⚡ electrical engineering

Behavior-Aware Multi-Objective Action Selection for Cognitive Radar against Cognitive ESM Threats

본 논문은 높은 보상과 행동의 규칙성 감소 사이의 균형을 맞추는 "Random Near-Best" 정책을 채택함으로써, 미션 성능과 표적 추정 품질을 최적화하는 동시에 인지적 ESM 위협에 대한 예측 가능성을 최소화하는 인지 레이더용 행동 인식 다목적 행동 선택 프레임워크를 제시한다.

원저자: abbas fadavi

게시일 2026-09-11

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: abbas fadavi

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전자기파의 보이지 않는 세계에서, 레이더 시스템과 그것을 찾아내도록 설계된 센서 사이에는 소리 없는 경쟁이 벌어지고 있습니다. 레이더는 에너지를 펄스 형태로 발사하고, 선박이나 항공기와 같은 표적으로부터 되돌아오는 희미한 메아리를 듣는 방식으로 작동합니다. 이 임무를 잘 수행하기 위해, 레이더는 기상 조건, 간섭 또는 표적의 움직임에 적응하여 실시간으로 신호를 변경할 수 있을 만큼 영리해야 합니다. 이것이 바로 환경으로부터 학습하여 더 나은 결정을 내리는 시스템인 인지 레이더(cognitive radar)의 영역입니다. 하지만 문제가 하나 있습니다. 레이더가 말을 할 때마다, 전자 지원 대책(ESM)이라고 알려진 적의 청취 장치에 의해 들킬 위험이 있다는 점입니다. 이러한 장치들은 하늘을 스캔하며 레이더 전송의 고유한 특징을 찾아내어 위치와 정체를 식양합니다. 전통적으로 엔지니어들은 레이더의 신호를 약하게 만들거나 탐지하기 어렵게 만들어 숨기려 노력해 왔는데, 이를 저탐지 확률(low probability of intercept) 전략이라고 부릅니다. 그러나 새로운 종류의 위협이 등장했습니다. 바로 인지 ESM입니다. 특정 신호만을 찾는 기존의 센서와 달리, 이 지능형 시스템은 레이더를 지속적으로 관찰하며, 행동 패턴을 바탕으로 레이더의 습관을 학습하고 다음 움직임을 예측합니다.

이것이 바로 이슬람 아자드 대학교 세만나 캠퍼스의 연구진들이 해결하고자 했던 과제입니다. 그들은 어려운 질문을 던졌습니다. 어떻게 하면 레이더가 자신의 신호뿐만 아니라 행동 양식 자체까지 숨기면서도 임무를 효과적으로 수행할 수 있을 것인가? 만약 레이더가 주어진 상황에서 항상 최선의 신호만을 선택한다면, 너무 예측 가능해져서 똑똑한 적이 다음에 무엇을 할지 추측할 수 있게 될 것입니다. 연구진은 높은 성능과 예측 불가능성 유지 사이의 균치를 맞추는 새로운 방식의 행동 선택법을 개발했습니다. 그들은 레이더가 두 가지 주요 목표, 즉 표적을 얼마나 잘 추적할 수 있는지와 표준 센서에 의해 얼마나 탐지되기 어려운지를 기준으로 옵션을 평가하는 시스템을 만들었습니다. 하지만 여기에 세 번째 결정적인 층을 추가했습니다. 바로 스마트하고 학습 능력이 있는 적에게 레이더의 선택 순서가 얼마나 예측 가능하게 보일지를 측정한 것입니다.

