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

Dit artikel presenteert Open-RFNet, een framework voor open-set herkenning van UAV's via radiofrequentiesignalen dat multi-domein toezicht combineert met een verbeterde generatieve OpenMax-algoritme om zowel bekende als onbekende drones in LA-ISAC-netwerken effectief te identificeren.

De kern

🚁 De "Onzichtbare" Dronedetectie: Hoe een AI leert wie er vliegt (en wie niet)

Stel je voor dat je in een drukke stad woont. Overal vliegen er drones: sommige zijn van de postdienst, andere van je buurman die een foto maakt, en weer anderen zijn illegale drones die misschien spioneren of gevaarlijk zijn.

Het probleem? De politie of beveiliging weet niet altijd wie er vliegt. En nog belangrijker: ze weten niet eens of er een onbekende drone is die ze nog nooit hebben gezien.

Dit artikel beschrijft een slimme nieuwe manier om dit op te lossen, met een systeem genaamd Open-RFNet. Hier is hoe het werkt, vertaald naar begrijpelijke termen:

1. Het Luisteren naar de "Radio-geur" 📻

Drones zijn niet alleen zichtbaar; ze zenden ook radio-signalen uit (zoals wifi of besturingssignalen). Elke drone heeft een unieke "radio-geur" of vingerafdruk.

• Het oude probleem: Als je een drone ziet, kun je vaak zeggen "Dat is een DJI". Maar als er een drone is die je nog nooit hebt gezien, denkt een oude computer vaak: "Oh, dit moet wel een DJI zijn" (en dat is fout).
• De oplossing: De onderzoekers hebben een systeem gebouwd dat niet alleen kijkt naar wat de drone is, maar ook leert om te zeggen: "Hé, dit is een drone die ik niet ken!"

2. Twee Ogen in plaats van Eén 👀

Om de drones goed te herkennen, gebruikt het systeem twee verschillende "brillen" tegelijk:

• Bril 1 (De Textuur): Dit kijkt naar de details van het signaal, zoals de vorm en de randen. Dit is als kijken naar de stijl van een auto (is het een sportwagen of een bestelbus?). Dit helpt om ruis en storingen te negeren.
• Bril 2 (De Positie): Dit kijkt naar waar het signaal in de tijd en frequentie zit. Dit is als kijken naar waar de auto rijdt en hoe snel hij accelereert. Dit helpt om het verschil te zien tussen bekende en onbekende drones.

Het systeem knipt deze twee beelden samen tot één superieure foto van de drone.

3. De "Spiegelzaal" voor Training (Supervised Contrastive Learning) 🪞

Stel je voor dat je een groep mensen in een zaal zet.

• Oude methode: De trainer zegt: "Jij bent groep A, jij bent groep B." Maar als er iemand binnenkomt die op niemand lijkt, wordt die per ongeluk in groep A gezet.
• Nieuwe methode (Contrastive Learning): De trainer zegt: "Jullie die op elkaar lijken, moeten dicht bij elkaar staan. Jullie die verschillen, moeten ver uit elkaar staan."
  Hierdoor vormen de bekende drones strakke groepjes, en blijft er een grote lege ruimte over voor de onbekende drones. Als er een nieuwe drone binnenkomt, valt die niet in een groepje, maar in de lege ruimte. Dan weet het systeem: "Dit is een onbekende!"

4. De Slimme "Gokker" (IG-OpenMax) 🎲

Dit is het meest creatieve deel. Hoe leer je een computer om onbekende dingen te herkennen als je die onbekende dingen in je training niet hebt?

• De truc: Het systeem gebruikt een "falsmaker" (een Generative AI). Deze maakt nep-drones die lijken op de echte onbekende drones.
• De slimme stap: In plaats van het hele systeem opnieuw te leren (wat de kennis zou verpesten), bevriest het systeem de "oogballen" (de feature extractor) en leert alleen de "hersenen" (de classifier) om met deze nep-drones om te gaan.
• Het resultaat: Het systeem leert precies waar de grens ligt tussen "bekend" en "onbekend", zonder dat het vergeet hoe de bekende drones eruitzien.

5. De Resultaten: Een Winst voor de Veiligheid 🏆

Het systeem is getest met een enorme database van 25 verschillende drone-types.

