Erkennung von Signalen mit geringer Abfangwahrscheinlichkeit: LPI/LPD-Herausforderungen

Die meisten Signale kündigen sich selbst an. Eine schmalbandige FM-Übertragung, ein Radarpulsfolge, ein Mikrowellen-Datenlink – jedes erzeugt eine Leistungsspitze, die ein konventioneller Energiedetektor im Moment findet, in dem er auf die richtige Frequenz abstimmt. Wellenformen mit geringer Abfangwahrscheinlichkeit (LPI) und geringer Detektionswahrscheinlichkeit (LPD) sind so konzipiert, dass sie das Gegenteil bewirken. Sie verteilen ihre Energie so dünn – in Frequenz, in Zeit oder in beidem –, dass die Leistung in jeder einzelnen Auflösungszelle unter dem Rauschpegel liegt, den ein nicht-kooperativer Empfänger messen kann. Für den Energiedetektor, der den Großteil der Spektrumüberwachung ausmacht, ist ein LPI-Signal schlicht nicht vorhanden. Dieser Artikel untersucht, warum LPI-Wellenformen den Standarderkennungsweg überwinden, und was ein SIGINT-System anders tun muss – Breitbandsensierung, Rauschpegeldisziplin und merkmalsbasierte Detektion –, um eine Übertragung zu finden, die gezielt so gestaltet wurde, nicht gefunden zu werden.

Was ein Signal zu einem Signal mit geringer Abfangwahrscheinlichkeit macht

LPI ist eine Eigenschaft der Wellenform, nicht der Geheimhaltung des Senders. Ein Designer macht ein Signal schwer abzufangen, indem er seine maximale Leistungsspektraldichte (PSD) an jedem Punkt, an dem ein Gegner zuhören könnte, reduziert. Es gibt vier primäre Techniken, die häufig kombiniert werden.

Direktsequenz-Spreizspektrum (DSSS). Die Daten werden mit einer hochratigen pseudozufälligen Chipsequenz multipliziert, wodurch ein schmalbandiges Signal über eine vielfach breitere Bandbreite gespreizt wird. Die Gesamtenergie bleibt unverändert, aber die PSD sinkt um den Verarbeitungsgewinn – das Verhältnis der gespreizten Bandbreite zur Datenbandbreite. Ein Signal mit 30 dB Verarbeitungsgewinn hat seine PSD um 30 dB abgesenkt, häufig weit unter den Rauschpegel. Ein kooperativer Empfänger, der die Chipsequenz kennt, entspreizt das Signal und gewinnt den vollen SNR zurück; ein nicht-kooperativer sieht Rauschen.

Frequenzsprung-Spreizspektrum (FHSS). Der Träger springt schnell über einen großen Sprungsatz nach einem pseudozufälligen Zeitplan. In jedem Moment ist das Signal schmalbandig, aber es bleibt nie lang genug auf einer Frequenz, damit ein Schmalbandempfänger einrasten und es charakterisieren kann. Schnelle Springer wechseln die Frequenz hunderte bis tausende Male pro Sekunde über Dutzende oder Hunderte von Megahertz.

Geringe Sendeleistung und Leistungsmanagement. Viele taktische Verbindungen strahlen nur die Mindestleistung aus, die zum Schließen der Verbindung benötigt wird, und reduzieren die Leistung adaptiv, wenn sich die Reichweite verkürzt. Der beabsichtigte Empfänger ist nahe und stellt die Verbindung wieder her; ein weiter entfernter Abfänger sieht ein Signal, das durch den zusätzlichen Wegverlust abgeschwächt wurde.

Dauerstrich- und rauschähnliche Wellenformen. LPI-Radar verwendet insbesondere frequenzmodulierte Dauerstrich-Wellenformen (FMCW) oder phasenkodierte Dauerstrich-Wellenformen, die Energie über Zeit und Frequenz verteilen und so den leicht erkennbaren hochleistungsstarken Impuls eines konventionellen Radars durch eine niedrige, konstante Emission ersetzen.

Warum die Energiedetektion versagt

Der Energiedetektor ist das Arbeitspferd der Spektrumüberwachung: Die empfangene Leistung in einem Kanal integrieren, den Rauschpegel schätzen und eine Detektion erklären, wenn die Leistung einen Schwellenwert über diesem Pegel überschreitet. Seine Stärke liegt darin, dass er kein Wissen über das Signal benötigt. Seine Schwäche besteht darin, dass er vollständig von der Leistung abhängt, und LPI-Wellenformen greifen die Leistung direkt an.