이를 테스트하기 위해 연구팀은 레이더, 움직이는 표적, 그리고 각기 다른 고유한 능력과 탐지 방법을 가진 100개의 서로 다른 청취 장치들로 구성된 상세한 시뮬레이션을 구축했습니다. 연구진은 레이더의 '행동'을 네 가지 특정 설정, 즉 주파수 대역폭의 확산 정도, 펄스 송신 빈도, 연속 펄스 횟수, 그리고 사용하는 파형의 형태로 정의했습니다. 시뮬레이션에서 레이더는 이 설정들의 2,400가지 가능한 조합 중에서 선택해야 했습니다. 연구진은 먼저 컴퓨터 모델이 수천 번의 시뮬레이션 시나리오에서 수집된 데이터를 사용하여, 어떤 행동이 임무에 가장 적합할지 예측하도록 학습시켰습니다. 이 모델은 레이더 펄스의 즉각적인 결과(예: 에코의 명확도 및 배경 잡음 수준)를 살펴보고, 그 선택이 추적과 스텔스 측면에서 얼마나 좋은 선택인지 추정하는 법을 배웠습니다.

그들의 발견의 핵심은 레이더가 실제로 다음 움직임을 선택하는 방식에 있습니다. 가장 뻔한 전략은 컴퓨터 모델이 예측한 가장 좋은 행동 하나만을 항상 선택하는 것입니다. 그러나 연구진은 이를 반복할 경우 인지 능력을 갖춘 적이 쉽게 학습하고 이용할 수 있는 경직된 패턴이 생성된다는 것을 발견했습니다. 반대로 완전히 무작위로 행동을 선택하면 예측은 불가능해지지만, 표적을 추적하는 성능이 떨어지는 경우가 많습니다. 연구팀은 "랜덤 니어 베스트(Random Near-Best, 무작위 근접 최적)"라고 부르는 중간 경로를 제안했습니다. 이 방식에서 레이더는 먼저 성능이 좋을 것으로 예측되는 상위 6개의 행동을 식별합니다. 단 하나의 최선책을 고르는 대신, 그 6개 중 하나를 무작위로 선택하는 것입니다. 이 간단한 변화는 레이더가 임무 수행 능력을 높게 유지하면서도, 지능적인 관찰자를 혼란스럽게 할 만큼 충분한 다양성을 도입합니다.

시뮬레이션 결과, 이 접근 방식은 놀라울 정도로 효과적이었습니다. 레이더가 예측된 단 하나의 최선 행동만을 선택했을 때는 높은 임무 수행도를 달갔지만, 그 행동이 너무 규칙적이어서 인지적 적이 거의 완벽하게 모델링할 수 있었습니다. 반면 레이더가 완전히 무작위로 행동을 선택했을 때는 예측하기는 매우 어려웠으나 임무 수행도가 크게 떨어졌습니다. "랜덤 니어 베스트" 전략은 절묘한 균형을 맞추었습니다. 이 전략은 최고 성능의 94%를 유지하면서도, 레이더의 행동을 무작위 전략만큼이나 예측하기 어렵게 만들었습니다. 테스트 결과, 이 새로운 방법은 레이더의 임무 수행 능력을 희생하지 않으면서도 인지적 적이 이용할 수 있는 행동의 규칙성을 크게 줄였습니다.

연구진은 또한 이러한 행동적 스텔스를 측정하는 방법도 개발했습니다. 그들은 고급 신경망과 통계 도구를 포함한 네 가지 서로 다른 수학적 모델을 사용하여 레이더 방출의 순서를 분석했습니다. 이 모델들은 레이더가 일정한 루틴에 빠져 있는지 확인하기 위해 신호의 타이밍과 구조의 패턴을 조사했습니다. 연구진은 "랜덤 니어 베스트" 정책이 이러한 패턴을 성공적으로 깨뜨려, 레이더의 행동을 유동적이고 예측 불가능하게 유지한다는 것을 발견했습니다. 이 연구는 현대의 레이더가 똑똑하고 학습하는 적들 사이에서 살아남기 위해서는 단순히 단일 신호의 품질에만 집중해서는 안 된다는 점을 시사합니다. 레이더는 자신의 전체 행동 순서의 리듬과 다양성까지 고려하여, 최상의 성능을 발휘하는 순간에도 자신의 행동이 읽히기 쉬운 상태가 되지 않도록 해야 합니다.

