Explainable and Hardware-Efficient Jamming Detection for 5G Networks Using the Convolutional Tsetlin Machine

Dit artikel presenteert een uitlegbare en hardware-efficiënte aanpak voor jamming-detectie in 5G-netwerken met behulp van de Convolutional Tsetlin Machine, die op een realistisch testbed vergelijkbare prestaties levert als een CNN maar aanzienlijk sneller traint en minder geheugen vereist, waardoor het ideaal is voor implementatie op randapparatuur.

De kern

Stel je voor dat het 5G-netwerk een drukke, moderne snelweg is waarop auto's (jouw data) razendsnel reizen. Om deze snelweg veilig te houden, hebben we bewakingscamera's nodig die zien of er iemand probeert de weg te blokkeren met een verkeersopstopping (een 'jamming'-aanval).

Deze wetenschappelijke paper onderzoekt twee manieren om die bewakingscamera's te bouwen. Het ene model is een super-intelligente, maar zware robot (een CNN), en het andere is een slimme, lichte en uitlegbare robot (de CTM).

Hier is wat de auteurs hebben ontdekt, vertaald naar alledaags taal:

1. Het Probleem: De Onzichtbare Blokkade

In 5G-netwerken zijn er speciale, ritmische signalen (zoals een fluitje dat elke seconde blaast) die helpen om de verbinding te houden. Jammers (aanvallers) proberen dit fluitje te verstoren met ruis.

• Het oude probleem: Traditionele systemen kijken vaak pas naar de verkeersdrukte nadat de auto's al vastzitten. Als de jammer slim is en zachtjes fluistert, merken de oude systemen niets.
• De oplossing: De auteurs kijken direct naar het 'fluitje' zelf (het SSB-signaal) om te zien of het geluid verstoord is.

2. De Twee Robots: De Zware Tank vs. De Slimme Fiets

De paper vergelijkt twee soorten kunstmatige intelligentie (AI) om deze verstoringen te detecteren:

A. De CNN (De Zware Tank)

Dit is een Convolutional Neural Network.

• Hoe het werkt: Het is als een enorm, zwaar brein dat miljoenen details tegelijk bekijkt. Het is heel goed in het herkennen van patronen, net als een ervaren detective die duizenden moordzaken heeft opgelost.
• Sterke punten: Het is extreem nauwkeurig (96,8% goed).
• Zwakke punten: Het is zwaar, traag om te trainen (het duurt lang om te leren) en verbruikt veel energie en geheugen. Het is alsof je een tank inzet om een muis te vangen: het werkt, maar het is onnodig zwaar en duur.

B. De CTM (De Slimme Fiets)

Dit is de Convolutional Tsetlin Machine.

• Hoe het werkt: In plaats van te rekenen met complexe getallen, gebruikt deze machine booleaanse logica (ja/nee, 0/1). Het werkt met simpele regels, zoals: "Als er een piek is op plek X EN er is geen ruis op plek Y, DAN is het een aanval."
• Sterke punten:
  • Snel leren: Het leert 9,5 keer sneller dan de zware tank.
  • Lichtgewicht: Het heeft 14 keer minder geheugen nodig. Je kunt het dus op een klein chipje (zoals in een slimme horloge of een verkeerslicht) zetten.
  • Uitlegbaar: Je kunt precies zien waarom de machine een beslissing nam. Het zegt niet "ik heb een gevoel", maar "ik heb gezien dat X en Y kloppen".
• Zwakke punten: Het is iets minder nauwkeurig dan de zware tank (91,5% goed), maar voor de meeste situaties is dat meer dan goed genoeg.

3. De Vergelijking in het Lab

De auteurs hebben beide robots getest op echte 5G-signalen die ze in een laboratorium hebben gegenereerd (met een nep-jammer).

• De Zware Tank (CNN): Haalde de hoogste score, maar kostte uren om te trainen en had een enorme hoeveelheid geheugen nodig.
• De Slimme Fiets (CTM): Haalde een bijna even goede score, maar trainde in een flits en paste op een heel klein geheugendeel.