Zwei Effekte verstärken sich gegenseitig. Erstens liegt die PSD des LPI-Signals konstruktionsbedingt unter dem Rauschpegel, sodass sich die integrierte Leistung im Detektionsband kaum verändert, wenn das Signal vorhanden ist. Zweitens – und das ist die Falle, in die naive Implementierungen tappen – verschlechtert sich die Energiedetektion bei niedrigem SNR auf nicht-graduelle Weise. Der Detektor ist darauf angewiesen, die Rauschleistung genau zu kennen, um seinen Schwellenwert zu setzen. Jede Unsicherheit in dieser Schätzung – durch Kalibrierungsdrift, Temperatur oder störende Sender – erzeugt einen Rauschleistungspegel, unterhalb dessen der Detektor das Signal nicht von einem leicht falsch geschätzten Rauschen unterscheiden kann. Dies ist die SNR-Wand: ein Signal-Rausch-Verhältnis, unterhalb dessen keine Erhöhung der Integrationszeit eine zuverlässige Detektion liefert, weil die Rauschleistungsunsicherheit – nicht das thermische Rauschen – jetzt dominiert. Energiedetektoren haben eine verhältnismäßig hohe SNR-Wand, und LPI-Wellenformen sind so konstruiert, dass sie darunter betrieben werden.

Die praktische Lektion lautet, dass eine längere Integrationszeit bei einem Energiedetektor das LPI-Problem nicht löst. Jenseits der SNR-Wand bringt längere Beobachtungsdauer nichts. Die Lösung besteht darin, den Detektor zu wechseln, nicht denselben Detektor länger laufen zu lassen.

Breitbandsensierung: Sie können nicht erkennen, was Sie nicht beobachten

Bevor ein Detektor läuft, muss das Frontend das Signal im Blick haben. Bei LPI-Wellenformen ist dies keine triviale Einschränkung. Ein Frequenzsprung-Sender verteilt sich über einen Sprungsatz, der weit breiter ist als die Verweildauer auf einem einzelnen Sprung; ein Schmalbandempfänger, der das Band abtastet, wird mit hoher Wahrscheinlichkeit bei jedem einzelnen Sprung woanders abgestimmt sein. Eine zuverlässige FHSS-Erfassung erfordert eine momentane Sensierungsbandbreite, die den gesamten Sprungsatz abdeckt, sodass jeder Sprung unabhängig vom Zeitpunkt innerhalb des beobachteten Bandes liegt.

Die Standardarchitektur ist ein Breitband-Digitizer, der eine Polyphase-Filterbank speist, die das erfasste Band in Hunderte oder Tausende schmale Kanäle aufteilt, die jeweils parallel überwacht werden. Dies ist dieselbe Kanalisierungsstufe, die in SDR-Signalverarbeitungs-Pipelines beschrieben wird, aber für LPI-Arbeit sind die Anforderungen an Bandbreite und Dynamikbereich unnachgiebig. Der Digitizer muss ein schwaches Spreizspektrumsignal über seinem Quantisierungspegel halten, selbst wenn ein starker konventioneller Sender das Band teilt – eine Dynamikbereichsanforderung, die zu Analog-Digital-Wandlern mit hoher Bittiefe und sorgfältigem Frontend-Verstärkungsmanagement drängt.

Es besteht ein direkter Zusammenhang zwischen der Sensierungsbandbreite und der Detektionswahrscheinlichkeit bei Springern. Wenn die momentane Bandbreite nur einen Bruchteil des Sprungsatzes abdeckt, beobachtet der Empfänger nur diesen Bruchteil der Sprünge, und die Detektionswahrscheinlichkeit pro Verweildauer sinkt proportional. Die Hälfte des Sprungsatzes bedeutet ungefähr die Hälfte der gesehenen Sprünge – und bei einem schnellen Springer mit kurzen Verweildauern sind die verpassten Sprünge für immer verloren.