• Bekende drones: Het herkent ze met 95% nauwkeurigheid.
• Onbekende drones: Het herkent ze met 96% nauwkeurigheid als "onbekend".
• Het grote verschil: Oude systemen waren vaak goed in het ene, maar slecht in het andere. Dit nieuwe systeem is even goed in beide. Het is als een bewaker die perfect weet wie zijn collega's zijn, maar ook direct schreeuwt als er een onbekende binnenkomt, zonder dat hij zijn collega's vergeten is.

Conclusie

Dit onderzoek is als het bouwen van een slimme, onuitputtelijke bewaker voor de lucht. Hij luistert naar de radio-geur van drones, gebruikt twee soorten "brillen" om ze te analyseren, en heeft een slimme truc bedacht om te leren wat "onbekend" is zonder zijn geheugen te verliezen. Dit maakt onze luchtruimten veiliger tegen illegale drones, zelfs als die drones nog nooit eerder zijn gezien.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Multi-Domain Supervised Contrastive Learning for UAV Radio-Frequency Open-Set Recognition" in het Nederlands.

Titel: Multi-Domein Supervised Contrastive Learning voor Open-Set Herkenning van UAV's via Radiosignalen

1. Probleemstelling

Met de snelle proliferatie van onbemande luchtvaartuigen (UAV's) en de ontwikkeling van 5G-Advanced (5G-A) netwerken, vormen niet-coöperatieve en ongeautoriseerde UAV's een ernstige veiligheidsdreiging voor Low Altitude Integrated Sensing and Communication (LA-ISAC) netwerken.

• Beperkingen van bestaande methoden: Traditionele overvliegbewaking (visueel, akoestisch, radar) heeft beperkingen zoals gevoeligheid voor weersomstandigheden of gebrek aan privacy. RF-herkenning is robuust, maar bestaande deep learning-methoden kampen met twee grote problemen:
  1. Niet-stationaire signalen: UAV-signalen ondergaan frequentie-hopping en zijn niet-stationair, wat de classificatie bemoeilijkt.
  2. Closed-set vs. Open-set: De meeste modellen zijn getraind als "closed-set" (alleen bekende klassen). In de praktijk komen echter vaak onbekende of gewijzigde UAV-types voor. Bestaande "open-set" methoden verbeteren de detectie van onbekende objecten vaak ten koste van de nauwkeurigheid voor bekende objecten.

Het doel van dit onderzoek is een systeem te ontwikkelen dat zowel bekende UAV-types nauwkeurig kan classificeren als onbekende, invasieve UAV's effectief kan detecteren, zonder de prestaties op bekende klassen te verstoren.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor genaamd Open-RFNet, gebaseerd op Multi-Domain Supervised Contrastive Learning (MD-SupContrast) en een verbeterde IG-OpenMax algoritme.

A. Data Preprocessing en Feature Extractie

• Signaalverwerking: De ontvangen I/Q-signalen worden ontdaan van ruis (denoising) en omgezet naar tijds-frequentie representaties via de Short-Time Fourier Transform (STFT).
• Multi-Domein Feature Extractie: In plaats van alleen te vertrouwen op één type feature, worden twee domeinen gecombineerd:
  1. Textuur-features: Geëxtraheerd met ResNet-18. Deze focussen op lokale geometrische kenmerken (zoals randen en amplitudeverdeling) om de impact van niet-stationaire signalen te mitigeren.
  2. Positie-features (Tijd-Frequentie): Geëxtraheerd met een Transformer Encoder (TE). Deze module gebruikt self-attention mechanismen om globale posities en relatieve posities van signaalblokken in het tijd-frequentie domein te leren.
• Fusie: De features uit beide domeinen worden samengevoegd via meerdere niet-lineaire lagen (MNLs).

B. Supervised Contrastive Learning (SupContrast)

• Om de gefuseerde features te optimaliseren, wordt Supervised Contrastive Learning toegepast in plaats van de traditionele Cross-Entropy loss.
• Doel: Dit zorgt ervoor dat samples van dezelfde klasse dichter bij elkaar in het feature-ruimte worden gedrukt (intra-class consistentie), terwijl samples van verschillende klassen verder uit elkaar worden geduwd (inter-class scheiding). Dit lost het probleem van onbalans in feature-optimatie op en verbetert de robuustheid tegen ruis.

