재밍은 무선 통신을 고의적 혹은 비고의적으로 방해하거나 간섭하는 행위이다. 고의적인 재밍 공격은 목표 시스템의 유효 수신 신호 전력을 낮출 수 있는 강한 무선 신호를 송신함으로써 이뤄지며 GNSS와 같이 수신 신호 전력이 낮은 통신 시스템일수록 효과적이다. GNSS는 사용자에게 위치, 경로 및 시각 정보를 제공하는 위성 시스템으로서, 위성으로부터 수신되는 신호의 크기가 미약하여 재밍 에 취약한 단점을 가지고 있다. GNSS는 적용 분야가 점점 확대되며 국가 인프라의 필수 요소가 되었으며 재밍 공격을 받을 경우 사회 전반적으로 혼란이 발생할 가능성이 매우 높다. 따라서 이에 대응하 기 위한 항재밍 기술 연구가 국내 및 국외에서 광범위하게 이루어지고 있는 추세이다. 배열 안테나를 이용한 대표적 항재밍 기술인 STAP 및 SFAP 등은 효과적인 알고리즘이지만 모든 유형의 재밍 신호 에 대해 동일하게 우수한 성능을 내지 못한다. 이때 재밍 신호를 미리 식별하여 항재밍 알고리즘을 최적화한다면 높은 대응 성능을 얻을 수 있을 뿐만 아니라 불필요한 연산량을 줄임으로써 수신기 시스 템의 동작 안정성을 확보할 수 있다. 다만 기존 재밍 식별 기법들은 복잡하고 성능 향상에 제한이 있을 뿐만 아니라 즉각적인 대응이 어려운 단점을 갖는다. 대신 인공지능 기법에 기반한 알고리즘을 적 용할 경우 단점 보완이 가능하며 훈련된 모델을 이용한 빠른 판단이 가능하다. 최근 각광받고 있는 딥러닝과 같은 머신 러닝을 적용할 수도 있겠으나, 이 경우 식별을 위한 학습 수행 시 매우 많은 데이 터가 필요하며 새로운 분류가 추가될 경우 새로운 학습을 거쳐야 한다. 그러나 재밍 공격은 자주 발생하지 않으며, 시뮬레이션을 이용하여 생성한 데이터는 실 수신 데이터와 크게 달라 활용할 수 없어 학습 데이터를 확보하기 어렵다. 이러한 경우 메타 러닝 기반의 알고리즘을 적용한다면 적은 데이터로도 학습이 용이할 뿐만 아니라 새로운 신호 유형에도 즉각적으로 대응할 수 있다. 이에 본 논문에서 는 소수의 데이터를 이용하여 모델을 훈련시키는 메타 러닝 기반의 퓨샷 재밍 신호 식별 방안을 제안한다. 퓨샷 러닝을 위해 재밍 신호 인가 시 GNSS 수신기 내 항재밍 알고리즘 입력 데이터를 수집하여 훈련 데이터셋을 구성한다. 메타 러닝 모델로는 MAML을 사용하며, 개발한 파이썬 기반 시뮬레이터에서 훈련 데이터셋에 기반한 에피소딕 훈련을 통해 이를 학습시킨다. 최종적으로 성능 확인을 위해 훈련 데이터셋에 포함되지 않은 완전히 새로운 유형의 신호를 인가하고, 이에 대한 식별 성능을 도출함으로써 제안한 방안을 검증한다.

Meta-learning Based Few-shot Jamming Signal Classification Technique

Mi Hyun Jin*, Ddeo Ol Ra Koo, Kang Suk Kim

Jamming is a intentional or unintentional interruption of wireless communication. Intentional jamming attacks are transmitting strong radio signals that can lower the effective reception signal power of the target system. This is more effective in communication systems with lower received signal power, such as GNSS. GNSS is a satellite system that provides position, velocity and timing information to users, which is vulnerable to jamming due to its very weak power of the incoming signals. GNSS has become an integral part of the national infrastructure as applications continue to expand. If it is attacked by jamming, there is a high possibility of confusion in society. Therefore, research on anti-jamming techniques is needed to defend against jamming, and research in this field is being conducted extensively both domestically and internationally. Typical anti-jamming technologies using array antennas, STAP & SFAP, are very effective algorithms. However, it does not perform equally well for all types of jamming signals. At this time, if the anti-jamming algorithm is optimized by classifying the jamming signal, high anti-jamming performance can be obtained and the operation stability of the system can be obtained by reducing unnecessary computation. However, existing jamming classification techniques are complex, limited in performance improvement, and have disadvantages that it is difficult to respond immediately. Instead, algorithms based on AI techniques can be applied to compensate for the above shortcomings and quickly judge using trained models. Machine learning such as deep learning, which has recently been in the spotlight, can be considered. However, performing learning for classification requires a very large amount of data and requires new learning if new signal types are added. However, jamming signals are difficult to construct a transmission and reception environment, and the data generated using simulations are different from those actually received and thus cannot obtain large amounts of data. In such cases, applying meta-learning based algorithms not only enables learning with less data, but also enables immediate response to new signal types. This paper proposes a meta-learning based few-shot jamming signal classification technique to train the model using a small amount of data. For few-shot learning, we construct a training dataset by collecting anti-jamming algorithm input data within the GNSS receiver when jamming signals are applied. MAML is used as a meta-learning model, and it is trained through episodic training using training datasets on developed our Python-based simulator. Finally, for performance verification, an entirely new type of signal that is not included in the training dataset is inputted to derive classification performance for it.

Keywords: anti-jamming, jamming classification, meta learning, GNSS

Speaker 진미현* 단암시스템즈