4. Waarom is dit belangrijk? (De "Hardware" Deel)

De paper gaat ook over hoe je dit op een FPGA (een programmeerbare computerchip) kunt zetten.

• Omdat de CTM werkt met simpele ja/nee-regels, is het perfect voor deze chips. Het is alsof je een machine bouwt die alleen uit schakelaars bestaat, in plaats van een machine die complexe wiskunde moet doen.
• Dit betekent dat je in de toekomst slimme beveiliging in 5G-masten of slimme auto's kunt stoppen die:
  1. Weinig stroom verbruiken.
  2. Direct reageren (geen vertraging).
  3. Je precies kunnen vertellen waarom ze een aanval hebben gedetecteerd (belangrijk voor veiligheid).

Conclusie: Wat moeten we kiezen?

De auteurs zeggen het zo:

• Heb je een enorme computer en wil je 100% zekerheid en maximale snelheid? Kies dan de CNN (de zware tank).
• Moet je het systeem op een klein, energiezuinig apparaat zetten, wil je dat het snel leert en wil je weten waarom het een beslissing neemt? Kies dan de CTM (de slimme fiets).

Voor de toekomst van 5G, waar veiligheid en energie-efficiëntie cruciaal zijn, is de CTM een fantastische nieuwe optie. Het laat zien dat je niet altijd de zwaarste, duurste technologie nodig hebt om een probleem op te lossen; soms is een slimme, lichte oplossing juist beter.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Explainable and Hardware-Efficient Jamming Detection for 5G Networks Using the Convolutional Tsetlin Machine", vertaald en samengevat in het Nederlands.

Probleemstelling

Vijfde-generatie (5G) netwerken zijn afhankelijk van stabiele radiofrequentie (RF) omgevingen voor missiekritische diensten zoals mobiliteit, automatisering en verbonden intelligentie. Deze netwerken zijn echter kwetsbaar voor opzettelijke interferentie, oftewel "jamming". Traditionele detectiemethoden op het link-layer niveau (zoals prestatietellers) falen vaak bij het opsporen van lage-energie jamming of dynamische aanvallen die de kanalen uitbuiten om onopgemerkt te blijven.

Bestaande oplossingen voor jamming-detectie maken vaak gebruik van diepe neurale netwerken (DNN's) of complexe modellen. Deze hebben echter grote nadelen voor implementatie op de "edge" (zoals IoT-apparaten of voertuigen):

1. Hoge resource-eisen: Grote geheugenfootprint en hoge trainingskosten.
2. Gebrek aan transparantie: DNN's zijn "black boxes", wat interpretatie van beslissingen bemoeilijkt.
3. Hardware-inefficiëntie: Ze zijn vaak niet optimaal geschikt voor deterministische, lage-energie FPGA-implementaties.

Methodologie

De auteurs stellen een nieuwe aanpak voor die gebruikmaakt van de Convolutional Tsetlin Machine (CTM) voor jamming-detectie, direct gebaseerd op kenmerken van de 5G Synchronization Signal Block (SSB).

1. Data-Verwerking:

   • Het systeem gebruikt de Primary Synchronization Signal (PSS) binnen de SSB, een deterministisch en frequent verzonden signaal dat essentieel is voor celzoeken en synchronisatie.
   • Ruwe IQ-samples worden verzameld via een spectrum-analyzer (ThinkRF RTSA R5500) in een real-world 5G testbed (Telus n71 band).
   • Er wordt synchronisatie uitgevoerd (carrier frequency offset en time offset compensatie) en het PSS-symbool wordt geëxtraheerd.
   • De data wordt omgezet in tijd-frequentie spectrogrammen (via FFT) en vervolgens gebinariseerd (omgezet naar booleaanse waarden) met behulp van methoden zoals "Enhanced Otsu". Dit is cruciaal omdat de CTM werkt met logische regels over binaire invoer.

2. Het CTM Model:

   • De CTM is een machine learning-model dat gebaseerd is op propositionele logica en Tsetlin-automata.
   • In plaats van gewogen sommen (zoals bij DNN's), leert de CTM verzamelingen van booleaanse clausules (regels) over de binaire invoer.
   • Door de convolutieve extensie (CTM) worden de invoerdata in "patches" verwerkt, wat het model in staat stelt lokale patronen in het spectrogram te herkennen.
   • Het model leert regels zoals: "Als frequentie X en tijd Y aanwezig zijn, dan is er jamming". Dit maakt het model uitlegbaar (explainable).

