Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

1. 연구 배경 및 문제 정의 (Problem Statement)

• 배경: 민간 및 상업용 무인 항공기 (UAV) 의 급증으로 인해 동적이고 불확실한 공역 환경에서 신뢰할 수 있는 무선 주파수 (RF) 기반 드론 식별 시스템의 필요성이 대두되었습니다.
• 기존 방법의 한계:
  • 대부분의 기존 RF 기반 인식 방법은 닫힌 세트 (Closed-Set) 가정을 따릅니다. 즉, 훈련 시 모든 UAV 유형이 알려져 있다고 전제합니다.
  • 실제 환경에서는 하드웨어, 펌웨어, 모델 업데이트 등으로 인해 새로운 또는 미지의 UAV 가 끊임없이 등장합니다.
  • 기존 분류기는 미지 신호를 입력받으면 이를 알려진 클래스 중 하나로 과신 (Overconfident) 하여 잘못 분류하는 문제가 발생하며, 이는 안전과 신뢰성을 위협합니다.
  • 기존 오픈셋 인식 (OSR) 연구는 미지 샘플을 '거부 (Rejection)'하는 데만 집중할 뿐, 이를 추가적으로 분류하거나 학습하여 새로운 클래스로 통합하는 과정이 부재합니다.
• 목표: 알려진 UAV 를 정확히 분류하고, 미지 신호를 탐지하며, 이를 새로운 클래스로 자동 발견 (Discovery) 하여 기존 지식을 유지하면서 점진적으로 학습하는 통합 프레임워크를 구축하는 것입니다.

2. 제안된 방법론 (Methodology)

제안된 프레임워크는 오픈셋 인식 (OSR), 클러스터링 기반 신규 클래스 발견, 경량화 점진적 학습 (Incremental Learning) 을 하나의 파이프라인으로 통합합니다.

A. 시맨틱 임베딩 학습 (Semantic Embedding Learning)

• 입력: UAV 의 RF 신호 (I/Q 데이터) 를 단시간 푸리에 변환 (STFT) 을 통해 스펙트로그램으로 변환합니다.
• 아키텍처: 하이브리드 인코더를 사용합니다.
  • CNN 인코더: 다중 스케일 확장 컨볼루션 (Dilated Convolution) 을 사용하여 미세한 스펙트럼 질감과 광대역 시간적 포락선을 추출합니다.
  • Transformer 인코더: 자기 주의 (Self-Attention) 메커니즘과 정현파 위치 인코딩을 사용하여 시간 - 주파수 국소성과 장기 의존성을 모델링합니다.
• 손실 함수: 클래스 내 응집성 (Intra-class compactness), 클래스 간 분리 (Inter-class margin), 그리고 교차 엔트로피 (Cross-Entropy) 를 결합한 복합 손실 함수를 사용하여 최적화합니다.

B. 오픈셋 인식 (Open-Set Recognition)

• 메커니즘: 알려진 클래스의 임베딩을 가우시안 분포 (평균 벡터 $\mu_k$, 공분산 행렬 $\Sigma_k$) 로 모델링합니다.
• 판단 기준: 마할라노비스 거리 (Mahalanobis Distance) 를 계산하여 알려진 클래스 분포와의 거리를 측정합니다.
• 임계값: 3 시그마 규칙 (Three-sigma rule) 을 적용하여 각 클래스별 수용 영역을 정의합니다. 거리가 임계값을 초과하면 해당 샘플은 '미지 (Unknown)'로 판정되어 클러스터링을 위한 후보 풀 (Candidate Pool) 로 이동합니다.

C. 신규 클래스 발견을 위한 클러스터링 (Novel Class Discovery via Clustering)

• 과정: OSR 에 의해 거부된 미지 샘플들을 비지도 학습 방식으로 클러스터링합니다.
• 모델 선택: K-Means 와 가우시안 혼합 모델 (GMM) 을 모두 실행한 후, 복합 유효성 점수 (Composite Validity Score) 를 기준으로 최적 모델을 선택합니다.
  • 점수 구성: 실루엣 계수 (Silhouette), Calinski-Harabasz, Davies-Bouldin, 설명 분산 등을 가중치하여 통합합니다.
  • 차원 축소: 차원이 64 를 초과할 경우 PCA 를 적용하여 계산 효율성을 높입니다.
• 필터링: 순도 (Purity) 와 크기 조건을 만족하는 클러스터만 새로운 UAV 클래스로 채택합니다.

