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

本文提出了一种基于卷积田鼠机（CTM）的轻量级、可解释且硬件高效的 5G 网络干扰检测方案，该方案在真实 5G 测试床上验证了其性能，相比传统卷积神经网络（CNN）在保持相当检测精度的同时显著提升了训练速度并降低了内存占用，且具备在 FPGA 边缘设备上部署的潜力。

要点

这篇论文讲述了一个关于如何在 5G 网络中“抓坏蛋”（干扰信号）的聪明办法。

想象一下，5G 网络就像是一个繁忙的高速公路系统，而我们的手机就是上面的跑车。为了让跑车知道该往哪开、什么时候加速，高速公路必须每隔一段距离就发送一个标准的“路标”信号（在 5G 里叫 SSB，同步信号块）。

1. 问题：看不见的“路障”

有时候，会有坏人在路边搞破坏，他们发射一种干扰波（Jamming），试图让跑车看不清路标，导致交通瘫痪。

• 传统方法的困境：以前的检测方法就像是在检查“汽车引擎的故障灯”（高层数据）。如果坏人的干扰很微弱，或者很狡猾，故障灯可能根本不会亮，但车其实已经开不动了。
• 新挑战：我们需要一种能在“路标”刚发出来、还没被完全破坏时，就能立刻发现异常的方法。而且，这个检测器必须很小、很省电，能装在路边的微型设备（边缘设备）上，而不是必须依赖巨大的云端服务器。

2. 解决方案：两个“侦探”的较量

为了解决这个问题，作者派出了两位“侦探”来检查路标信号：

🕵️‍♂️ 侦探 A：CNN（卷积神经网络）—— 经验丰富的“老教授”

• 特点：它非常聪明，看过很多书（数据量大），能识别出极其细微的干扰模式。
• 缺点：它太胖了（占用大量内存），太慢（训练需要很久），而且太费电。就像一位需要巨大图书馆和昂贵办公室才能工作的老教授，虽然准，但很难把他塞进路边的一个小岗亭里。
• 表现：准确率很高（约 97%），但代价很大。

🕵️‍♂️ 侦探 B：CTM（卷积图灵机）—— 精明的“逻辑大师”

• 特点：这是论文的主角。它不像老教授那样死记硬背，而是用简单的“是/否”逻辑（比如：如果这里有噪音，且那里没有信号，那就是坏人）来思考。
• 优势：
  1. 超级轻：它的“大脑”非常小，只需要很少的内存（比老教授小 14 倍）。
  2. 超级快：它学习新东西的速度极快（比老教授快 9.5 倍）。
  3. 可解释：你可以清楚地问它：“你为什么觉得这是干扰？”它会告诉你：“因为我在第 3 行看到了奇怪的噪音。”而老教授只会说：“我觉得是，但我不知道具体为什么。”（黑盒）。
  4. 硬件友好：因为它用的是简单的逻辑，可以直接用FPGA（一种可编程的微型芯片）来制造，就像用乐高积木搭房子，既省电又稳定。

3. 实验结果：谁赢了？

作者在一个真实的 5G 测试场里，让这两位侦探去抓“坏蛋”。

• 准确率：老教授（CNN）稍微赢了一点点（97% vs 91.5%）。
• 但是！
  • 训练时间：CTM 只用了老教授 1/10 的时间就学会了。
  • 内存占用：CTM 只用了老教授 1/14 的空间。
  • 硬件潜力：如果把 CTM 装进 FPGA 芯片里，它可以在极低的功耗下，实时地、像闪电一样快地工作。

4. 核心比喻：为什么 CTM 更适合未来？

想象你要在偏远山区的哨所里安装一个警报系统：

• CNN（老教授）：需要拉一根粗大的光纤，建一个恒温机房，还要经常请专家来维护。虽然它报警很准，但成本太高，根本装不起。
• CTM（逻辑大师）：只需要一个小小的电池盒，几节干电池就能用很久。它不需要复杂的计算，只要看到“不对劲”就报警。虽然它偶尔会漏掉一两个特别狡猾的坏蛋（准确率略低），但它便宜、省电、反应快、而且你知道它为什么报警。

总结

这篇论文告诉我们：在 5G 和未来的 6G 网络中，为了安全，我们不一定非要追求“最聪明”的 AI。有时候，最聪明、最实用的选择是那个既懂逻辑、又省电、还能解释自己行为的“逻辑大师”（CTM）。

它让 5G 网络在遇到干扰时，能像灵敏的哨兵一样，在资源有限的边缘设备上，快速、透明地保护我们的通信安全。

技术摘要

1. 研究背景与问题 (Problem)

• 背景：第五代（5G）网络中的关键任务服务（如移动性、自动化、互联智能）高度依赖稳定的射频（RF）环境。
• 挑战：
  • 干扰威胁：故意的射频干扰（Jamming）或低功率干扰会严重破坏网络的可用性和可靠性。
  • 检测难点：传统的链路层监控和性能计数器往往无法捕捉到此类攻击，特别是当干扰机利用低功率或动态信道条件（如快衰落）来隐藏自身时。
  • 现有方案的局限：现有的深度学习（如 CNN）干扰检测方案虽然准确率高，但存在内存占用大、训练成本高、缺乏可解释性等问题，难以部署在资源受限的物联网（IoT）边缘平台或实时嵌入式系统中。
• 目标：开发一种轻量级、可解释且硬件高效的干扰检测方案，直接利用 5G 物理层的同步信号块（SSB）特征，无需依赖高层性能指标。

