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

이 논문은 5G-Advanced 기반 저고도 통합 감지 및 통신 네트워크의 보안 강화를 위해, 텍스처 및 시계열 주파수 특징을 융합한 다중 도메인 지도 대비 학습과 개선된 생성형 OpenMax 알고리즘을 결합하여 미지 UAV 를 포함한 개방형 인식을 수행하는 'Open-RFNet' 모델을 제안하고 그 우수성을 입증합니다.

핵심

드론 감시 기술의 혁신: "알 수 없는 드론"까지 잡아내는 새로운 눈

이 논문은 5G-Advanced(5G-A) 기술이 발전하면서 급증하는 무인항공기 (드론) 를 어떻게 효과적으로 감시하고, 특히 훈련 데이터에 없는 새로운 (알 수 없는) 드론까지 찾아낼 수 있는지에 대한 연구입니다.

기존의 드론 감시 기술은 "알려진 드론"만 구별할 수 있었지만, 이 논문은 "이 드론은 처음 보는 종류인데, 드론이 맞다!"라고 판단할 수 있는 오픈셋 (Open-Set) 인식 기술을 제안합니다.

이 복잡한 기술 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

1. 문제 상황: "모르는 드론"이 날아다니는 밤

상상해 보세요. 공항이나 중요한 시설 주변에 드론이 날아다니고 있습니다.

• 기존 기술 (Closed-Set): 경비원이 "A 형 드론, B 형 드론, C 형 드론"만 외워두었습니다. 만약 D 형 드론이 나타나면, 경비원은 "이건 A 형 드론이겠지?"라고 잘못 추측하거나, "이건 뭐지?"라고 당황해서 놓쳐버립니다.
• 현실의 문제: 나쁜 목적의 드론은 자주 모양을 바꾸거나, 우리가 아직没见过 (본 적 없는) 새로운 모델을 사용합니다.

이 논문은 "알려진 드론은 정확히 분류하고, 모르는 드론은 '알 수 없는 드론'이라고 바로 잡아내는" 새로운 시스템을 개발했습니다.

2. 핵심 기술 1: 드론의 "지문"과 "위치"를 동시에 읽는 눈 (MD-SupContrast)

드론은 전파 (RF 신호) 를 날립니다. 이 신호를 분석하는 데 두 가지 눈을 사용했습니다.

• 눈 1: 질감 (Texture) 분석 - "옷의 무늬"

  • 드론이 보내는 전파 신호의 모양을 확대해서 보면 마치 천의 무늬처럼 보입니다. 이 무늬의 질감을 분석합니다. (ResNet 이라는 AI 모델 사용)
  • 비유: 드론의 전파 신호가 "명품 가방"이라면, 이 기술은 가방의 가죽 질감을 보고 "이건 명품 가방의 가죽이야"라고 구분합니다. 비가 오거나 바람이 불어도 (신호가 흔들려도) 질감은 변하지 않으므로 안정적입니다.

• 눈 2: 시간 - 주파수 위치 (Position) 분석 - "무늬가 있는 자리"

  • 신호가 언제, 어떤 주파수 대역에 나타나는지 위치를 분석합니다. (Transformer 이라는 AI 모델 사용)
  • 비유: 같은 명품 가방이라도, 주머니에 있는 곳과 손잡이에 있는 곳이 다릅니다. 이 기술은 "이 무늬가 신호의 어디에 위치해 있나?"를 파악하여 드론의 고유한 특징을 더 정확히 잡습니다.

✨ 혁신적인 점:
기존에는 이 두 가지 정보를 따로 보거나, 한쪽 정보만 믿었습니다. 하지만 이 논문은 "질감"과 "위치" 정보를 섞어서 (Fusion) 보며, **지도된 대비 학습 (Supervised Contrastive Learning)**이라는 기술을 써서 "비슷한 드론끼리는 붙어있게, 다른 드론끼리는 멀리 떨어지게" AI 의 눈을 훈련시켰습니다.

3. 핵심 기술 2: "가짜 드론"으로 훈련하는 지능형 경비원 (IG-OpenMax)

가장 어려운 부분은 **"훈련하지 않은 드론"**을 어떻게 구분하느냐입니다.

• 기존 방식의 한계: 새로운 드론을 가르치려면 AI 전체를 다시 가르쳐야 하는데, 이렇게 하면 예전에 배운 드론에 대한 기억 (분포) 이 사라져 버립니다. 마치 새로운 학생을 가르치려고 교실 전체를 리모델링하면, 기존 학생들의 자리도 다 바뀌어 버리는 것과 같습니다.
• 이 논문의 해결책 (IG-OpenMax):
  1. 가짜 드론 만들기: AI 가 "아직 본 적 없는 드론"을 흉내 내는 가짜 신호를 만들어냅니다.
  2. 부분 훈련: AI 의 기억 (특징 추출) 부분은 그대로 고정하고, 오직 판단하는 부분 (분류기) 만 가짜 드론 데이터로 다시 훈련시킵니다.
  3. 효과: AI 는 "이런 신호는 드론이 맞는데, 우리가 아는 드론 종류는 아니야"라고 판단하는 경계선을 정확히 그을 수 있게 됩니다.

