Matalan sieppaustodennäköisyyden signaalien havaitseminen: LPI/LPD-haasteet

Useimmat signaalit ilmoittavat itsestään. Kapeakaistainen FM-lähetys, tutkapulssijono tai mikrowaveinen datalinkkiyhteys – jokainen tuottaa tehopiikan, jonka tavanomainen energiailmaisin löytää heti, kun se virittää oikealle taajuudelle. Matalan sieppaustodennäköisyyden (LPI) ja matalan havaitsemistodennäköisyyden (LPD) aaltomuodot on suunniteltu tekemään päinvastoin. Ne levittävät energiansa niin ohueksi – taajuudessa, ajassa tai molemmissa – että teho missä tahansa yksittäisessä resoluutioalkiossa asettuu kohinapohjan alle, jonka ei-yhteistoiminnallinen vastaanotin pystyy mittaamaan. Tavalliselle energiailmaisimelle, joka muodostaa useimpien spektrivalvontajärjestelmien selkärangan, LPI-signaali yksinkertaisesti ei ole olemassa. Tässä artikkelissa tarkastellaan, miksi LPI-aaltomuodot päihittävät tavanomaisen havaitsemispolun ja mitä SIGINT-järjestelmän on tehtävä eri tavoin – laajakaistainen sensorointi, kohinapohjan hallinta ja piirrepohjainen havaitseminen – löytääkseen lähetyksen, joka on erityisesti suunniteltu olemaan löytymättä.

Mikä tekee signaalista matalan sieppaustodennäköisyyden signaalin

LPI on aaltomuodon ominaisuus, ei lähettimen salaisuuden ominaisuus. Suunnittelija tekee signaalista vaikean siepata pienentämällä sen huipputehotiheyden (PSD) missä tahansa pisteessä, jossa vastustaja saattaa kuunnella. Neljä pääasiallista tekniikkaa, joita käytetään usein yhdistellen.

Suorasekvenssinen hajaspektri (DSSS). Data kerrotaan suuren nopeuden pseudosatunnaisella sirusekvenssillä, levittäen kapeakaistainen signaali kaistanleveydelle, joka on monta kertaa laajempi. Kokonaisenergia ei muutu, mutta PSD laskee prosessointivoiton verran – hajautetun kaistanleveyden ja datakaistanleveyden suhteen. Signaalilla, jonka prosessointivoitto on 30 dB, sen PSD painuu 30 dB:tä alemmaksi, usein selvästi kohinapohjan alle. Yhteistoiminnallinen vastaanotin, joka tuntee sirusekvenssin, hajottaa sen ja palauttaa täyden SNR:n; ei-yhteistoiminnallinen näkee kohinaa.

Taajuushyppely-hajaspektri (FHSS). Kantoaalto hyppää nopeasti suuressa hyppelysarjassa pseudosatunnaisella aikataululla. Hetkittäin signaali on kapeakaistainen, mutta se ei koskaan pysy taajuudella tarpeeksi kauan, jotta kapeakaistainen vastaanotin voisi lukittua siihen ja karakterisoida sen. Nopeat hyppelijät vaihtavat taajuutta sadoista tuhansiin kertaan sekunnissa kymmenien tai satojen megahertsien alueella.

Pieni lähetysteho ja tehohallinta. Monet taktiset linkit säteilevät vain vähimmäistehon, joka tarvitaan yhteyden ylläpitämiseen, ja vähentävät tehoa adaptiivisesti etäisyyden lyhentyessä. Tarkoitettu vastaanotin on lähellä ja ylläpitää yhteyden; kauempana oleva sieppaaja näkee signaalin, jota ylimääräinen vaimeneminen heikentää entisestään.

Jatkuvat ja kohinamaiset aaltomuodot. LPI-tutka käyttää erityisesti taajuusmoduloitua jatkuvaa aaltoa (FMCW) tai vaihekoodattuja jatkuvia aaltoja, jotka levittävät energian sekä ajassa että taajuudessa, korvaten tavanomaisen tutkan helposti havaittavan suuren huipputehoisen pulssin matalalla jatkuvalla emissiolla.

Miksi energianhavaitseminen epäonnistuu

Energiailmaisin on spektrivalvonnan perustyökalu: integroi vastaanotettua tehoa kanavassa, arvioi kohinapohja ja ilmoita havaitsemisesta, kun teho ylittää kynnyksen kyseisen pohjan yläpuolella. Sen vahvuus on, että se ei tarvitse tietoa signaalista. Sen heikkous on se, että se nojaa täysin tehoon, ja LPI-aaltomuodot hyökkäävät suoraan tehoa vastaan.