2. 方法论 (Methodology)

本文提出了一种基于**卷积图灵机（Convolutional Tsetlin Machine, CTM）**的干扰检测框架，并与传统的卷积神经网络（CNN）进行了对比。

A. 数据源与特征提取

• 信号源：利用 5G 新空口（NR）中的同步信号块（SSB），特别是其中的主同步信号（PSS）。
• 原理：PSS 具有确定性结构、固定的时频映射和优异的自相关特性。干扰会导致 PSS 的时频模式发生畸变，即使干扰功率较低也能被检测到。
• 预处理流程：
  1. 同步：估计并补偿载波频率偏移（CFO）和时间偏移（TO）。
  2. 特征提取：从接收到的 IQ 样本中提取 PSS 的时频表示（通过短时 FFT 生成频谱图）。
  3. 二值化（Booleanization）：将连续的频谱图数据转换为布尔特征向量。这是 CTM 的核心输入要求。论文对比了多种二值化方法，发现增强型 Otsu 阈值法（Enhanced Otsu）效果最佳，能同时捕捉水平和垂直边缘特征。

B. 模型架构：卷积图灵机 (CTM)

• 核心机制：CTM 基于命题逻辑，使用**图灵自动机（Tsetlin Automata, TAs）**的集合来学习布尔数据中的模式。
• 卷积扩展：CTM 将输入数据划分为固定大小的补丁（patches），并附加坐标信息，从而具备处理时频局部特征的能力（类似 CNN 的卷积操作，但基于逻辑而非浮点运算）。
• 优势：
  • 可解释性：模型学习的是布尔逻辑子句（Clauses），可以直接解释为“如果频率 X 和时间 Y 出现特定模式，则判定为干扰”。
  • 硬件友好：推理过程基于位级（bit-level）逻辑运算，非常适合在 FPGA 上通过查找表（LUT）和块 RAM（BRAM）实现，无需浮点运算单元。

C. 对比基线 (Baseline)

• 构建了一个标准的CNN作为对比基线，使用相同的预处理数据和训练/测试集划分。
• CNN 架构包含 4 个卷积块、2 个全连接层，使用 ReLU 激活函数和 Dropout。

3. 关键贡献 (Key Contributions)

1. 提出了基于 CTM 的 5G 干扰检测框架：直接在过空口（Over-the-Air）的 5G 信号特征上运行，无需高层 KPI 检查。该方案完全可解释且硬件高效，适合资源受限的边缘平台。
2. 性能与效率的基准测试：在相同特征集上，将 CTM 与强基线 CNN 进行了对比。结果显示，CTM 在保持竞争力的检测精度的同时，训练速度快 9.5 倍，内存占用减少 14 倍。
3. FPGA 部署投影：基于 Zybo Z7 (Zynq-7000) 板卡，提供了三种针对不同优化目标（功耗、延迟、精度）的 CTM 部署资源估算，证明了其在 FPGA 上实现全芯片、低功耗部署的可行性。

4. 实验结果 (Experimental Results)

实验在真实的 5G 测试床（FR1 n71 频段）上进行，使用 ThinkRF 频谱仪采集数据，并通过有线 RF 合路器注入合成干扰信号。

指标	CTM (本文方法)	CNN (基线)	对比分析
检测准确率	91.53% ± 1.01	96.83% ± 1.19	CNN 略高，但 CTM 具有竞争力。
训练时间	~44 秒	~3205 秒	CTM 训练速度快 9.5 倍。
模型内存	~45 MB	~624 MB	CTM 内存占用仅为 CNN 的 1/14。
推理吞吐量	46.23 样本/秒	78.23 样本/秒	在通用 CPU 上 CNN 推理稍快，但 CTM 在 FPGA 上具有确定性低延迟优势。
可解释性	高 (布尔逻辑子句)	低 (黑盒)	CTM 能清晰展示哪些时频特征被用于判定干扰。

• 可解释性分析：通过可视化发现，CNN 倾向于忽略低频段并关注频谱图的特定部分；而 CTM 利用了整个时隙的低频段特征来区分“纯净”和“干扰”样本，逻辑更加全面。
• FPGA 资源估算：在 Zybo Z7 上，针对 800 个子句的“高精度”配置，预计仅需约 24k-48k 个 LUT，在 100MHz 频率下可实现 kSamples/s 级别的吞吐量。

5. 意义与结论 (Significance & Conclusion)

• 边缘 AI 的新范式：本文证明了在 5G 安全应用中，**逻辑驱动的机器学习（CTM）**可以替代传统的深度神经网络（DNN）。
• 权衡取舍（Trade-off）：
  • 如果追求绝对精度和通用硬件上的峰值吞吐量，CNN 是更好的选择。
  • 如果追求资源受限环境（如 IoT 设备、FPGA）、低内存、低功耗、可解释性以及快速模型更新，CTM 是显著更优的选择。
• 未来展望：该研究为 B5G（Beyond 5G）系统中的边缘安全部署奠定了基础。未来的工作将探索 CTM 与 CNN 的混合模型以及硬件在环（Hardware-in-the-Loop）评估，以进一步优化动态 RF 环境下的检测延迟和鲁棒性。

总结：这篇论文成功展示了一种可解释、轻量级且硬件友好的 5G 干扰检测方案，解决了传统深度学习模型在边缘设备上部署难的问题，为构建高可靠、低延迟的 5G 安全防御系统提供了强有力的技术路径。