人工​智能​应用​于​软件​定义​的​信号​情报​系统

概览

SDR​将​宽​带​前端​和​功能​强大​的​处理​器​相​结合,​为​信号​情报​应用​提供​了​理想​的​平台。​人工​智能​和​深度​学习​技术​可以​训练​系统,​使​系统​检测​信号​的​速度​远​超​手工​编写​的​算法。​了解​DeepSig​如何​将​COTS SDR​与​人工​智能​和​深度​学习​相​结合。

内容

基于​COTS SDR​的​人工​智能​与​深度​学习

随着​无线​协议​变得​越来越​复杂,​频​谱​环境​的​竞争​日益​激烈,​电子​战​也​越来越​复杂。​军用​无线​电​所需​的​基​带​处理​程度​也​更加​复杂​和​专业​化。
 

在​充满​威胁​的​复杂​环境​下,​想要​完全​优​化​射频​系统​是不​现实​的。​设计​人员​以前​一直​依赖​简化​的​封闭​式​模型,​但是​这些​模型​无法​准确​捕捉到​真实​效果;​而且​对​系统​的​优​化​也​非常​零碎,​仅​能​优​化​单​个​组​件,​无法​进行​完整​的​端​到​端​优​化。

在​过去​几年​里,​人工​智能​已经​取得​了​长​足​的​进步,​尤其是​机器​学习​技术​中的​深度​学习。​为了​解决​棘手​众多​问题,​人类​设计​人员​一直都​在​花费​大量​精力​研究​手​动​式​工程​解决​方案,​而​深度​学习​直接​将​目标​对准​了​针对​特定​问题​的​大型​复杂​数据​集。

SDR​硬件​架构

用于​防御​的 COTS CR 系统​通常​包括​两​种​类型:

  1. 部署​在​现场​的​紧凑​型​系统,​利用​人工​智能​实​时​确定​可​作为​行动​依据​的​情报。​这些​系统​采用​FPGA​和​通用​处理​器​(GPP),​有时会​额外​配备​紧凑​型​图形​处理​单元​(GPU)​模​块。
  2. 需要​密集​计算​的​模​块​化​可​扩展​系统,​通常​由​与​高​端​服务​器​相连​的​CR​组成,​具有​功能​强大​的​GPU,​可​进行​离​线​处理。​这些​系统​经常​需要​用到​较大​型​的​RF​仪器,​而且​由于​数据​处理​量​增加,​往往​需要​使用​吞吐量​更高​的​总​线,​例如​PCIe。

 

对于​低​SWaP​系统​来说,​FPGA​硬件​处理​效率、​低​延迟​性能​以及​GPP​可​编​程​性​就​非常​重要。​虽然​对​FPGA​进行​编​程​可能​更加​复杂​一些,​但​这​是​实​时​系统​实现​低​SWaP​的​关键。​为此,​NI​和​Ettus Research​联合​开发​了​通用​软件​无线​电​外​设​(USRP),​为​这些​系统​提供​了​紧凑​的​现成​平台。​用户​可​编​程​FPGA​是​USRP​设备​的​固有​组成​部分,​直接​集成​LabVIEW​或​开​源​软件,​例如​芯​片​射频​网络​(RFNoC),​可​降低​使用​硬件​描述​语言​对​FPGA​进行​编​程​的​难度。

对于​大型​计算​密集​型​系统​而言,​拥有​可​扩展​并且​可以​异​构​利用​同类​最佳​处理​器​的​硬件​架构​意义​重大。​这些​架构​通常​包括​用于​基​带​处理​的​FPGA、​用于​控制​的​GPP​以及​用于​AI​处理​的​GPU。​GPU​既​能够​处理​大量​数据,​同时​也​相对​易​于​编​程。​GPU​的​缺点​是​数据​管道​长,​导致​传输​时间​较​长,​不过​这个​问题​只​对​需要​超低​延迟​的​系统​有​影响。​当然,​这​两​类​系统​中​都有​许多​设备​以​牺牲​性能​为​代价​来​降低​功耗,​在​设计​分析​中​应该​对​此​加以​权衡。

