Advances in Anti-Deception Jamming Strategies for Radar Systems: A Survey

이 논문은 레이더 시스템의 위장 교란에 대응하기 위한 예방, 탐지, 완화 전략을 포괄적으로 검토하고 분산형·인지형·AI 기반 레이더 등 향후 연구 방향을 제시합니다.

핵심

🎯 핵심 주제: "레이더 vs. 사기꾼 (재밍)"

상상해 보세요. 레이더는 어둠 속에서 나침반을 들고 길을 찾는 등대와 같습니다. 이 등대는 비행기나 배 같은 진짜 목표물 (PT) 을 찾아내야 합니다.

하지만 적들은 이 등대를 속이려고 합니다. 바로 **레이더 재밍 (Jamming)**입니다.

• 소음 재밍: 등대 주변에 큰 소음을 내서 진짜 소리를 못 들리게 하는 것 (소음기).
• 속임수 재밍 (Deception Jamming): 더 교활합니다. 등대의 빛을 반사해서 **"거짓으로 만든 가짜 목표물 (FT)"**을 여러 개 만들어내거나, 진짜 목표물의 위치를 다른 곳으로 옮겨서 레이더를 혼란스럽게 만듭니다. 마치 미로에서 진짜 길을 가리키는 표지판을 가리고 엉뚱한 길로 안내하는 표지판을 세우는 것과 같습니다.

이 논문은 **"레이더가 이런 사기꾼들을 어떻게 알아차리고, 막아내며, 대처하는지"**에 대한 최신 기술들을 정리했습니다.

---

🛡️ 레이더의 3 단계 방어 전략

이 논문은 레이더의 방어 기술을 크게 세 가지 단계로 나눕니다.

1. 예방 (Prevention): "사기꾼이 따라 할 수 없게 만들기"

• 비유: 도둑이 열쇠를 복사하지 못하게 하려면, 자꾸 열쇠 모양을 바꾸거나 비밀번호를 랜덤으로 변경하는 것과 같습니다.
• 기술: 레이더가 보내는 신호 (파형) 를 매번 다르게 변형합니다.
  • 파형 다양성: 레이더가 보내는 신호의 주파수나 패턴을 예측할 수 없게 랜덤하게 바꿉니다. 사기꾼 (재머) 이 "이건 뭐지? 복사해 봤자 안 되겠네"라고 포기하게 만듭니다.
  • 예측 불가능성: 레이더는 다음에 어떤 신호를 보낼지 스스로 알고 있지만, 사기꾼은 모르게 합니다.

2. 탐지 (Detection): "가짜를 진짜와 구별하기"

• 비유: 시장에서 가짜 지폐를 구별하는 것과 같습니다. 진짜 지폐와 가짜 지폐는 겉모습은 비슷하지만, 미세한 질감이나 패턴이 다릅니다.
• 기술:
  • 통계적 분석: 신호의 패턴을 분석해서 "이건 자연스러운 목표물이 아니야"라고 판단합니다.
  • 다중 레이더 (Multistatic): 한 개의 레이더만 쓰는 게 아니라, 여러 곳에서 보는 것입니다. 가짜 목표물은 여러 각도에서 볼 때 위치가 맞지 않거나 (일관성 없음), 진짜 목표물은 모든 각도에서 위치가 일치합니다.
  • 인공지능 (AI) 활용: 최근에는 **딥러닝 (CNN, Transformer 등)**을 이용해 사기꾼의 신호 패턴을 학습시킵니다. 마치 은행이 AI 를 통해 사기 거래를 알아내는 것처럼, 레이더도 AI 가 "이건 가짜야!"라고 외쳐줍니다.

3. 완화 (Mitigation): "이미 속았을 때 피해를 줄이기"

• 비유: 이미 가짜 표적에 속아 넘어갔다면, "아, 저건 가짜구나"하고 무시하거나, 진짜 목표물만 골라내는 필터를 거는 것입니다.
• 기술:
  • 신호 처리: 가짜 신호를 제거하거나 약화시키는 필터를 적용합니다.
  • 추적 알고리즘: 레이더가 목표물을 추적할 때, "저건 갑자기 튀어나온 가짜야, 무시해"라고 판단하는 지능형 추적 시스템 (칼만 필터 등) 을 사용합니다.
  • 분산 레이더: 여러 레이더가 정보를 공유해서 "우리가 합쳐서 보면 저건 가짜가 확실해"라고 결론 내립니다.

---

🚀 미래의 레이더는 어떻게 변할까? (Emerging Topics)

이 논문은 단순히 기존 기술을 정리하는 것을 넘어, 미래의 레이더가 어떻게 진화할지 제안합니다.

