Adaptive 5G Resource Allocation for Multistatic ISAC-Based UAV Detection and Tracking

Technische Samenvatting: Adaptieve 5G-resourceallocatie voor Multistatische ISAC-gebaseerde UAV-detectie en -tracking

Probleemstelling
De proliferatie van kleine Unmanned Aerial Vehicles (UAV's) heeft aanzienlijke beveiligingsrisico's gecreëerd nabij kritieke infrastructuur en beperkt luchtruim, wat robuuste detectie- en trackingcapaciteiten noodzakelijk maakt. Hoewel Integrated Sensing and Communications (ISAC) een pad biedt om bestaande 5G-netwerken te benutten voor surveillance, kampt de praktische implementatie met twee primaire uitdagingen:

1. Resourceconcurrentie: Sensing- en communicatiefuncties moeten concurreren om eindige radioreclources. Statische sensing-allocaties zijn inefficiënt onder tijdvariërende netwerkbelastingen, wat leidt tot ofwel verspilde middelen tijdens lage verkeersdrukte, ofwel gedegradeerde sensing-prestaties tijdens congestie.
2. Tracking-robuustheid: Het tracken van zeer wendbare UAV's met een lage Radar Cross Section (RCS) is moeilijk, vooral wanneer netwerkresources beperkt zijn. Single-modality systemen (bijv. monostatische radar) lijden vaak onder dekkingsgaten en lokalisatieonnauwkeurigheden in complexe omgevingen.

Methodologie
De auteurs stellen een load-aware, adaptief multistatisch ISAC-framework voor dat opereert over de 5G New Radio (NR) interface. De systeemarchitectuur integreert een actieve 5G gNB (die fungeert als een gecontroleerde illuminator) met een gedistribueerd netwerk van Software-Defined Sensor (SDS) nodes die fungeren als passieve ontvangers.

Kerncomponenten van de methodologie zijn:

• Adaptief Waveform Design: De gNB past dynamisch de lengte van de Zadoff-Chu (ZC) sensing-sequenties ($N_{ZC}$), de sensing transmissiesnelheid en de beam-allocatie aan op basis van de real-time netwerkbelasting ($\eta$) en de geobserveerde Signal-to-Noise Ratio (SNR). Langere sequenties bieden een hogere coherente verwerkingswinst en betere bereikresolutie, maar consumeren meer Physical Resource Blocks (PRBs).
• Shared-Resource Modeling: Een wiskundig model kwantificeert de afweging tussen communicatiedoorvoersnelheid (throughput) en sensing-overhead. Het systeem definieert vier resource-allocatiebeleid: fixed sensing-oriented, fixed communications-oriented, adaptive ISAC, en adaptive ISAC met Signal of Opportunity (SoO) assistentie.
• SoO-geassisteerde Multistatische Sensing: Wanneer netwerkresources te beperkt zijn om actieve 5G sensing-eisen te ondersteunen, maakt het framework gebruik van externe Signals of Opportunity (bijv. satelliet, FM-broadcast of andere cellulaire transmissies) via passieve SDS-nodes. Deze nodes vangen doelwitreflecties op zonder extra 5G-resources te consumeren.
• Prestatie-metrieken:
  • Detectie/Tracking: Geanalyseerd met de Marcum Q-functie voor detectiekans en een $M$-van-$N$ model voor tracking-continuïteit (het vereist $M$ succesvolle detecties uit $N$ mogelijkheden).
  • Lokalisatienauwkeurigheid: Geëvalueerd met de Cramér-Rao Lower Bound (CRLB) om monostatische (alleen gNB) versus multistatische (gNB + SDS) geometrieën te vergelijken.

Belangrijkste Bijdragen
Het artikel levert vier specifieke bijdragen aan het veld van 5G ISAC:

1. Load-Aware Resource Model: Ontwikkeling van een model dat de sensing-overhead kwantificeert als een functie van de ZC-waveform lengte, updatefrequentie en aantal beams onder gedeelde 5G-resources.
2. Trade-off Karakterisering: Demonstratie dat adaptieve waveform-schaling de 5G sensing in staat stelt om tracking-capaciteiten te behouden terwijl de prestaties geleidelijk degraderen naarmate de communicatiebelasting toeneemt, waardoor de rigide inefficiënties van vaste reserveringen worden vermeden.
3. SoO-geassisteerde Architectuur: Introductie van een gedistribueerde sensing-architectuur waarbij SDS-nodes externe SoO exploiteren om tracking-continuïteit te handhaven wanneer actieve 5G-resources schaars zijn, wat de tracking-uitval onder zware congestie aanzienlijk vermindert.
4. Multistatisch CRLB Framework: Een theoretische analyse die aantoont dat multistatische geometrieën de lokalisatienauwkeurigheid en ruimtelijke dekkingseigenschappen aanzienlijk verbeteren ten opzichte van monostatische sensing, met name bij het gebruik van langere waveforms en bredere bandbreedtes.

Resultaten
Simulatie-resultaten gebaseerd op een 5G NR FR1-systeem (3.5 GHz, 50 MHz bandbreedte) demonstreren het volgende:

• Throughput vs. Sensing: Adaptieve beleidsregels presteren beter dan fixed-reservation baselines. Terwijl fixed sensing-beleid de doorvoersnelheid begrenst (bijv. op 85% of 97% van de aangeboden belasting), volgt het adaptieve beleid de aangeboden belasting nauwgezet.
• Congestie-resistentie: Onder extreme congestie (genormaliseerde belasting $\eta \to 1.0$), behoudt het "Adaptive + SoO" beleid een doorvoersnelheid gelijk aan de aangeboden belasting terwijl het de tracking-uitvalwaarschijnlijkheid laag houdt. In tegen tegenstelling hiertoe ervaart het louter adaptieve beleid (zonder SoO) een snelle falen van de tracking naarmate resources naar communicatie worden weggeleid.
• Waveform Scaling: Het verhogen van de ZC-sequentielengte ($N_{ZC}$) van 71 naar 1291 verbetert de vereiste input-SNR voor een doelstelling van een tracking-uitvalwaarschijnlijkheid ($10^{-3}$) met ongeveer 12.6 dB, waardoor betrouwbare tracking mogelijk wordt in situaties met een lagere SNR.
• Lokalisatienauwkeurigheid: CRLB-analyse onthult dat multistatische sensing aanzienlijk beter presteert dan monostatische sensing. Voor een lange waveform ($N_{ZC}=1291$) daalt de gemiddelde Position Error Bound (PEB) voor multistatische sensing naar 0.85 m, terwijl monostatische sensing stagneert rond de ~6.9 m, wat de geometrische voordelen van gedistribueerde nodes onderstreept.

Betekenis
Het artikel stelt dat gecoördineerde adaptieve sensing in combinatie met gedistribueerde multistatische ondersteuning een praktisch pad vormt naar veerkrachtige UAV-surveillance in toekomstige draadloze netwerken. Door de sensing-resources dynamisch te schalen en gebruik te maken van passieve externe signalen, adresseert het voorgestelde framework de kritieke spanning tussen het handhaven van hoogwaardige communicatiediensten en het waarborgen van persistente, nauwkeurige UAV-tracking in gecongesteerde RF-omgevingen. Het werk valideert dat ISAC kan evolueren van statische resourcepartitionering naar een dynamisch, load-aware paradigma dat het volledige potentieel van bestaande en opportunistische draadloze infrastructuur benut.