处理​器​类型 SWaP 实​时  易​用性
GPP 通常​体积​非常​大​而且​功耗大 无法​提供​最佳​延迟​和​确定​性;​使用​实​时​操作​系统​加以​改进​(尽管​这​增加​了​开发​的​复杂​性) 非常​易​于​使用​LabVIEW、​C/​C​+​+或​Python​语言​进行​编程
FPGA 通常​适合​使用​SWaP 延迟低 通常​难以​使用​硬件​描述​语言​进行​编​程。​使用​C/​C​+​+、​OpenCL、​LabVIEW​或​RFNoC​语言​的​工具​进行​简化
GPU 通常​体积​非常​大​而且​功耗大 通常​延迟​较高 易​于​使用​TensorFlow​或​OpenCL/​CUDA​进行​编程

 

Table 1. 认知​无线​电​的​处理​器​选项

举例来说,​美国​国防​高级​研究​计划​局​(DARPA)​频​谱​协同​挑战​赛​(Spectrum Collaboration Challenge)​中​使用​的​Colosseum​试验​台​就是​一个​大型​计算​密集​型​系统。​该​系统​包含​128​个​带有​板​载​FPGA​的​双​通道​USRP(Ettus X310)、​带有​多个​FPGA​的​ATCA-3671​刀片​服务​器,​以及​基于​GPU​的​高​端​服务​器,​其中​ATCA-3671​服务​器​主要​用于​数据​聚合,​GPU​则​可​进行​强大​的​AI​处理。


图​1. DARPA Colosseum​测试​台​配备​128​个​Ettus X310 USRP​和​NI ATCA-3671​处理​单元。

AI​和​无线电

如​要​了解​AI​如何​简化​RF​系统​设计​的​复杂​性,​就​需要​从​大局​上​了解​最近​哪些​技术​进步​推动​了​AI​系统​的​迅速​普及。“AI”这个​术语​已经​使用​了​几十年,​从​广义​上​讲,​是​指​基于​机器​决策​的​问题​解决​方法。​机器​学习​属于​AI​的​一种,​指​使用​数据​对​机器​进行​训练,​以​解决​特定​问题。​深度​学习​是​一类​具有“特征​学习”能力​的​机器​学习​技术,​在​这个​过程​中,​由​机器​决定​使用​哪些​方面​的​数据​作为​决策​依据,​而不是​由​人类​设计​人员​规定​某些​明显​的​特征​作为​决策​依据。

例如,​设计​人员​以前​都是​根据​多年​的​特征​识别​技术​研究​心得,​手​动​编写​面部​识别​算法。​深度​学习​方法​将​包含​人​脸​的​图像​数据​集​与​操作​人员​训练​结合​起来,​可​识别​出​人​脸​的​位置。​机器​会​学习​识别​人​脸​的​构成,​不需要​设计​人员​定义​算法。

同样,​RF​信号​分类​和​频​谱​感知​算法​也​从​深度​学习​方法​中​获益​匪​浅。​过去​的​自动​调制​分类​(AMC)​和​频​谱​监测​方法​需要​耗费​大量​人力​来​进行​手​动​工程​特征​提取​(工程​师​团队​通常​需要​花费​数​月​时间​进行​设计​和​部署),​而​基于​深度​学习​的​系统​通过​几​小时​的​训练,​就​能​识别​新的​信号​类型。

深度​学习​还​允许​端​到​端​学习,​通过​这种​方式,​一个​模型​可以​同时​学习​编码​器​和​解码​器,​从而​构成​一个​完整​的​收​发​系统。​该​模型​不需要​尝试​逐​个​优​化​每​个​组​件​(例如,​数​模​转换​器​[DAC]、​模数​转换​器​[ADC]、​射频​转换​器、​无线​信道​和​接收​器​网络)​并​将​它们​拼​接​在一起,​而是​将​系统​视为​端​到​端​函数,​学习​从​整体​上​优​化​系统。

已​部署​系统​中的​AI

如果​使用​经过​训练​的​深​层​神经​网络​执行​信号​检测​和​分类,​只需要​几​毫秒​的​时间。​与​使用​传统​方法​的​迭代​和​算法​式​信号​搜索、​检测​和​分类​相比,​这种​模式​可​将​性能​提高​好​几个​数量​级。​这些​优势​同时​也有​助​于​降低​功耗​和​计算​要求,​训练​模型​的​灵敏​度​通常​至少​是​现有​方法​的​两​倍。

美国​的​DeepSig​是​一家​专门​从事​信号​处理​和​无线​电​系统​业务​的​初创​公司。​其​OmniSIG​传感器​软件​产品​中​使用​了​基于​深度​学习​的​商业​化​RF​传​感​技术。​该​产品​可与​NI​和​Ettus Research​的​USRP​兼容。​借助​深度​学习​的​自动​特征​学习​功能,​OmniSIG​传感器​只需​经过​几秒​钟​的​信号​捕获​和​训练,​就​可以​识别​新的​信号​类型。

