1. RFMLS簡介

隨著無線電終端和物聯(lián)網(wǎng)設備的爆炸性增長，無線電頻譜正在變得越來越擁擠，識別、定位和阻斷干擾信號變得異常困難。為了改善頻譜共享環(huán)境和提高無線網(wǎng)絡安全，需要開發(fā)新技術來了解頻譜的實際使用狀態(tài)。

美國國防高級研究計劃局（Defense Advanced Research Projects Agency, DARPA）于2017年8月設立了新的研究項目無線電頻譜機器學習系統(tǒng)（Radio Frequency Machine Learning Systems, RFMLS），探索在頻譜領域利用機器學習理解無線電信號。

RFMLS項目的目標是創(chuàng)建能夠全面理解無線電頻譜的機器學習算法，識別潛在的危害信號，并根據(jù)任務由系統(tǒng)自主地做出響應。目前該計劃的合同授予了BAE Systems，Expedition Technologies，Northeastern University，Teledyne Technologies和Stanford Research Institute[1]。

2. 機器學習與RFMLS項目

2.1 機器學習的進展

早期的人工智能主要基于專家系統(tǒng)，即在特定應用中執(zhí)行具有明確規(guī)則定義的系統(tǒng)。這些專家系統(tǒng)嚴格地將專業(yè)知識和決策規(guī)則限制在可預測的范圍內(nèi)，例如簡單的游戲和工業(yè)流程控制。當前廣泛使用的自適應無線電系統(tǒng)屬于專家系統(tǒng)。一些專家系統(tǒng)根據(jù)以往信號分析的經(jīng)驗來制定響應的規(guī)則，并且已經(jīng)部署在無線電工作環(huán)境中，例如，工程師在程序中指定當遇到無線電干擾時切換到備用頻率的規(guī)則。雖然專家系統(tǒng)在一定程度上有效，但是依靠專業(yè)知識制定規(guī)則的過程既昂貴又耗時，并且響應速度跟不上無線電信號的變化，此外，這些系統(tǒng)幾乎不了解頻譜中實際發(fā)生的情況，嚴重限制了專家系統(tǒng)的實用性。

在過去的幾年中，基于機器學習的人工智能快速發(fā)展起來。機器學習是利用大樣本數(shù)據(jù)建立統(tǒng)計模型，以便在沒有明確規(guī)則的情況下對目標進行預測和優(yōu)化。機器學習最重要的分支是深度學習神經(jīng)網(wǎng)絡，當有足夠的樣本數(shù)據(jù)時，能夠?qū)ζ溆柧氁詧?zhí)行各種復雜的分類和預測任務。基于數(shù)據(jù)驅(qū)動的機器學習已經(jīng)在語音識別、圖像識別以及自動駕駛等領域?qū)崿F(xiàn)了革命性的進步。這些創(chuàng)新的關鍵是從針對每個任務定制的專家系統(tǒng)演變?yōu)閺拇髷?shù)據(jù)中學習的通用系統(tǒng)。

然而，在無線電領域使用人工智能卻沒有跟上機器學習的這些進步，并且很少有研究探索傳統(tǒng)無線電信號處理和機器學習的交叉點。針對當前無線電頻譜環(huán)境可能遭到惡意破壞的威脅，探索如何將機器學習應用于傳統(tǒng)的無線電信號領域變得至關重要[2]。

2.2 當前無線電系統(tǒng)的不足

隨著越來越多的無線電終端、通信系統(tǒng)、雷達、干擾機和其他應用和設備在頻譜環(huán)境中運行，電磁環(huán)境變得越來越復雜。目前電磁環(huán)境中存在的主要風險是態(tài)勢感知能力不足、威脅無法確定以及通信易受惡意干擾[2]。并且惡意干擾發(fā)射機變得更加智能，能夠通過偽裝身份以掩飾其特征。圖1為非授權用戶通過偽裝的MAC地址試圖接入無線網(wǎng)絡。