비유:
기존 방식은 "새로운 학생이 들어오면 교실 전체를 다시 배치한다"면, 이 방식은 **"교실 구조는 그대로 두고, 선생님의 '판단 기준'만 업데이트한다"**는 것입니다. 그래서 예전 학생 (알려진 드론) 을 잊지 않으면서도, 새로운 학생 (알 수 없는 드론) 을 구별할 수 있게 됩니다.

4. 실험 결과: 압도적인 성능

이론만 좋은 게 아닙니다. 실제 드론 데이터 (DroneRFa) 로 실험해 보았습니다.

• 알려진 드론 25 종: 95.12% 정확도로 정확히 분류했습니다.
• 알 수 없는 드론: 96.08% 정확도로 "이건 드론이지만 우리가 모르는 종류야"라고 잡아냈습니다.
• 결과: 알려진 드론과 모르는 드론을 구분하는 능력의 차이가 1% 미만으로 매우 균형 잡혔습니다. (기존 기술들은 알려진 드론은 잘 잡는데 모르는 드론은 못 잡거나, 그 반대의 문제가 있었습니다.)

5. 결론: 더 안전해진 하늘

이 기술은 5G-A 기반의 저고도 통합 감시망에 적용될 수 있습니다.

• 환경에 강함: 비, 안개, 장애물이 있어도 (전파 기반이라) 잘 작동합니다.
• 실시간성: 드론이 날아오자마자 0.05 초 이내에 판단할 수 있어 실시간 대응이 가능합니다.

한 줄 요약:

이 논문은 AI 에게 드론의 '질감'과 '위치'를 동시에 보게 하고, '가짜 드론'으로만 판단 기준을 업데이트하게 함으로써, 알려진 드론은 물론, 처음 보는 드론까지 완벽하게 찾아내는 차세대 드론 감시 시스템을 제안했습니다.

이 기술이 상용화되면, 불법 드론 침입이나 사생활 침해 드론을 훨씬 더 효과적으로 막을 수 있게 될 것입니다.

기술 요약

논문 요약: 다중 도감 감독 대비 학습을 통한 UAV 무선 주파수 (RF) 오픈셋 인식

1. 문제 정의 (Problem Statement)

• 배경: 5G-Advanced(5G-A) 및 저고도 통합 감지 및 통신 (LA-ISAC) 네트워크의 발전으로 무인기 (UAV) 의 급격한 증가가 발생했습니다. 그러나 기존 규제 체계의 미비로 인해 허가되지 않은 비행 (불법 침입, 사생활 침해 등) 이 빈번히 발생하고 있습니다.
• 핵심 과제:
  1. 비협력형 UAV 감시: 적대적이거나 불법적으로 개조된 UAV 는 훈련 데이터에 존재하지 않으므로, 기존 폐쇄형 (Closed-set) 인식 모델로는 식별이 불가능합니다.
  2. 신호의 복잡성: UAV 의 RF 신호는 비정상성 (non-stationarity), 주파수 도약 (frequency hopping), 환경 노이즈 등으로 인해 특징 추출이 어렵습니다.
  3. 성능 균형의 어려움: 기존 오픈셋 인식 (Open-set Recognition) 기술은 알려지지 않은 클래스를 탐지하는 과정에서 알려진 클래스 (Closed-set) 의 인식 정확도를 희생하는 경향이 있어, 두 가지 성능을 동시에 최적화하는 것이 어렵습니다.

2. 제안된 방법론 (Methodology)

저자들은 Open-RFNet이라는 새로운 프레임워크를 제안하며, 이는 크게 **다중 도감 감독 대비 학습 (MD-SupContrast)**과 개선된 생성형 OpenMax (IG-OpenMax) 알고리즘으로 구성됩니다.

• A. 특징 추출 및 융합 (MD-SupContrast Framework)

  • 다중 도메인 특징 추출:
    • Texture Feature: ResNet-18 을 사용하여 RF 신호의 시간 - 주파수 도메인 이미지 (STFT 변환 후) 에서 기하학적 질감 특징 (모서리, 에너지 분포 등) 을 추출합니다. 이는 비정상 신호와 주파수 도약의 부정적 영향을 완화합니다.
    • Position Feature: Transformer Encoder (TE) 를 사용하여 시간 및 주파수 축에서의 위치 특징을 추출합니다. 이는 신호 블록의 전역적 위치 관계를 학습하여 알려진/알려지지 않은 클래스 간의 구별력을 높입니다.
  • 특징 융합: 추출된 질감 특징과 위치 특징을 다중 비선형 계층 (MNLs) 을 통해 융합합니다.
  • 감독 대비 학습 (Supervised Contrastive Learning): 교차 엔트로피 손실 함수의 한계 (노이즈에 민감, 클래스 간 마진 부족 등) 를 극복하기 위해 도입되었습니다. 동일한 클래스의 샘플들을 특징 공간에서 가깝게 묶고, 다른 클래스는 멀리 떨어뜨려 특징 표현을 최적화합니다.

