L’intelligence artificielle dans les systèmes de ROEM définis par logiciel

Aperçu

La combinaison de modules frontaux à large bande et de processeurs puissants fait des radios logicielles une plate-forme idéale pour les applications de renseignement d’origine électromagnétique. L’intelligence artificielle et les techniques d’apprentissage profond peuvent entraîner un système à détecter les signaux plus rapidement que les algorithmes à programmation manuelle. Découvrez comment DeepSig applique l’intelligence artificielle et l’apprentissage profond (DL) aux radios logicielles standard du commerce.

Contenus

L’intelligence artificielle et l’apprentissage profond avec les radios logicielles standard du commerce

À mesure que les protocoles sans fil se complexifient, le spectre électromagnétique n’en devient que plus contesté et la guerre électronique (EW) plus sophistiquée. Le degré de traitement en bande de base requis par les radios militaires devient plus complexe et spécialisé.
 

Les environnements hostiles représentent un problème d’optimisation qui devient rapidement ingérable. Optimiser pleinement les systèmes RF avec ce niveau de complexité n’a jamais été pratique. Les concepteurs se sont appuyés sur des modèles simplifiés à forme fermée qui ne capturent pas avec précision les effets réels et sur une optimisation au coup par coup, dans laquelle les composants individuels sont optimisés, mais l’optimisation complète de bout en bout est limitée.

Ces dernières années, l’IA a considérablement progressé, notamment dans le DL, un sous-ensemble des techniques de machine learning. Là où les concepteurs humains ont déployé des efforts considérables pour fournir des solutions manuelles aux problèmes difficiles, le DL cible directement de vastes ensembles de données complexes spécifiques à un problème.

Architectures matérielles des radios logicielles

Il existe généralement deux types de systèmes de radios cognitives (CR) standard du commerce pour la défense :

  1. Les systèmes compacts et déployés sur le terrain qui utilisent l’IA pour obtenir des renseignements exploitables en temps réel. Ces systèmes utilisent des FPGA et des processeurs à usage général (GPP), en y ajoutant parfois un module de processeur graphique (GPU) compact.
  2. Les systèmes modulaires, évolutifs et plus lourds en calculs, composés généralement de radios cognitives et de serveurs hautes performances dotés de puissants GPU pour le traitement hors ligne. Ces systèmes nécessitent souvent des instruments RF de format plus important, et des volumes de données accrus nécessitent souvent des bus à débit plus élevé, tels que le PCIe.

 

Pour les systèmes à faibles dimensions, poids et consommation (low-SWaP), l’efficacité du traitement matériel des FPGA et les performances à faible temps de latence, associées à la programmabilité des GPP, sont ici utiles. Bien que la programmation du FPGA puisse être plus compliquée, elle est essentielle pour obtenir des systèmes à faible SWaP en temps réel. Dans cette situation, les périphériques universels de radio logicielle (USRP) de National Instruments et Ettus Research fournissent une plate-forme standard dans un format compact. Les FPGA programmables par l’utilisateur constituent un aspect inhérent aux dispositifs USRP. L’intégration directe avec LabVIEW ou des logiciels à source ouverte, tels que RF Network on Chip (RFNoC), atténue le problème de la programmation du FPGA avec un langage de description de matériel.

Pour les systèmes plus lourds en calculs, il est important de disposer d’une architecture matérielle évolutive pouvant utiliser de manière hétérogène les meilleurs processeurs. Ces architectures comprennent généralement des FPGA pour le traitement en bande de base, des GPP pour le contrôle et des GPU pour le traitement de l’IA. Les GPU combinent la capacité à traiter des quantités énormes de données à la facilité de programmation. L’inconvénient des GPU réside dans leurs longs pipelines de données, qui entraînent des temps de transfert plus longs, bien que cela ne soit un problème que dans les systèmes nécessitant une latence extrêmement faible. Bien sûr, il existe dans chaque catégorie des gammes de matériels qui améliorent la puissance au détriment des performances, ce qu’il convient d’évaluer au moment de l’analyse de la conception.