1. 분산 레이더 (Distributed Radar):

   • 비유: 한 명의 경비원이 감시하는 대신, 여러 명의 경비원이 서로 연락하며 감시하는 팀입니다.
   • 한 곳의 레이더가 속아 넘어가도, 다른 레이더가 "아니야, 저건 가짜야"라고 알려주면 전체 시스템이 안전해집니다.

2. 인지 레이더 (Cognitive Radar):

   • 비유: 상대방의 마음을 읽는 똑똑한 레이더입니다.
   • 사기꾼이 어떤 전략을 쓰는지 실시간으로 파악하고, 레이더 스스로 "아, 저건 이런 식으로 공격하네. 그럼 나는 이렇게 대응해야지"라고 전략을 바꿔가며 싸웁니다. 마치 바둑이나 장기에서 상대의 수를 읽고 대응하는 것과 같습니다.

3. AI 기반 레이더:

   • 비유: 수천 번의 사기극을 경험한 베테랑 형사가 레이더에 탑재된 것입니다.
   • 인공지능 (특히 Transformer 같은 최신 AI) 이 복잡한 사기 패턴을 학습해서, 인간이 눈치채지 못하는 미세한 가짜 신호까지 찾아냅니다.

---

💡 요약

이 논문은 **"레이더를 속이는 사기꾼들이 점점 더 똑똑해지고 있으니, 레이더도 더 똑똑하고 유연하게 변해야 한다"**는 메시지를 전달합니다.

• 과거: 소음으로 막거나, 간단한 패턴으로 속임수를 막았습니다.
• 현재: 신호를 랜덤하게 바꾸고, AI 로 가짜를 찾아냅니다.
• 미래: 여러 레이더가 팀을 이루어, 스스로 학습하고 전략을 바꾸는 지능형 방어 시스템을 만듭니다.

결국 이 기술은 우리 하늘과 바다를 지키는 레이더 시스템이 적의 교묘한 속임수에서도 안전할 수 있도록 돕는 최신 방어 전략의 백과사전이라고 할 수 있습니다.

기술 요약

1. 문제 정의 (Problem)

전자전 (EW) 환경에서 기만 재밍 (Deception Jamming) 은 레이더 시스템의 탐지, 획득, 추적 능력을 저해하는 심각한 위협입니다. 재밍기는 레이더 파형을 복제하거나 변조하여 가짜 목표 (False Targets, FTs) 를 생성하거나 실제 목표 (Physical Targets, PTs) 의 정보를 왜곡함으로써 레이더를 속입니다.

• 진화하는 위협: 1990 년대 디지털 라디오 주파수 메모리 (DRFM) 기술의 등장으로 재밍기는 레이더 신호를 정밀하게 저장, 변조, 재생성할 수 있게 되었습니다. 이로 인해 기존 노이즈 재밍보다 훨씬 정교하고 효율적인 기만 공격 (예: 게이트 스틸링, 게이트 풀-오프 등) 이 가능해졌습니다.
• 현재의 난제: 기존 레이더 처리 기술은 이러한 정교한 DRFM 기반 기만 공격에 취약하며, 공격과 방어 (ECCM) 기술이 함께 진화함에 따라 레이더의 생존성을 보장하기 위한 새로운 전략이 시급히 요구되고 있습니다.

2. 방법론 및 분류 체계 (Methodology & Taxonomy)

본 논문은 레이더 반-기만 재밍 기술에 대한 포괄적인 문헌 검토를 수행하며, 기존 연구들을 기능적 목적에 따라 다음과 같이 3 가지 주요 범주로 체계화했습니다.

A. 예방 전략 (Prevention Strategies)

재밍기가 목표 에코를 성공적으로 복제하는 것을 원천적으로 차단하는 방법입니다.

• 펄스/파형 다양성 (Pulse/Waveform Diversity): 레이더가 전송하는 펄스 파라미터 (주파수, 위상, PRF 등) 를 예측 불가능하게 변화시켜 재밍기의 동기화 및 복제를 어렵게 만듭니다.
  • 기술: OFDM, 무작위 펄스 초기 위상 (RPIP), 주파수/위상 인코딩 등.
• 수신기 처리 개선: 재밍 신호의 특성을 분석하여 필터링하거나, 압축 센싱 (Compressed Sensing) 및 사전 부호화 (Precoding) 기법을 통해 재밍 신호와 실제 목표 신호를 분리합니다.

B. 탐지 및 분류 전략 (Detection Strategies)

수신된 신호 내에 재밍이 존재하는지 판단하고, 공격 유형을 식별하는 방법입니다.

