Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
Loading...
Date
Advisor(s)
Co-advisor(s)
Committee members
Santos, Eulanda Miranda dos
Carvalho, Celso Barbosa
Cruz, Carlos Augusto de Moraes
Ferreira, Tadeu Nagashima
Carvalho, Celso Barbosa
Cruz, Carlos Augusto de Moraes
Ferreira, Tadeu Nagashima
Graduate program
Journal Title
Journal ISSN
Volume Title
Publisher
Universidade Federal do Amazonas
Type
Access rights
DOI
Resumo (Portuguese)
O espectro de frequência é um recurso limitado que tem enfrentado uma crescente demanda nos últimos anos, especialmente com o advento das tecnologias 5G e 6G. Sensoriamento, estimativa e segurança do espectro são fatores essenciais para aumentar a eficiência e a flexibilidade na utilização do espectro, permitindo sua otimização e garantindo a segurança para um maior número de usuários. O sensoriamento do espectro é crucial para preencher lacunas espectrais, aliviando bandas de frequência congestionadas. A estimativa das condições do espectro também desempenha um papel extremamente importante no desenvolvimento e proposição de soluções e serviços específicos para diferentes condições. Por fim, com o desenvolvimento da inteligência artificial generativa, a segurança do espectro torna-se essencial para a criação de medidas que mitiguem atividades maliciosas de usuários. Nesse contexto, esta tese apresenta pesquisas relacionadas a essas abordagens. Os resultados experimentais sugerem perspectivas promissoras para essas abordagens, implicando melhorias na eficiência, robustez e baixa latência nos sistemas de comunicação atuais. Por exemplo, na abordagem de sensoriamento do espectro, a ResNet simplificada proposta alcançou 98% de acurácia em um nível de ruído de -134 dBm/Hz, com um tempo de resposta inferior a 0,05 segundos, garantindo baixa latência. Para estimativa do espectro, os modelos XGBoost e Transformer alcançaram os melhores coeficientes de correlação para identificação do nível de ruído e da distância entre usuários em um ambiente de sensoriamento do espectro, com valores de 0,98 e 0,84, respectivamente. Por fim, na segurança do espectro, a GAN proposta foi capaz de enganar modelos de detecção cooperativa profunda em mais de 98% dos casos.
Palavras-chave: Sensoriamento de Espectro, Aprendizado de máquina, Aprendizado profundo, Rede Generativa Adversária, Transformer.
Abstract
The frequency spectrum is a limited resource that has experienced a growing demand in recent years, especially with the advent of 5G and 6G technologies. Spectrum sensing, estimation, and security are essential factors for increasing efficiency and flexibility in spectrum utilization, enabling its usage optimization and ensuring security for a larger number of users. Spectrum sensing is crucial for filling spectral holes, relieving congested frequency bands. Estimating spectrum conditions also plays an extremely important role in designing and proposing specific solutions and services for different conditions. Last but not least, with the development of generative artificial intelligence, spectrum security becomes essential for developing measures to mitigate malicious user activities. In this context, this thesis presents research related to these approaches. Experimental results suggest promising prospects for these approaches, implying improvements in efficiency, robustness, and low latency in current communication systems. For instance, in the spectrum sensing approach, the proposed simplified ResNet achieved 98% accuracy under a noise level of -134 dBm/Hz, with a response time below 0.05 seconds, ensuring low latency. For spectrum estimation, the XGBoost and Transformer models achieved the best correlation coefficients for identifying the noise level and the distance between users in a spectrum sensing environment, with values of 0.98 and 0.84, respectively. Lastly, in spectrum security, the proposed GAN was able to deceive deep cooperative spectrum sensing models in over 98% of cases.
Keywords: Spectrum Sensing, Machine Learning, Deep Learning, Generative Adversarial Network, Transformer.
Description
Controlled term
Aprendizado do computador; Inteligência artificial
Sustainable Development Goals (SDG)
Citation
VALADÃO, Myke Douglas de Medeiros. Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques. 120 f. Thesis (Doctorate in Electrical Engineering) – Federal University of Amazonas, Manaus, Amazonas, 2024.
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwise noted, this item's license is described as Acesso Aberto