3. Vergelijkingsmodel (Baseline):

   • Voor benchmarking is een conventionele Convolutional Neural Network (CNN) getraind op dezelfde data en pre-processing pipeline. De CNN heeft een architectuur met vier convolutieblokken en dense lagen.

Belangrijkste Bijdragen

1. Robuust CTM-framework: Ontwikkeling van een jamming-detectiesysteem dat direct werkt op over-the-air 5G-signaalkenmerken zonder afhankelijkheid van hogere-laag KPI's. Het is volledig uitlegbaar en hardware-efficiënt.
2. Benchmarking tegen CNN: Een eerlijke vergelijking tussen CTM en CNN op dezelfde dataset. Hoewel de CNN iets nauwkeuriger is, overtreft de CTM deze aanzienlijk in trainingsnelheid en geheugenefficiëntie.
3. FPGA-projecties: Het artikel biedt gedetailleerde projecties voor de implementatie van het CTM-model op een Zybo Z7 (Zynq-7000) FPGA-kaart. Er worden drie deployment-profielen gedefinieerd (geoptimaliseerd voor vermogen, latentie en nauwkeurigheid) om de haalbaarheid voor edge-deployments te tonen.

Resultaten

De experimenten zijn uitgevoerd op een Mac M1 Pro en de resultaten tonen de volgende trade-offs:

• Nauwkeurigheid:

  • CNN: 96,83% ± 1,19
  • CTM: 91,53% ± 1,01
  • Conclusie: De CNN is iets nauwkeuriger, maar de CTM behaalt een zeer competitieve prestatie.

• Trainingskosten:

  • De CTM is 9,5 keer sneller in training dan de CNN (44,4 seconden vs. 3205 seconden).
  • Dit maakt CTM ideaal voor scenario's waar frequente hertraining nodig is (bijv. bij veranderende omstandigheden).

• Geheugenfootprint:

  • De CTM vereist 14 keer minder geheugen (45 MB vs. 624 MB voor de CNN). Dit is cruciaal voor beperkte embedded systemen.

• Inferentie en Hardware:

  • De CNN is sneller in inferentie op deze specifieke hardware, maar de CTM is ontworpen voor deterministische, bit-gebaseerde logica die perfect aansluit bij FPGA-architecturen (LUTs en BRAM).
  • FPGA-projectie: Op een Zybo Z7 wordt geschat dat de CTM binnen een bescheiden LUT-bereik past (7.7k tot 48k LUTs afhankelijk van het profiel) en een doorvoer van 1.0k tot 4.6k samples per seconde kan leveren bij 100 MHz.

• Interpreteerbaarheid:

  • Visualisaties tonen aan dat de CNN zich richt op specifieke delen van het spectrogram, terwijl de CTM gebruikmaakt van logische regels over lagere frequentiebanden en volledige tijdsblokken om "pure" signalen te onderscheiden van "jamming". Dit biedt inzicht in waarom een beslissing wordt genomen.

Betekenis en Conclusie

Dit artikel demonstreert dat Explainable AI (XAI) en hardware-efficiëntie niet noodzakelijk ten koste gaan van prestaties in kritieke 5G-toepassingen.

• Voor Edge-Deployments: De CTM is een superieur alternatief voor DNN's wanneer beperkingen op geheugen, stroomverbruik en trainingskosten leidend zijn, en wanneer uitlegbaarheid vereist is voor veiligheidskritieke systemen.
• Voor High-Performance Computing: Als maximale nauwkeurigheid en piek-doorvoer op krachtige hardware de prioriteit zijn, blijft de CNN de beste keuze.

De studie legt de basis voor B5G-systemen (Beyond 5G) door te tonen hoe logische, symbolische machine learning modellen (zoals CTM) kunnen worden ingezet voor real-time, veilige en resource-efficiënte RF-detectie op de edge.