Type de processeur  SWaP Temps réel Simplicité d'emploi
GPP Généralement grand et énergivore Latence et déterminisme non optimaux ; amélioré à l’aide d’un système d’exploitation en temps réel (qui ajoute néanmoins de la complexité au développement) Plus facile à programmer avec LabVIEW, C/C++ ou Python
FPGA Généralement à faible SWaP Faible latence Généralement difficile à programmer avec les langages de description de matériel ; simplifié avec les outils en C/C++, OpenCL, LabVIEW ou RFNoC
GPU Généralement grand et énergivore Latence généralement plus élevée Facile à programmer avec TensorFlow ou OpenCL/CUDA

 

Tableau 1. Options de processeur pour la radio cognitive

Le banc de test DARPA Colosseum utilisé lors du Spectrum Collaboration Challenge est un exemple de système plus lourd en calculs. Ce système comprend 128 USRP à deux voies (Ettus X310) avec FPGA intégrés, des modules ATCA-3671 avec plusieurs FPGA pour l’agrégation de données, ainsi que des serveurs hautes performances dotés de puissants GPU pour le traitement de l’IA.


Figure 1. Le banc de test DARPA Colosseum comprend 128 USRP Ettus X310 et unités de traitement NI ATCA-3671.

IA et radio

Pour comprendre comment l’IA peut gérer la complexité de la conception d’un système RF, il est utile de bien comprendre les avancées récentes qui ont entraîné l’explosion des systèmes basés sur l’IA. Le terme « IA » est utilisé depuis des décennies et englobe la résolution de problèmes lorsqu’une machine prend des décisions pour trouver une solution. Le machine learning (ML) fait référence à un type d’intelligence artificielle dans lequel une machine est entraînée avec des données pour résoudre un problème spécifique. Le DL est une classe du ML capable « d’apprendre des caractéristiques », un processus dans lequel la machine détermine les aspects des données à utiliser dans la prise de décision, par opposition à un concepteur humain spécifiant les caractéristiques essentielles.

Par exemple, jusqu’alors, les concepteurs mettaient manuellement au point des algorithmes de reconnaissance faciale basés sur des années de recherche sur les techniques de reconnaissance des caractéristiques. L’approche avec DL combine un jeu de données d’images contenant des visages humains avec une formation des opérateurs pour indiquer où se trouvent les visages. La machine apprend à reconnaître ce qu’est un visage sans qu’un concepteur n’ait défini l’algorithme.

De même, les algorithmes de classification des signaux RF et de détection du spectre peuvent tirer un avantage considérable des méthodes de DL. Alors que les anciennes approches de classification automatique de modulation (AMC) et de surveillance du spectre nécessitaient des efforts fastidieux pour concevoir manuellement l’extraction des caractéristiques (souvent des équipes d’ingénieurs devaient travailler plusieurs mois pour la conception et le déploiement), un système basé sur le DL peut s’entraîner pour de nouveaux types de signaux en quelques heures.

Le DL permet également un apprentissage de bout en bout : un modèle apprend conjointement à encoder et à décoder pour un système de transmission et de réception complet. Plutôt que d’essayer d’optimiser un système au coup par coup en ajustant individuellement chaque composant (tel que les convertisseurs numérique-analogique [C N/A], les convertisseurs analogique-numérique [C A/N], les convertisseurs RF, une voie sans fil et un réseau de récepteurs), puis de les assembler, le modèle considère le système comme une fonction de bout en bout et apprend à optimiser le système de manière globale.

L’IA dans les systèmes déployés

La détection et la classification du signal à l’aide d’un réseau de neurones profonds entraîné prennent quelques millisecondes. Par rapport à la recherche, la détection et la classification de signaux itératifs et algorithmiques à l’aide de méthodologies traditionnelles, cela peut représenter une amélioration considérable des performances. Ces gains se traduisent également par une réduction de la consommation d’énergie et des besoins en calculs. De plus, les modèles entraînés apportent généralement au moins deux fois plus de sensibilité que les approches existantes.

DeepSig, une start-up américaine spécialisée dans le traitement des signaux et les systèmes radio, a commercialisé la technologie de détection RF basée sur le DL dans son produit logiciel OmniSIG Sensor, compatible avec les USRP de NI et d’Ettus Research. À l’aide de l’apprentissage automatisé du DL, le capteur OmniSIG reconnaît les nouveaux types de signaux après avoir été entraîné sur quelques secondes de capture de signaux.

