机器学习与RFMLS项目详解

1. RFMLS简介

随着无线电终端和物联网设备的爆炸性增长，无线电频谱正在变得越来越拥挤，识别、定位和阻断干扰信号变得异常困难。为了改善频谱共享环境和提高无线网络安全，需要开发新技术来了解频谱的实际使用状态。

美国国防高级研究计划局（Defense Advanced Research Projects Agency, DARPA）于2017年8月设立了新的研究项目无线电频谱机器学习系统（Radio Frequency Machine Learning Systems, RFMLS），探索在频谱领域利用机器学习理解无线电信号。

RFMLS项目的目标是创建能够全面理解无线电频谱的机器学习算法，识别潜在的危害信号，并根据任务由系统自主地做出响应。目前该计划的合同授予了BAE Systems，Expedition Technologies，Northeastern University，Teledyne Technologies和Stanford Research Institute[1]。

2. 机器学习与RFMLS项目

2.1 机器学习的进展

早期的人工智能主要基于专家系统，即在特定应用中执行具有明确规则定义的系统。这些专家系统严格地将专业知识和决策规则限制在可预测的范围内，例如简单的游戏和工业流程控制。当前广泛使用的自适应无线电系统属于专家系统。一些专家系统根据以往信号分析的经验来制定响应的规则，并且已经部署在无线电工作环境中，例如，工程师在程序中指定当遇到无线电干扰时切换到备用频率的规则。虽然专家系统在一定程度上有效，但是依靠专业知识制定规则的过程既昂贵又耗时，并且响应速度跟不上无线电信号的变化，此外，这些系统几乎不了解频谱中实际发生的情况，严重限制了专家系统的实用性。

在过去的几年中，基于机器学习的人工智能快速发展起来。机器学习是利用大样本数据建立统计模型，以便在没有明确规则的情况下对目标进行预测和优化。机器学习最重要的分支是深度学习神经网络，当有足够的样本数据时，能够对其训练以执行各种复杂的分类和预测任务。基于数据驱动的机器学习已经在语音识别、图像识别以及自动驾驶等领域实现了革命性的进步。这些创新的关键是从针对每个任务定制的专家系统演变为从大数据中学习的通用系统。

然而，在无线电领域使用人工智能却没有跟上机器学习的这些进步，并且很少有研究探索传统无线电信号处理和机器学习的交叉点。针对当前无线电频谱环境可能遭到恶意破坏的威胁，探索如何将机器学习应用于传统的无线电信号领域变得至关重要[2]。

2.2 当前无线电系统的不足

随着越来越多的无线电终端、通信系统、雷达、干扰机和其他应用和设备在频谱环境中运行，电磁环境变得越来越复杂。目前电磁环境中存在的主要风险是态势感知能力不足、威胁无法确定以及通信易受恶意干扰[2]。并且恶意干扰发射机变得更加智能，能够通过伪装身份以掩饰其特征。图1为非授权用户通过伪装的MAC地址试图接入无线网络。

图1. 非授权用户的威胁

当前的无线电系统普遍采用的是基于规则的推理（类似于早期人工智能中的专家系统），制定了一套信号分析和响应规则。绝大多数此类系统都使用查找表的思路：信号数据进入系统后按照类似电子表格的软件进行分类，将输入信号与对应的响应处理相关联。

传统的无线电系统常常按顺序扫描频率和空间区域，几乎不了解频谱的实际使用情况，对该电磁环境中的信号统计数据所知甚少，例如，哪些信号在某个区域或频段是异常的。

2.3 RFMLS的内容

为了利用机器学习的进步来解决当前无线电系统中存在的问题，DARPA正在寻求利用利用机器学习来改善频谱管理，并满足军事和民用通信中对无线电频率日益增长的需求。DARPA提出的RFMLS项目是一项基础性工作，目标是建立将现代机器学习应用于无线电频谱领域的技术基础。RFMLS将通过机器学习理解电磁环境并实现决策能力，从而显著改善传统的无线电系统。

RFMLS项目的最终目的是理解无线电频谱的实际使用状态。例如，掌握占用频谱的信号种类、从背景中提取出重要的信号，并识别那些违反无线电规则的信号，以实现频谱共享和提高物联网系统安全。其中，无线网络将自主协作并推理如何共享无线电频谱和避免干扰，实现对频谱资源的最有效利用。图2为RFMLS示意图。