D. 경량화 점진적 학습 (Lightweight Incremental Learning)

• 목표: 새로운 클래스를 통합하면서도 기존 클래스의 성능 저하 (Catastrophic Forgetting) 를 방지합니다.
• 메커니즘:
  • 메모리 바운드 리플레이 (Memory-bounded Replay): 이전 클래스의 대표 샘플을 제한된 메모리 ($M_{max}$) 에 저장합니다.
  • 학습: 새로운 클래스와 리플레이된 기존 클래스 샘플을 혼합하여 미니배치를 구성하고, 분류기를 업데이트합니다.
  • 효율성: 전체 모델을 처음부터 재학습 (Retraining) 하지 않고, 선택적인 리플레이만으로도 지식을 유지하며 새로운 지식을 습득합니다.

3. 주요 기여 (Key Contributions)

1. 통합 학습 프레임워크: RF 기반 UAV 인식을 위해 오픈셋 탐지, 클러스터링 기반 신규 클래스 발견, 점진적 학습을 단일 확장 가능한 파이프라인으로 통합했습니다.
2. 강건한 클러스터링 전략: 잡음이 많은 RF 환경에서 신뢰할 수 있는 신규 클래스 발견을 위해 복합 유효성 지표와 자동 모델 차수 선택 (K-Means vs GMM) 을 도입했습니다.
3. 메모리 효율적 점진 학습: 제한된 저장 공간에서 재학습을 최소화하고, 경량화된 리플레이 메커니즘을 통해 파멸적 망각 (Catastrophic Forgetting) 을 효과적으로 완화했습니다.

4. 실험 결과 (Results)

• 데이터셋: 24 개 클래스 (18 개 알려진 클래스, 6 개 미지 클래스) 로 구성된 실제 세계 UAV RF 데이터셋을 사용했습니다.
• 오픈셋 인식 성능: 마할라노비스 거리 기반 결정 경계가 미지 UAV 신호를 정확하게 탐지하고 거부하여, 알려진 클래스에 대한 오분류를 방지했습니다.
• 클러스터링 성능:
  • 제안된 복합 선택 전략은 K-Means 와 GMM 중 K-Means 를 최적 모델로 자동 선택했습니다.
  • t-SNE 시각화 결과, 예측된 클러스터와 실제 미지 클래스 간의 높은 일치도를 보였으며 (순도 0.921), 신호의 시맨틱 관계를 잘 보존함을 확인했습니다.
• 점진적 학습 성능:
  • 리플레이 없음 (Old_max=0): 기존 클래스 정확도가 0% 로 하락하여 파멸적 망각이 발생했습니다.
  • 소규모 리플레이 (Old_max=5): 기존 클래스 정확도가 100% 로 회복되었고, 새로운 클래스 정확도도 98.1% 를 유지했습니다.
  • 결론: 매우 적은 수의 대표 샘플만으로도 학습의 안정성을 확보할 수 있음을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 이 연구는 실제 공역 환경에서 끊임없이 등장하는 새로운 드론 유형을 자동으로 식별하고 시스템에 통합할 수 있는 실시간, 확장 가능한 솔루션을 제공합니다.
• 기술적 진전: 기존의 닫힌 세트 가정을 탈피하여, 오픈 월드 (Open-World) 환경에서도 작동하는 RF 신호 지능 (RF Signal Intelligence) 의 새로운 패러다임을 제시했습니다.
• 미래 전망: 향후 연구에서는 채널 조건 변화에 대한 도메인 불변 특징 추출, 임베디드 RF 수신기에서의 실시간 배포, 그리고 분산 UAV 모니터링 노드를 위한 연합 점진 학습 (Federated Incremental Learning) 등을 탐구할 계획입니다.

이 논문은 제한된 자원 하에서도 UAV 위협을 지속적으로 감시하고 대응할 수 있는 생애 주기 학습 (Lifelong Learning) 시스템의 가능성을 입증했다는 점에서 의의가 큽니다.