Zyklostationäre Analyse: Struktur, wo die Energiedetektion keine sieht

Das entscheidende Werkzeug gegen LPI-Signale ist die zyklostationäre Merkmalsdetektion. Das Prinzip besteht darin, dass von Menschenhand hergestellte modulierte Signale verborgene Periodizitäten tragen – in ihrer Trägerfrequenz, Symbolrate, Chiprate oder Kodierung –, die thermisches Rauschen nicht hat. Diese Periodizitäten machen die Statistik des Signals zyklostationär: seine Autokorrelation ist zeitlich periodisch. Weißes Gaußsches Rauschen ist stationär und hat keine solche Periodizität. Ein Detektor, der zyklische Struktur misst, kann daher Signal von Rauschen durch Struktur statt durch Leistung trennen.

Die Kernmessung ist die spektrale Korrelationsfunktion (SCF), die die Korrelation zwischen zwei Spektralkomponenten des Signals quantifiziert, die durch eine zyklische Frequenz, bezeichnet als Alpha, getrennt sind. Bei Rauschen ist die SCF überall null, außer bei Alpha gleich null (wo sie zur gewöhnlichen Leistungsspektraldichte kollabiert). Bei einem modulierten Signal zeigt die SCF ausgeprägte Spitzen bei zyklischen Frequenzen, die an die Symbol- oder Chiprate und an das Doppelte des Trägers gebunden sind. Ein direkt unter dem Rauschpegel in der konventionellen PSD vergrabenes Direktsequenzsignal erzeugt in der SCF dennoch einen erkennbaren Peak bei seiner Chiprate.

Genau das ermöglicht es der zyklostationären Detektion, mehrere Dezibel unterhalb der Energiedetektion-SNR-Wand zu arbeiten. Die Kosten sind Rechenaufwand: Die SCF ist eine zweidimensionale Funktion über Frequenz und zyklische Frequenz, und ihre Berechnung über ein breites Band ist aufwändig. Effiziente Algorithmen – die FFT-Akkumulationsmethode und der Streifenspektral-Korrelationsalgorithmus – machen sie handhabbar, aber die zyklostationäre Detektion bleibt eine der schwersten Stufen in einer SIGINT-Verarbeitungskette. Sie wird typischerweise selektiv angewendet, ausgelöst durch einen günstigeren Erstdurchlaufdetektor oder auf Kanälen von dauerhaftem Interesse, anstatt kontinuierlich über jeden Kanal zu laufen.

Verwandte Merkmalsdetektoren

Die zyklostationäre Analyse ist die allgemeinste strukturbasierte Methode, aber mehrere leichtgewichtigere Detektoren nutzen dieselbe Idee. Der Autokorrelationsdetektor sucht nach einem Peak bei einer bekannten Verzögerung – effektiv, wenn die Symbol- oder Chipperiode ungefähr bekannt ist. Das Matched Filter ist optimal, wenn die Wellenform vollständig bekannt ist, aber dieses Wissen ist bei einem nicht-kooperativen LPI-Sender selten verfügbar. Statistiken höherer Ordnung, wie Kumulanten vierter Ordnung, unterdrücken Gaußsches Rauschen (dessen höhere Kumulanten verschwinden), während sie die des Signals erhalten, und bieten so einen weiteren Erkennungsweg unterhalb des Energiepegels. Die richtige Wahl hängt davon ab, wie viel a priori über die Zielwellenform bekannt ist.

Erfassung und Charakterisierung von Frequenzsprung-Sendern

Das Erkennen, dass ein LPI-Signal existiert, ist nur das erste Ziel; der nachrichtendienstliche Wert ergibt sich aus seiner Charakterisierung. Bei einem Frequenzsprung-Sender bedeutet Charakterisierung die Wiederherstellung des Sprungsatzes (welche Frequenzen er verwendet), der Verweildauer pro Sprung und der Sprungrate, gefolgt von der Rekonstruktion des Zeit-Frequenz-Sprungmusters.

Mit einer Breitbanderfassung, die in parallele Kanäle kanalisiert ist, zeichnet das System kanalspezifische Detektionen mit genauen Zeitstempeln auf. Die Korrelation dieser Detektionen über Kanäle und Zeit rekonstruiert die Sprungsequenz: ein Burst in Kanal A zum Zeitpunkt t, dann Kanal F bei t plus Verweildauer, dann Kanal C, und so weiter. Das rekonstruierte Muster zeigt die Sprungrate und mit genügend Beobachtung die Struktur des Sprungsatzes. Diese Kanalkorrelation trennt auch einen Springer von einem anderen, wenn sich mehrere das Band teilen – unterschiedliche Verweildauern und Sprungsätze bilden den Fingerabdruck einzelner Sender. Die Verknüpfung mit der Modulations- und Senderanalyse, wie sie in Signalklassifikation mit maschinellem Lernen beschrieben wird, ergibt ein vollständiges Bild davon, was der Sender ist und potenziell welches Gerät es ist.