圖1. 非授權用戶的威脅

當前的無線電系統(tǒng)普遍采用的是基于規(guī)則的推理（類似于早期人工智能中的專家系統(tǒng)），制定了一套信號分析和響應規(guī)則。絕大多數(shù)此類系統(tǒng)都使用查找表的思路：信號數(shù)據(jù)進入系統(tǒng)后按照類似電子表格的軟件進行分類，將輸入信號與對應的響應處理相關聯(lián)。

傳統(tǒng)的無線電系統(tǒng)常常按順序掃描頻率和空間區(qū)域，幾乎不了解頻譜的實際使用情況，對該電磁環(huán)境中的信號統(tǒng)計數(shù)據(jù)所知甚少，例如，哪些信號在某個區(qū)域或頻段是異常的。

2.3 RFMLS的內(nèi)容

為了利用機器學習的進步來解決當前無線電系統(tǒng)中存在的問題，DARPA正在尋求利用利用機器學習來改善頻譜管理，并滿足軍事和民用通信中對無線電頻率日益增長的需求。DARPA提出的RFMLS項目是一項基礎性工作，目標是建立將現(xiàn)代機器學習應用于無線電頻譜領域的技術基礎。RFMLS將通過機器學習理解電磁環(huán)境并實現(xiàn)決策能力，從而顯著改善傳統(tǒng)的無線電系統(tǒng)。

RFMLS項目的最終目的是理解無線電頻譜的實際使用狀態(tài)。例如，掌握占用頻譜的信號種類、從背景中提取出重要的信號，并識別那些違反無線電規(guī)則的信號，以實現(xiàn)頻譜共享和提高物聯(lián)網(wǎng)系統(tǒng)安全。其中，無線網(wǎng)絡將自主協(xié)作并推理如何共享無線電頻譜和避免干擾，實現(xiàn)對頻譜資源的最有效利用。圖2為RFMLS示意圖。

圖2. RFMLS示意圖

RFMLS通過機器學習從無線電頻譜中提取出額外的信號特征，利用頻譜大數(shù)據(jù)識別以前無法監(jiān)測到的無線電信號，從而更好地理解電磁環(huán)境。該系統(tǒng)能夠從大規(guī)模物聯(lián)網(wǎng)設備發(fā)射的無線電信號中分辨出細微的差異，例如，由于制造缺陷等因素導致的無意調(diào)制，并能將企圖欺騙或入侵網(wǎng)絡設備的信號區(qū)分出來。最終，該系統(tǒng)能夠理解無線電環(huán)境中正在發(fā)生的事情，并具備無線電信號取證能力，以便在復雜的電磁環(huán)境中識別感興趣的信號。在未來，機器學習不僅可以處理采集的頻譜數(shù)據(jù)，而且還可根據(jù)目標任務來確定無線電傳感器需要采集哪些頻譜數(shù)據(jù)，以及規(guī)劃數(shù)據(jù)采集的時間和地點。

3. RFMLS的組成

RFMLS將建立一種能夠從數(shù)據(jù)中學習并以任務為導向的無線電系統(tǒng)，包含以下四個組成部分[3]。

（1）信號特征學習

RFMLS將利用采集的無線電信號數(shù)據(jù)集，學習用于識別和表征各種民用和軍用環(huán)境中的信號特性，從而對信號進行簡潔的描述。

第一代人工智能在頻譜中的應用依賴于專家設計的信號特征。最近有可能通過將頻譜問題遷移到在深度學習中已經(jīng)成功應用的其他領域，來建立信號特征。RFMLS將能夠從采集的訓練數(shù)據(jù)中學習合適的特征來描述無線電信號和相關屬性。圖3為信號特征學習的結構。

圖3. 信號特征學習

（2） 注意力引導

下一代無線電系統(tǒng)從表征頻譜的MHz演變?yōu)镚Hz。為了有效地利用帶寬擴展，RFMLS必須了解哪些信號是重要的，將處理資源集中在這些信號上，并通過忽略對特定任務的次要信號來節(jié)省資源。區(qū)分重要和次要的無線電信號和操作至關重要。RFMLS需要利用機器學習算法將注意力引導到具有潛在重要性的無線電操作中，例如，在雷達信號工作頻段中檢測出感興趣的通信信號。