C. Open-Set Herkenning: IG-OpenMax
Om onbekende UAV's te detecteren, wordt een twee-staps Improved Generative OpenMax (IG-OpenMax) algoritme voorgesteld:

1. Generatie van Onbekende Samples: Een Generative Adversarial Network (WGAN-GP) genereert synthetische samples voor bekende klassen. Samples die door het model verkeerd worden geclassificeerd, worden gebruikt als proxy voor "onbekende" data.
2. Retraining Strategie (Kerninnovatie): In tegenstelling tot eerdere methoden (zoals G-OpenMax) die het hele netwerk opnieuw trainen, bevriest Open-RFNet de feature-extractie lagen. Alleen de classificatielaag wordt opnieuw getraind met de mix van echte en gegenereerde onbekende samples.
   • Reden: Dit behoudt de oorspronkelijke feature-ruimte, waardoor de gegenereerde samples de verdeling van echte onbekende UAV's beter benaderen in de grensgebieden van de feature-ruimte.
3. Weibull-calibratie: Een Weibull-verdeling wordt gebruikt om de activatievectoren te kalibreren en de waarschijnlijkheid van een "onbekende" klasse te berekenen, zonder een vaste drempelwaarde te gebruiken.

3. Belangrijkste Bijdragen

• MD-SupContrast Framework: Een nieuwe architectuur die textuur- en tijds-frequentie posities-features fuseert en optimaliseert via supervised contrastive learning, wat leidt tot robuustere representaties van RF-signalen.
• IG-OpenMax Algorithm: Een verbeterde open-set methode die de feature-extractie bevriest tijdens de tweede trainingsfase. Dit lost het probleem op van prestatieverlies op bekende klassen en zorgt voor een betere benadering van onbekende distributies.
• Open-RFNet Model: Een volledig werkend systeem dat zowel gesloten als open-set herkenning aankan met minimale extra rekentijd (slechts de classificatielaag wordt opnieuw getraind).

4. Resultaten

De methode is getest op de grote, open-source dataset DroneRFa (25 UAV-types, inclusief 20 bekende en 5 onbekende klassen).

• Nauwkeurigheid:
  • Closed-set (Bekende klassen): 95,12% nauwkeurigheid.
  • Open-set (Onbekende klassen): 96,08% nauwkeurigheid.
  • Prestatiekloof (GAP): Slechts 0,96% verschil tussen gesloten en open-set prestaties, wat aantoont dat de methode beide taken even goed uitvoert.
• Vergelijking: Open-RFNet presteert significant beter dan bestaande state-of-the-art methoden zoals S3R, UIOS, OpenMax en G-OpenMax. Vooral de S3R-methode had een hoge open-set detectie maar een lage nauwkeurigheid op bekende klassen (<91%), terwijl Open-RFNet beide hoog houdt.
• Ablatie-studies: De studies bevestigen dat zowel de Transformer-encoder als de supervised contrastive learning essentieel zijn; het gebruik van slechts één van beide resulteert in slechtere prestaties.
• Efficiëntie: De inferentiële latentie ligt in het milliseconde-bereik (ca. 54 ms voor het volledige model), wat voldoet aan real-time eisen voor UAV-bewaking.

5. Betekenis en Conclusie

Dit artikel biedt een aanzienlijke doorbraak in de beveiliging van LA-ISAC netwerken. De voorgestelde Open-RFNet lost het fundamentele dilemma op van open-set herkenning: het vermogen om onbekende bedreigingen te detecteren zonder de betrouwbaarheid op bekende systemen te verliezen.

De kern van het succes ligt in de combinatie van:

1. Het benutten van complementaire features (textuur + positie) via contrastive learning.
2. De slimme retraining-strategie (bevriezen van features) die de feature-ruimte intact houdt, waardoor gegenereerde data effectief kan worden gebruikt om de grenzen tussen bekende en onbekende klassen te verfijnen.

Dit maakt het systeem zeer geschikt voor praktische toepassingen in de strijd tegen illegale UAV-vluchten, waar de omgeving dynamisch is en onbekende apparaten voortdurend kunnen verschijnen.