Figure 2. Le capteur OmniSIG effectue la détection et la classification des signaux dans la bande cellulaire, à l’aide d’une radio logicielle à usage polyvalent.

Pour les systèmes de communication à apprentissage, y compris l’apprentissage de bout en bout qui facilite l’entraînement directement au-dessus de la couche physique, vous pouvez utiliser le logiciel OmniPHY de DeepSig afin de faire apprendre des systèmes de communication optimisés pour les conditions de voie difficiles, les environnements électromagnétiques hostiles et les performances matérielles limitées. Ceux-ci incluent les communications sans visibilité directe ; les capacités d’antibrouillage ; les systèmes multi-utilisateurs dans des environnements contestés ; et l’atténuation des effets de distorsion matérielle.

L’un des avantages des systèmes de communication à apprentissage est la facilité d’optimisation pour différentes missions. Alors que de nombreux utilisateurs se soucient surtout du débit et de la latence, certains donnent la priorité à la distance de liaison opérationnelle, à la consommation d’énergie, voire à la signature et à la probabilité de détection ou d’interception. De plus, avec le machine learning, plus vous en savez sur l’environnement opérationnel, plus votre solution entraînée sera efficace.

La combinaison de la détection basée sur le DL et de formes d’onde radio actives permet de créer de nouvelles classes de formes d’onde et de guerre électronique (EW) adaptatives capables de faire face à l’environnement électromagnétique contesté d’aujourd’hui. Pour l’entraînement des systèmes basés sur le DL, les performances du processeur sont essentielles, mais une fois entraîné, le modèle peut facilement être déployé dans des systèmes embarqués à faible SWaP, tels que des capteurs en bordure et des radios tactiques.

Pourquoi la radio logicielle pour le ROEM ?

Les éléments clés de la radio logicielle, à savoir les modules frontaux RF et les processeurs RF, en font le système idéal pour le prototypage et le déploiement de systèmes de renseignement d’origine électromagnétique basés sur l’IA. Le faible SWaP de l’USRP le rend plus adaptable au déploiement des renseignements transmissions pour la détection de signaux à une fréquence inférieure à 6 GHz.

Pour les plus hautes fréquences et les applications qui nécessitent des calculs intensifs, l’instrumentation de la plate-forme PXI s’étend aux fréquences des ondes millimétriques pour atteindre la bande Ka, un débit de données supérieur via des liens PCIe x8 et un traitement massif avec des modules ATCA utilisant plusieurs FPGA Xilinx Virtex-7.

La détection de signaux adverses à des fréquences inconnues, qui peut inclure l’utilisation des techniques de modulation à spectre étalé ou à sauts de fréquence, nécessite des récepteurs à large bande. Les radios logicielles standard du commerce intègrent les derniers C A/N et C N/A à large bande pour résoudre ce problème. De plus, vous pouvez créer des systèmes multivoies pour étendre la bande passante effective en personnalisant les voies du récepteur aux bandes adjacentes ou en partageant des oscillateurs locaux pour appliquer la cohérence de phase sur toutes les voies. Cela permet non seulement la détection et l’identification des signaux, mais également la radiogoniométrie et la localisation.

Les USRP de National Instruments et d’Ettus Research utilisent des architectures hétérogènes pour un traitement embarqué des signaux à la fois sur la radio logicielle et sur un PC hôte. Le traitement en ligne embarqué sur la radio logicielle est important dans les systèmes cognitifs, où le signal de sortie est généré en réponse à la détection du spectre ou d’un signal reçu. Le traitement embarqué sur les FPGA peut offrir de nombreux avantages, notamment une latence réduite (par rapport à la transmission des données vers et depuis un ordinateur hôte) et une réduction des données sur la liaison de données ou le bus, en canalisant ou en ne conservant que les signaux présentant un intérêt.

Les environnements électromagnétiques hostiles nécessitent des systèmes ROEM capables de détecter les signaux inconnus et de s’adapter rapidement aux menaces émergentes. Les algorithmes avec capacité de DL peuvent être entraînés pour reconnaître de nouveaux signaux avec un temps de développement réduit et, avec un faible SWaP, un traitement en temps réel, des modules frontaux à large bande et une programmation flexible. La radio logicielle est l’architecture optimale pour le déploiement de systèmes ROEM basés sur l’IA.