圖4為注意力引導測試，在500MHz帶寬的背景信號上疊加多個“重要的信號”，期望在測試系統(tǒng)中將這些目標信號分離出來。

圖4. 區(qū)分重要信號的測試

（3）自主無線電傳感器配置

自適應無線電系統(tǒng)的許多早期研究都集中在模擬無線電電子設備（即射頻前端），建立可重新配置的系統(tǒng)，在設計時不會將操作特性設置成固定不變的。最近的進步已經(jīng)產(chǎn)生了靈活的大規(guī)模全數(shù)字無線電系統(tǒng)。但是這些進步的開發(fā)程度很低，因為很少有研究將這種適應性與重新配置無線電傳感器所需的智能相結合。

RFMLS能夠根據(jù)給定的任務學習并優(yōu)化大量可操作的配置（如模擬電子設備、波束轉(zhuǎn)向角度、帶寬靈敏度、位置等），控制硬件系統(tǒng)來提高信號接收能力，如圖5所示。機器學習方法結合感知處理和決策推理，能夠在大型控制空間內(nèi)自動重新配置傳感器，以提高整體任務性能，并實現(xiàn)復雜的任務。

圖5. 自主無線電傳感器配置

（4）波形合成

RFMLS能夠利用機器學習算法以數(shù)字方式編碼合成幾乎任何可能的發(fā)射波形。利用這種為特定無線電設備創(chuàng)建新波形的能力，可以改善在復雜電磁環(huán)境中識別友好用戶的性能。圖6為波形合成示意圖。

圖6. 波形合成

在RFMLS的四個組成部分中，信號特征學習和波束合成屬于射頻前端，注意力引導和自主無線電傳感器配置屬于頻譜感知。

4. RFMLS的具體任務

RFMLS能夠在更加擁擠的頻譜環(huán)境中識別和表征無線電信號，這將為新興的自動化無線電系統(tǒng)和依賴它們的軍事指揮提供關鍵的信息，以便了解頻譜使用的實際情況。

針對RFMLS的四個組成部分，將執(zhí)行以下四項具體任務[4]：

（1）無線電指紋識別

傳統(tǒng)的無線安全依賴于每個無線電設備的軟件身份，往往會被黑客入侵或以其他方式進行復制。信號在通過模擬電子器件進行調(diào)整和放大的過程中，往往會附加微弱但獨特的特征。RFMLS能夠?qū)W習基于該發(fā)射機的固有硬件缺陷所代表的唯一無線電指紋，來識別特定的發(fā)射機，試圖解決傳統(tǒng)無線電系統(tǒng)中的安全問題。此任務側重于信號特征學習。

（2）無線電指紋增強

為了進一步增強無線安全性，通信系統(tǒng)通過機器學習來調(diào)整其發(fā)射波形以增強其自然指紋。該任務側重于合成波形。

（3）頻譜意識

傳統(tǒng)的無線電頻譜監(jiān)測系統(tǒng)通過使用窄帶和相對簡單的技術來識別占用頻譜的信號（例如信號頻率）。隨著商用寬帶ADC、軟件定義無線電、頻譜共享和通用無線電技術變得成熟，傳統(tǒng)的無線電監(jiān)測方法受到了挑戰(zhàn)。RFMLS系統(tǒng)將通過機器學習理解大帶寬中存在的重要和次要信號之間的差異，以便建立更實用和準確的頻譜感知系統(tǒng)，實現(xiàn)目標信號精準監(jiān)測。這項任務強調(diào)注意力引導。

（4）自主無線電系統(tǒng)配置

為了進一步提高頻譜感知的性能，RFMLS將尋求學習如何以最佳的方式來調(diào)整和配置其硬件資源，從而在復雜的電磁環(huán)境中最大化識別重要信號的能力。此任務強調(diào)自主無線電傳感器配置。

責任編輯人：CC