• B. 오픈셋 인식 알고리즘 (IG-OpenMax)

  • 생성형 데이터 활용: Wasserstein GAN with Gradient Penalty (WGAN-GP) 를 기반으로 한 생성기를 사용하여 알려진 클래스의 합성 데이터를 생성합니다.
  • 2 단계 학습 전략 (핵심 기여):
    1. Stage 1: 알려진 클래스로 폐쇄형 모델 (Open-RFNet-C) 을 훈련합니다.
    2. Stage 2: 생성된 합성 데이터를 훈련 데이터에 추가하여 알려지지 않은 클래스를 시뮬레이션합니다. 이때, 특징 추출기 (Feature Extractor) 는 고정 (Freeze) 하고 분류 헤드 (Classification Head) 만 재훈련합니다.
    • 이유: 전체 네트워크를 재훈련하면 원래 학습된 특징 공간이 왜곡되어 생성된 샘플이 실제 알려지지 않은 샘플과 다른 분포를 갖게 되지만, 특징 추출기를 고정하면 생성된 샘플이 실제 알려지지 않은 클래스의 경계 영역에 잘 분포하도록 유도할 수 있습니다.
  • Weibull 분포 기반 보정: OpenMax 알고리즘을 개선하여, 활성화 벡터의 거리를 Weibull 분포로 피팅하고 이를 통해 알려지지 않은 클래스의 확률을 추정합니다.

3. 주요 기여 (Key Contributions)

1. MD-SupContrast 프레임워크 제안: 질감 특징 (ResNet) 과 시간 - 주파수 위치 특징 (Transformer) 을 융합하고, 감독 대비 학습을 통해 다중 특징 간의 불균형한 최적화 문제를 해결하여 RF 신호의 노이즈와 비정상성에 강인한 표현을 학습했습니다.
2. IG-OpenMax 알고리즘 및 Open-RFNet 모델: 알려진 클래스와 알려지지 않은 클래스 간의 성능 격차를 최소화하기 위해, 특징 추출기를 고정하고 분류기만 재훈련하는 2 단계 전략을 도입했습니다. 이는 생성된 샘플이 실제 알려지지 않은 분포를 더 정확하게 모사하도록 하여 오픈셋 인식 성능을 극대화합니다.
3. 성능 균형 달성: 기존 방법들은 오픈셋 성능을 위해 폐쇄형 성능을 희생하는 경향이 있었으나, 제안된 방법은 두 성능을 동시에 유지하며 균형을 이룹니다.

4. 실험 결과 (Results)

• 데이터셋: 대규모 UAV RF 오픈 데이터셋인 DroneRFa를 사용했습니다 (25 종의 UAV 유형 포함).
• 실험 설정: 20 종을 알려진 클래스 (Known), 5 종을 알려지지 않은 클래스 (Unknown) 로 설정하여 평가했습니다.
• 성능 지표:
  • 폐쇄형 인식 정확도 (Closed-set Accuracy): 95.12% (기존 벤치마크 방법들보다 우수).
  • 오픈셋 인식 정확도 (Open-set Accuracy): 96.08% (알려지지 않은 UAV 탐지 성능).
  • 성능 격차 (Performance Gap): 알려진 클래스와 알려지지 않은 클래스 간의 성능 차이 (GAP) 가 **0.96%**로 매우 낮아 균형을 잘 이룸.
• 비교 분석:
  • 기존 OpenMax, G-OpenMax, S3R, UIOS 등 최신 오픈셋 인식 방법들과 비교하여 모든 지표 (KAR, UAR, GAP) 에서 우수한 성능을 보였습니다.
  • 특히, 특징 추출기를 고정하는 IG-OpenMax 전략이 전체 네트워크를 재훈련하는 기존 G-OpenMax 보다 오픈셋 탐지 성능 (UAR) 을 약 3% 이상 향상시켰습니다.
  • 노이즈 제거 (Denoising) 전처리 단계가 오픈셋 인식 정확도를 65% 대에서 96% 대로 획기적으로 개선함을 확인했습니다.

5. 의의 및 결론 (Significance)

• 실시간성: 제안된 모델의 추론 시간은 약 54ms 로, UAV 모니터링 및 식별에 필요한 실시간 요구사항을 충족합니다.
• 보안 강화: 5G-A 기반 LA-ISAC 네트워크에서 허가되지 않은 UAV 를 효과적으로 탐지하고 식별할 수 있는 강력한 솔루션을 제공합니다.
• 기술적 혁신: RF 신호의 비정상성과 주파수 도약 문제를 해결하기 위해 질감 특징과 위치 특징을 결합한 다중 도메인 학습과, 생성적 오픈셋 학습을 위한 새로운 학습 전략 (Feature Freezing) 을 제시하여 관련 분야의 새로운 기준을 제시했습니다.

이 논문은 비협력형 UAV 에 대한 RF 기반 감시 기술의 한계를 극복하고, 알려진/알려지지 않은 UAV 를 동시에 고도로 정확하게 식별할 수 있는 새로운 패러다임을 제시했다는 점에서 중요한 의의를 가집니다.