• 의사결정 접근법: 가설 검정 (Hypothesis Testing, 예: GLRT) 을 통해 재밍 존재 여부를 통계적으로 판단합니다.
• 다중 정적 레이더 (Multistatic Radar): 여러 수신기에서 관측된 데이터의 불일치 (FT 는 여러 센서에서 일관된 위치를 보이지 않음) 를 이용하여 기만 신호를 탐지합니다.
• 머신러닝 (ML) 기반 분류: CNN, LSTM, Transformer 등의 딥러닝 모델을 사용하여 신호의 시간 - 주파수 스펙트로그램이나 특징을 학습하여 재밍 유형을 자동 분류합니다.

C. 완화 전략 (Mitigation Strategies)

기만 공격이 발생했을 때 그 영향을 줄이거나 시스템 성능을 유지하는 방법입니다.

• 신호 영역 완화 (Signal Domain Mitigation): 다중 안테나 (MIMO, FDA-MIMO) 및 빔포밍 기술을 활용하여 재밍 신호의 공간적/주파수적 특성을 억제하거나 제거합니다.
• 측정 영역 완화 (Measurement Domain Mitigation): 추적 알고리즘 (칼만 필터, 다중 가설 추적 MHT 등) 에 재밍 특성을 반영하거나, 분산 레이더 네트워크의 합의 알고리즘 (Consensus Algorithm) 을 통해 잘못된 추적 데이터를 필터링합니다.

3. 주요 기여 (Key Contributions)

1. 포괄적인 분류 체계 (Taxonomy): 기존 연구들을 예방, 탐지, 완화의 3 단계로 명확히 분류하고, 각 단계별 기술 (전통적 방법부터 최신 AI 기반 방법까지) 을 체계적으로 정리했습니다.
2. 기술 진화 추적: 2000 년대 초반의 초기 기법부터 최신의 DRFM 대응 기술, 그리고 머신러닝 및 인지 레이더 (Cognitive Radar) 적용 사례까지 기술의 발전 흐름을 추적했습니다.
3. 미래 연구 방향 제시: 분산형 (Distributed), 인지형 (Cognitive), AI 기반 레이더 시스템이 기만 재밍 대응에 어떻게 기여할 수 있는지에 대한 구체적인 연구 과제를 제시했습니다.

4. 주요 결과 및 통찰 (Key Results & Insights)

• DRFM의 이중성: DRFM 기술은 정교한 기만을 가능하게 했지만, 동시에 위상 양자화 (Phase Quantization) 에 따른 스펙트럼 아티팩트와 같은 고유한 특징을 남기므로, 이를 활용한 탐지 및 분류가 가능함을 확인했습니다.
• 다중 정적 레이더의 우위: 단일 레이더는 기만 공격에 취약할 수 있으나, 공간적 다양성 (Spatial Diversity) 을 가진 다중 정적 레이더는 FT 와 PT 의 위치 불일치를 통해 기만 공격을 효과적으로 식별하고 완화할 수 있습니다.
• AI/ML 의 부상: 기존의 통계적 방법 (GLRT 등) 은 신호 통계에 대한 사전 지식이 필요하지만, CNN 및 Transformer 기반의 딥러닝 모델은 데이터에서 직접 특징을 학습하여 복잡한 기만 패턴을 식별하는 데 뛰어난 성능을 보입니다. 특히 Transformer 아키텍처는 시계열 데이터의 전역적 의존성을 모델링하여 비정상적인 공격 패턴에 강건합니다.
• 인지 및 게임 이론: 인지 레이더는 환경에 적응하여 파형을 동적으로 변경할 수 있으며, 게임 이론 (Game Theory) 을 적용하여 재밍기와 레이더 간의 전략적 상호작용을 최적화하는 접근법이 유망합니다.

5. 의의 및 중요성 (Significance)

• 첫 번째 종합적 검토: 본 논문은 레이더 반-기만 재밍 기술에 대한 최초의 포괄적인 서베이로, 레거시 솔루션부터 최신 AI/분산 시스템까지 아우릅니다.
• 실무 및 연구 가이드: 레이더 시스템 설계자 및 연구자에게 현재 사용 가능한 기술과 향후 개발해야 할 방향 (예: 프라이버시 보존 분산 학습, 실시간 Transformer 적용 등) 을 명확히 제시합니다.
• 미래 전쟁 대비: 점점 더 지능화되고 협력적인 기만 재밍 위협 (예: UAV 스웜 기반 협력 재밍) 에 대응하기 위해, 단일 레이더의 한계를 넘어 분산형, 인지형, AI 기반 레이더 네트워크의 중요성을 강조합니다.

결론적으로, 본 논문은 레이더 시스템이 진화하는 전자전 위협 하에서도 신뢰할 수 있는 탐지 및 추적을 유지할 수 있도록, 예방 - 탐지 - 완화의 통합적 접근과 AI 기술의深度融合을 위한 중요한 로드맵을 제공합니다.