Erkennung bewusster Störungen einer RF-Kommunikationsstrecke unter Anwendung Neuronaler Netze
Beschreibung
Bewusste Störungen (Jamming) einer drahtlosen Datenübertragung gilt als eine Form von Denial of Service (DoS) Attacke und stellt eine Bedrohung für moderne Kommunikationssysteme dar. Um frühzeitig geeignete Gegenmaßnahmen gegen einen Jamming Angriff einzuleiten und so das Kommunikationssystm zu schützen, ist es wichtig zu erkennen mit welcher Leistung ein Jammer die drahtlose Kommunikation stört und mit welche Signalform für die Störung verwendet wird.
Der den Einsatz von AI-Algorithmen, z.B., Neuronalen Netzen, verspricht gegenüber klassischer Erkennungsmetriken wie Bit Error Rate (BER) oder Received Signal Strength (RSS), eine bessere Klassifikation der Störleistung sowie einer besseren Erkennung der Signalform, die der Jammer verwendet.
Um die Erkennung so früh wie möglich in ein Empfangssystem zu integrieren, soll die Verarbeitung von Zeitreihen empfangener IQ-Daten untersucht werden. Anhand eines vorhandenen Datensatzes sollen eine Unterteilung in Trainings- und Testdaten, sowie ein geeignetes Labeling durchgeführt werden. Für die Zeitreihen aus dem Datensatz sollen dann Modelle für Fully Connected Neural Networks (FCNNs) und Convolutional Neural Networks (CNNs) erstellt und optimiert werden. Abschließend soll durch Training und Test der Neuronalen Netze eine Aussage zur Fähigkeit der Jammer Klassifizierung getroffen werden.
Forschungsfragen
- Wie und mit welcher Genauigkeit kann die Leistung und die Signalform eines Jammers anhand von Zeitreihen empfangener IQ-Daten klassifiziert werden?
- Wie müssen die Zeitreihen der IQ-Daten aussehen, um adäquat vom verwendeten Neuronalen Netz verarbeitet werden zu können?
- Was sind geeignete Modelle für Neuronale Netze, um diese Klassifikation schnell und genau durchführen zu können?
Ziele der Arbeit
Das Ziel ist der Aufbau eines geeigneten AI-Frameworks für die Verarbeitung von Zeitreihen von IQ-Daten mit geeigneter Vorverarbeitung (Preprocessing) des verfügbaren Datensatzes. Dabei soll die Performance eines Neuronalen Netzes hinsichtlich Jamming Detection und Klassifikation optimiert werden.
Arbeitspakete
Aus der Beschreibung und den Forschungsfragen können folgende Teilarbeiten hervorgehen:
- Literaturrecherche zu bestehenden Jamming Detection Methoden und Einsatz von Neuronalen Netzen ‚on the Edge‘ in Kommunikationssystemen.
- Preprocessing des Datensatzes, um eine geeignete Größe und Skalierung der Eingangsdaten für die Prozessierung mit einem Neuronalen Netz zu erzeugen.
- Erstellung und Optimierung eines Modells eines Neuronalen Netzes zur Erkennung und Unterscheidung verschiedener Jamming Szenarien.
- Ausblick auf die Modellgröße hinsichtlich einer Implementierung in einem µC oder FPGA.
Optional möglich:
- Erweiterung des Datensatzes mit selbst erzeugten Daten unter Verwendung eines Software Defined Radios (SDR).
- Implementierung eines Neuronalen Netzes auf einer HW-Plattform (µC oder FPGA).
Gerne können auch eigene Interessen besrpochen und eingebracht werden.
Deine Kenntnisse
- Grundlagen der Informations- und Kommunikationstechnik
- Grundlagen in Deep Learning und neuronalen Netzen
- Erfahrung mit AI/Machine Learning und Umgang mit Tools wie Keras oder TensorFlow
- Sicherer Umgang mit Python
- Kenntnisse im Umgang mit Software Defined Radios (SDRs) sind von Vorteil
Literaturangaben
- Saeif Alhazbi, Savio Sciancalepore, Gabriele Oligeri, “A Dataset of physical-layer measurements in indoor wireless jamming scenarios”, Data in Brief, Volume 46, 2023, 108773, ISSN 2352-3409, doi: 10.1016/j.dib.2022.108773
- Alhazbi, S. Sciancalepore and G. Oligeri, „BloodHound: Early Detection and Identification of Jamming at the PHY-layer,“ 2023 IEEE 20th Consumer Communications & Networking Conference (CCNC), Las Vegas, NV, USA, 2023, pp. 1033-1041, doi: 10.1109/CCNC51644.2023.10059878
- Lohan, B. Kantarci, M. Amine Ferrag, N. Tihanyi and Y. Shi, „From 5G to 6G Networks: A Survey on AI-Based Jamming and Interference Detection and Mitigation,“ in IEEE Open Journal of the Communications Society, vol. 5, pp. 3920-3974, 2024, doi: 10.1109/OJCOMS.2024.3416808
Falls du Interesse an dieser spannenden Forschungsarbeit hast, freuen wir uns auf deine Bewerbung mit einem kurzen Lebenslauf an
