni non cooperativi o modificati in scenari reali, dove le classi di droni non possono essere preventivamente catalogate.
• Robustezza Ambientale: L'uso di segnali RF invece di visione o radar rende il sistema immune a condizioni meteorologiche avverse, ostacoli e mancanza di illuminazione.
• Innovazione Metodologica: La strategia di "congelamento dell'estrattore di feature" durante l'adattamento open-set offre una nuova direzione per la ricerca sul riconoscimento in set aperto, dimostrando che la preservazione dello spazio delle feature è cruciale per la generalizzazione su classi sconosciute.
• Scalabilità: Il framework è progettato per essere esteso a scenari con più emettitori UAV, sebbene l'articolo si concentri attualmente su singoli emettitori, aprendo la strada a future ricerche su interferenze multiple.