기술 요약: 인지 레이더를 위한 행동 인식 다목적 행동 선택

문제 정의
인지 레이더는 임무 성능을 최적화하기 위해 운용 파라미터(대역폭, PRI, 펄스 수, 파형 모드)를 적응시킨다. 그러나 전통적인 행동 선택 전략은 종종 표적 상태 추정 품질(TSEQ) 및 저탐지 확률(LPI)과 같은 즉각적인 지표의 극대화에만 집중한다. 본 논문은 결정적인 취약점을 식별한다: 가장 높은 성능을 보이는 행동을 반복적으로 선택하면 방사 동작(emission behavior)에 시간적 규칙성이 생성될 수 있다는 점이다. 인지 전자 지원 측정(ESM) 시스템은 이러한 패턴을 악용하여 레이더의 행동을 모델링하고 예측함으로써 레이더의 은밀성을 해칠 수 있다. 핵심 과제는 높은 임무 성능을 유지하면서도, 인지 ESM이 악용할 수 있는 행동 예측 가능성을 최소화하는 행동을 선택하는 것이다.

방법론
제안된 프레임워크는 두 가지 시간 척도에서 작동한다: 행동 수준(개별 결정 단계) 및 시퀀스/정책 수준(시간에 따른 행동 패턴).

행동 공간 및 시뮬레이션:
- 행동 공간은 네 가지 파라미터(대역폭 20–50 MHz, PRI 10–100 µs, 펄스 수 128–2048, 12가지 파형 모드)의 2,400가지 조합으로 구성된다.
- 시뮬레이션 환경은 표적 역학, 다중 경로, 클러터, 재밍 및 노이즈가 포함된 레이더 응답을 생성한다.
- 오프라인 학습: 시스템은 "진정한(true)" 임무 보상이 지면 진실(ground-truth) 표적 상태와 100개의 이질적인 ESM 수신기 집단에 의해 계산되는 데이터셋을 생성한다.
- 온라인 운용: 레이더는 지면 진실이나 외부 수신기 데이터에 접근할 수 없다. 대신, 수신된 에코로부터 11개의 측정 가능한 특징(예: SINR, 도플러 확산, 스펙트럼 엔트로피)을 추출하여 성능을 추정한다.
지표 및 보상 구성:
- 임무 보상 ( $R_{Mission}$ ): 두 가지 외부 지표를 결합한 Maximin 기준을 사용하여 행동 수준에서 정의된다:
  - $M_{TSEQ}$ : 표적 상태 추정 품질 (거리/속도 추정 오차 기반).
  - $M_{LPI}$ : 전통적인 LPI 성능 (100개의 수신기 집단 중 방사 신호를 탐지하지 못한 비율 기반).
- 특징-보상 매핑: 관측 가능한 11개 특징으로부터 $R_{Mission}$ 을 예측하기 위해 아핀 최소제곱 매핑(affine least-squares mapping)이 오프라인에서 학습되며, 이를 통해 운영 중 지면 진실 없이도 온라인 의사결정이 가능하다.
- 행동 은밀성 지표 ( $M_{CESM}$ ): 시퀀스 수준(10회의 연속 관측 기간 동안)에서 정의된다. 이 지표는 네 가지 모델(Inverse-Std Baseline, Markov Model, LSTM, GRU)을 사용하여 방사 시퀀스의 시간적 규칙성을 평가한다. 이 모델들은 첨도(Kurtosis), 스펙트럼 엔트로피, 크레스트 팩터(Crest Factor)와 같은 특징들을 분석한다. 출력값은 두 가지 참조 모델(Random Action 및 Best-Predicted Action)에 대해 정규화되어, 값이 높을수록 예측 가능성이 낮음을 나타내는 복합 점수를 형성한다.
행동 선택 전략:
- 행동 선택기: 여러 머신러닝 방법(kNN, Random Forest, Direct Regression)이 비교되었다. **부스팅 결정 트리(BDT)**가 높은 평균 성능 비율(0.96)과 견고한 최소 성능 덕분에 주요 선택기로 선정되었다.
- 평가된 정책:
  - Random Action (무작위 행동): 행동을 균등하게 무작위로 선택한다 (높은 다양성, 낮은 성능).
  - Best-Predicted Action (최적 예측 행동): BDT에서 가장 높은 순위를 받은 단일 행동을 선택한다 (높은 성능, 높은 규칙성).
  - Random Near-Best (무작위 근접 최적 행동): 제안된 전략. BDT를 통해 행동 순위를 매긴 후 상위 $K$ 개의 후보 중 하나를 무작위로 선택한다.