图2. RFMLS示意图

RFMLS通过机器学习从无线电频谱中提取出额外的信号特征，利用频谱大数据识别以前无法监测到的无线电信号，从而更好地理解电磁环境。该系统能够从大规模物联网设备发射的无线电信号中分辨出细微的差异，例如，由于制造缺陷等因素导致的无意调制，并能将企图欺骗或入侵网络设备的信号区分出来。最终，该系统能够理解无线电环境中正在发生的事情，并具备无线电信号取证能力，以便在复杂的电磁环境中识别感兴趣的信号。在未来，机器学习不仅可以处理采集的频谱数据，而且还可根据目标任务来确定无线电传感器需要采集哪些频谱数据，以及规划数据采集的时间和地点。

3. RFMLS的组成

RFMLS将建立一种能够从数据中学习并以任务为导向的无线电系统，包含以下四个组成部分[3]。

（1）信号特征学习

RFMLS将利用采集的无线电信号数据集，学习用于识别和表征各种民用和军用环境中的信号特性，从而对信号进行简洁的描述。

第一代人工智能在频谱中的应用依赖于专家设计的信号特征。最近有可能通过将频谱问题迁移到在深度学习中已经成功应用的其他领域，来建立信号特征。RFMLS将能够从采集的训练数据中学习合适的特征来描述无线电信号和相关属性。图3为信号特征学习的结构。

图3. 信号特征学习

（2） 注意力引导

下一代无线电系统从表征频谱的MHz演变为GHz。为了有效地利用带宽扩展，RFMLS必须了解哪些信号是重要的，将处理资源集中在这些信号上，并通过忽略对特定任务的次要信号来节省资源。区分重要和次要的无线电信号和操作至关重要。RFMLS需要利用机器学习算法将注意力引导到具有潜在重要性的无线电操作中，例如，在雷达信号工作频段中检测出感兴趣的通信信号。

图4为注意力引导测试，在500MHz带宽的背景信号上叠加多个“重要的信号”，期望在测试系统中将这些目标信号分离出来。

图4. 区分重要信号的测试

（3）自主无线电传感器配置

自适应无线电系统的许多早期研究都集中在模拟无线电电子设备（即射频前端），建立可重新配置的系统，在设计时不会将操作特性设置成固定不变的。最近的进步已经产生了灵活的大规模全数字无线电系统。但是这些进步的开发程度很低，因为很少有研究将这种适应性与重新配置无线电传感器所需的智能相结合。

RFMLS能够根据给定的任务学习并优化大量可操作的配置（如模拟电子设备、波束转向角度、带宽灵敏度、位置等），控制硬件系统来提高信号接收能力，如图5所示。机器学习方法结合感知处理和决策推理，能够在大型控制空间内自动重新配置传感器，以提高整体任务性能，并实现复杂的任务。

图5. 自主无线电传感器配置

（4）波形合成

RFMLS能够利用机器学习算法以数字方式编码合成几乎任何可能的发射波形。利用这种为特定无线电设备创建新波形的能力，可以改善在复杂电磁环境中识别友好用户的性能。图6为波形合成示意图。

图6. 波形合成

在RFMLS的四个组成部分中，信号特征学习和波束合成属于射频前端，注意力引导和自主无线电传感器配置属于频谱感知。

4. RFMLS的具体任务

RFMLS能够在更加拥挤的频谱环境中识别和表征无线电信号，这将为新兴的自动化无线电系统和依赖它们的军事指挥提供关键的信息，以便了解频谱使用的实际情况。

针对RFMLS的四个组成部分，将执行以下四项具体任务[4]：

（1）无线电指纹识别

传统的无线安全依赖于每个无线电设备的软件身份，往往会被黑客入侵或以其他方式进行复制。信号在通过模拟电子器件进行调整和放大的过程中，往往会附加微弱但独特的特征。RFMLS能够学习基于该发射机的固有硬件缺陷所代表的唯一无线电指纹，来识别特定的发射机，试图解决传统无线电系统中的安全问题。此任务侧重于信号特征学习。

（2）无线电指纹增强

为了进一步增强无线安全性，通信系统通过机器学习来调整其发射波形以增强其自然指纹。该任务侧重于合成波形。

（3）频谱意识

传统的无线电频谱监测系统通过使用窄带和相对简单的技术来识别占用频谱的信号（例如信号频率）。随着商用宽带ADC、软件定义无线电、频谱共享和通用无线电技术变得成熟，传统的无线电监测方法受到了挑战。RFMLS系统将通过机器学习理解大带宽中存在的重要和次要信号之间的差异，以便建立更实用和准确的频谱感知系统，实现目标信号精准监测。这项任务强调注意力引导。

（4）自主无线电系统配置

为了进一步提高频谱感知的性能，RFMLS将寻求学习如何以最佳的方式来调整和配置其硬件资源，从而在复杂的电磁环境中最大化识别重要信号的能力。此任务强调自主无线电传感器配置。

责任编辑人：CC