Bei Direktsequenzsignalen bedeutet Charakterisierung die Schätzung der Chiprate aus der SCF und anschließend die Suche nach dem Spreizcode. Sobald der Code wiederhergestellt ist, kann das Signal entspreizt und seine zugrundeliegende Modulation gelesen werden. Blindes Entspreizen – die Wiederherstellung des Codes ohne Vorwissen – verwendet zyklostationäre und höherstatistische Techniken zur Schätzung der Chipperiode und Codelänge, gefolgt von einer Codeerfassungssuche zum Einrasten der Sequenz.

Maschinelles Lernen für die Erkennung bei niedrigem SNR

Manuell abgestimmte Merkmalsdetektoren erfordern, dass ein Designer antizipiert, welche Statistik eine bestimmte Wellenform am besten vom Rauschen trennt. Maschinelles Lernen verlagert diese Last auf Trainingsdaten. Ein neuronales Netz, das auf beschrifteten IQ-Segmenten oder abgeleiteten Darstellungen wie spektralen Korrelationsflächen oder Kurzzeit-Fourier-Transformations-Spektrogrammen trainiert wurde, lernt die Signatur von LPI-Wellenformen direkt. Faltungsnetze, die auf Zeit-Frequenz-Bildern arbeiten, erkennen und klassifizieren Direktsequenz- und Frequenzsprung-Signale bei niedrigem SNR und verallgemeinern über Wellenformparameter, für die ein parametrischer Detektor neu abgestimmt werden müsste.

Zwei Einschränkungen bestimmen, ob maschinelles Lernen in der Praxis hilft. Der Trainingssatz muss den SNR-Bereich und die Wellenformvielfalt abdecken, mit der das System konfrontiert sein wird; ein Netz, das nur auf starken Signalen trainiert wurde, versagt bei den schwachen, die für LPI am wichtigsten sind. Und die Falsch-Alarm-Rate muss explizit begrenzt werden – ein rein auf Genauigkeit optimierter Detektor kann eine dichte Spektralumgebung mit Alarmen überfluten. Im produktiven Betrieb werden ML-Detektoren am besten als Cue-Stufe eingesetzt, die die schwerere zyklostationäre Analyse speist, und nicht als alleinige Instanz, damit eine bestätigte Detektion auf interpretierbarer Signalstruktur beruht.

Systemimplikationen: Von Anfang an für LPI bauen

Die Erkennung von LPI-Signalen ist eine architektonische Verpflichtung, keine Funktion, die an einem Schmalband-Überwachungssystem ein- und ausgeschaltet wird. Das Frontend muss breitbandig und hochdynamisch sein, um den gesamten Sprungsatz zu beobachten, ohne an konventionellen Sendern zu sättigen. Der Rauschpegel muss pro Kanal kalibriert und verfolgt werden, weil die SNR-Wand – nicht die rohe Empfindlichkeit – die Erkennungsgrenze setzt. Die Verarbeitungskette muss Rechenleistung für zyklostationäre und höherstatistische Detektoren reservieren, die weit schwerer sind als die Energiedetektion. Und der Analysten-Workflow muss Detektionen über Kanäle und Zeit korrelieren, um Sprungraster zu rekonstruieren und Sequenzen zu entspreizen, anstatt jeden Kanal isoliert zu behandeln. Ein ausschließlich auf Energiedetektion aufgebautes Überwachungssystem lässt sich nicht in einen LPI-Detektor umrüsten; die Anforderung reicht bis zur Antenne und zum Digitizer zurück.

Für das verwandte Problem der Unterscheidung absichtlicher Störungen von echten Sendern, siehe die Diskussion der elektronischen Kriegsführung Signalerkennung, die einen Großteil der hier beschriebenen Breitbandsensierungs- und Merkmalsdetektionsmaschinerie teilt.