주요 기여

삼중 목적 프레임 framework: 행동 수준과 시퀀스 수준의 목적을 구분하여 TSEQ, 전통적 LPI, 그리고 행동 은밀성을 동시에 최적화하는 인지 레이더 프레임워크를 정립하였다.
이질적 LPI 평가: 단일 수신기 모델이 아닌, 다양한 탐지 메커니즘(에너지, 감도, 스펙트럼 밀도 등)을 가진 100개의 이질적인 ESM 수신기 집단을 사용하여 LPI 모델을 개발하였다.
행동 은밀성 지표 ( $M_{CESM}$ ): 여러 행동 모델(Markov, LSTM, GRU, Inverse-Std)의 출력을 참조 정책에 대해 정규화하여 예측 가능성을 정량화하는 복합 지표를 정의하였다.
Random Near-Best 전략: 고성능 후보군( $K=6$ ) 내에서 무작위 선택을 제한함으로써 임무 성능과 행동 다양성의 균형을 맞추는 정책을 도입하였다.
오프라인-온라인 매핑: 관측 가능한 특징만을 사용하여 임무 보상을 온라인으로 추정하는 방법을 입증함으로써, 운용 중 지면 진실이나 외부 수신기 데이터 없이도 의사결정이 가능함을 보여주었다.

결과

특징-보상 매핑: 선형 매핑은 관측 가능한 특징으로부터 임무 보상을 추정하는 데 있어 약 8%의 평균 절대 상대 오차를 달set하였다.
행동 선택기 성능: 부스팅 결정 트리는 오라클 최적 행동 대비 0.96의 평균 성능 비율과 0.85의 최소 비율을 달성하여, 다른 표준 방식들보다 안정성 면에서 우수한 성능을 보였다.
정책 비교 (K=6):
- Best-Predicted Action: 0.96의 비율을 달성했으나 $M_{CESM}$ 은 ~0.00이었다 (매우 규칙적/예측 가능함).
- Random Action: 0.87의 비율을 달성했으나 $M_{CESM}$ 은 1.00이었다 (매우 다양함/예측 불가능함).
- Random Near-Best: 0.94의 비율(Best-Predicted 대비 단 0.02 감소)과 0.98의 $M_{CESM}$ (Random Action의 다양성에 근접)을 달성하였다.
파라미터 민감도: 집합 크기 $K$ 를 1에서 6으로 늘리면 임무 성능의 미미한 감소(0.96에서 0.94로)와 함께 $M_{CESM}$ 이 크게 향상(0.00에서 0.98로)되었다. $K=7$ 로 더 늘려도 유의미한 이득은 없었다.

의의 및 주장
본 논문은 인지 레이더의 행동 선택이 개별 행동의 보상을 극대화하는 데에만 집중해서는 안 된다는 것을 성공적으로 입증하였다. Random Near-Best 전략을 채택함으로써, 레이더는 주요 임무 목표를 저해하지 않으면서도 인지 ESM 시스템이 행동 모델링에 사용하는 시간적 규칙성을 획기적으로 줄일 수 있다. 연구는 임무 성능과 행동 은밀성 사이의 트레이드오프가 관리 가능하다는 점을 강조한다. 즉, 절대적인 "최적" 행동을 선택하는 빈도를 약간 줄이는 것만으로도, 레이더의 기본 임무를 훼손하지 않으면서 행동 예측 불가능성을 대폭 높일 수 있다. 본 연구는 고도화된 인지 위협에 대응하기 위해 행동 선택 정책을 행동 수준뿐만 아니라 시퀀스 수준에서도 평가해야 할 필요성을 강조한다.

유사한 논문