 

图​2. OmniSIG​传感器​使用​通用​SDR​对​蜂​窝​频​段​内的​信号​进行​检测​和​分类。

对于​学习​型​通信​系统,​包括​便于​直接​在​物理​层​进行​训练​的​端​到​端​学习,​DeepSig​的​OmniPHY​软件​可​学习​通信​系统​如何​优​化​其​在​恶劣​信道​条件​和​频​谱​环境​中​以及​硬件​性能​有限​的​情况​下​的​通信​能力。​其中​包括​非​视​距​通信;​抗​干扰​能力;​激烈​对抗​环境​中的​多​用户​系统;​和​硬件​失真​效应​抑制。

学习​型​通信​系统​的​优势​之一​是​可以​针对​不同​任务​轻松​进行​优​化。​比如​有些​用户​更​关心​吞吐量​和​延迟,​而​有些​用户​可能​会​优先​考虑​作战​信息​链​距离、​功耗,​甚至​签名​和​检测​或​拦截​概率。​此外,​在​机器​学习​中,​对​作战​环境​越​了解,​训练​出​的​解决​方案​就​越​有效。

将​基于​深度​学习​的​感​测​和​有源​无线​电波​形相​结合,​可​实现​全新​的​自​适应​波形​和​电子​战,​从而​能够​应对​当今​对抗​激烈​频​谱​的​环境。​对于​基于​深度​学习​的​系统​训练​而言,​处理​器​性能​十分​重要,​但是​经过​训练​后,​该​模型​就​可以​很​容易​地​部署​到​低​SWaP​嵌入式​系统​中,​例如​边缘​传感器​和​战术​无线​电。

为什么​在​信号​情报​系统​中​使用​SDR?

SDR​的​核心​元件​是​射频​前端​和​处理​单元,​因而​非常​适合​原型​设计​和​部署​基于​AI​的​信号​情报​系统。​USRP​的​低​SWaP​使​其​非常​适合​通信​情报​部署,​用于​检测​sub-6 GHz​频率​的​信号。

对于​高​频率​和​计算​密集​型​应用,​PXI​平台​仪器​可以​扩展​至​毫米波​频率,​可​处理​的​频​段​最高​可达​Ka​频​段,​通过​x8 PCIe​链​路​提供​更高​的​数据​吞吐量,​并​采用​包含​多个​Xilinx Virtex-7 FPGA​的​ATCA​模​块​进行​海量​数据​处理。

如果​要​检测​可能​采用​扩​频​或​跳​频​技术​的​未知​频率​不良​信号,​就​需要​采用​宽​带​接收​机。​COTS SDR​集成​了​最新​的​宽​带​ADC​和​DAC​来​解决​这​一​问题。​另外,​您​可以​组成​多​通道​系统,​通过​将​接收​器​信道​调​谐​到​相邻​频​段​来​扩展​有效​带​宽,​或者​通过​共享​本地​振荡​器​来​实现​通道​间​的​相位​一致性。​这样​不仅​能够​检测​和​识别​信号,​还​能​对​信号​进行​测​向​和​定位。

NI​和​Ettus Research USRP​采用​异​构​架构​来​处理​SDR​和​主机​PC​上​的​信号。​由于​认知​系统​需要​生成​输出​信号​来​响应​频​谱​感​测​或​接收​到​的​信号,​SDR​上​的​板​载​内​联​处理​功能​就​显得​非常​重要。​FPGA​板​载​处理​可以​提供​很多​好处,​例如,​通过​传输​或​仅​存储​感兴趣​的​信号,​来​降低​延迟​(与​主机​双向​传输​所有​数据​相比)​和​减少​数据​链​路​或​总​线上​的​数据。

恶劣​的​电磁​环境​要求​信号​情报​系统​能够​检测​未知​信号​并​快速​适应​新的​威胁。​具有​深度​学习​能力​的​算法​可以​接受​训练​以​识别​新​信号,​同时​缩短​开发​时间。​而且,​SDR​架构​具有​低​SWaP、​实​时​处理​能力、​宽​带​前端​和​灵活​编​程​等​优点,​无疑是​部署​基于​AI​的​信号​情报​系统​的​理想​之​选。