Kaksi vaikutusta kertautuu. Ensinnäkin LPI-signaalin PSD on tarkoituksellisesti kohinapohjan alapuolella, joten integroitu teho havaitsemiskaistalla ei juuri muutu signaalin läsnä ollessa. Toiseksi – ja tämä on ansa, johon naiiviit toteutukset lankeavat – energianhavaitseminen heikkenee epäsulavasti alhaisella SNR:llä. Ilmaisin luottaa kohinatehon tarkkaan tuntemiseen kynnyksen asettamiseksi. Mikä tahansa epävarmuus tässä arviossa – kalibroinnin ajautumisesta, lämpötilasta tai häiritsevistä emittereistä – luo kohinatehopohjan, jonka alapuolella ilmaisin ei pysty erottamaan signaalia hieman väärin arvioidusta kohinatasosta. Tämä on SNR-seinä: signaali-kohinasuhde, jonka alla mikään integraatioajan lisääminen ei tuota luotettavaa havaitsemista, koska kohinatehon epävarmuus – ei terminen kohina – nyt hallitsee tilannetta. Energiailmaisimilla on suhteellisen korkea SNR-seinä, ja LPI-aaltomuodot on suunniteltu toimimaan sen alapuolella.

Käytännön opetus on se, että suuremman integraatioajan käyttäminen energiailmaisimessa ei ratkaise LPI-ongelmaa. SNR-seinän jälkeen pidemmästä viiveajasta ei ole hyötyä. Ratkaisu on vaihtaa ilmaisinta, ei ajaa samaa ilmaisinta kovemmin.

Laajakaistainen sensorointi: et voi havaita sitä, mitä et tarkkaile

Ennen kuin mikään ilmaisin käynnistyy, etuasteen täytyy katsoa signaalia. LPI-aaltomuodoille tämä on ei-triviaali rajoite. Taajuushyppely-emitteri leviää hyppelysarjaan, joka on paljon laajempi kuin viiveaika yksittäisellä hypyllä; kapeakaistainen vastaanotin, joka skannaa kaistaa, on suurella todennäköisyydellä viritetty muualle minkä tahansa yksittäisen hypyn aikana. FHSS:n luotettava talteenotto vaatii hetkellisen sensorointikaistan, joka kattaa koko hyppelysarjan, jotta jokainen hyppy laskeutuu havaitun kaistan sisälle riippumatta siitä, milloin se tapahtuu.

Vakioarkkitehtuuri on laajakaistainen digitoija, joka syöttää polyfaasisuodatinpankkia, joka jakaa kaapatun kaistan sadoiksi tai tuhansiksi kapeiksi kanaviksi, joita jokaista tarkkaillaan rinnakkain. Tämä on sama kanavointiaste, joka on kuvattu SDR-signaalinkäsittelyputkissa, mutta LPI-työssä kaistanleveys- ja dynaamisen alueen vaatimukset ovat anteeksiantamattomia. Digitoijan täytyy pitää heikko hajaspektrumisignaali kvantisointipohjansa yläpuolella, vaikka kaistalla on vahva tavanomainen emitteri – dynaamisen alueen vaatimus, joka ohjaa kohti suuribittisiä ADC-muuntimia ja huolellista etuasteen vahvistuksen hallintaa.

Sensorointikaistan ja hyppelysignaalien havaitsemistodennäköisyyden välillä on suora yhteys. Jos hetkellinen kaista kattaa vain osan hyppelysarjasta, vastaanotin havaitsee vain sen osan hypyistä, ja havaitsemistodennäköisyys yhdellä viiveajalla laskee vastaavasti. Puolet hyppelysarjasta tarkoittaa karkeasti puolta nähdyistä hypyistä – ja nopealle hyppelijälle lyhyillä viiveajoilla menetetyt hypyt ovat menneet ikuisiksi ajoiksi.

Syklostaatioanalyysi: rakennetta siellä, missä energianhavaitseminen ei näe mitään

Ratkaiseva työkalu LPI-signaaleja vastaan on syklostaattinen piirrehavaitseminen. Periaate on, että ihmisen tekemät moduloidut signaalit kantavat piilotettuja jaksollisia rakenteita – kantoaaltotaajuudessaan, symbolinopeudessa, sirunopeudessa tai koodauksessa – joita termisellä kohinalla ei ole. Nämä jaksottumat tekevät signaalin tilastot syklostaattisiksi: sen autokorrelaatio on ajallisesti jaksollinen. Valkoinen Gaussinen kohina on stationaarinen eikä omaa tällaista jaksottumarakennetta. Syklistä rakennetta mittaava ilmaisin voi siksi erottaa signaalin kohinasta rakenteen – ei tehon – perusteella.

Ydintulos on spektraalinen korrelaatiofunktio (SCF), joka kvantifioi korrelaation kahden syklisellä taajuudella alfa erotetun spektrikomponentin välillä. Kohinan SCF on nolla kaikkialla paitsi kohdassa alfa = nolla (missä se palautuu tavalliseen tehotiheysfunktioon). Moduloidun signaalin SCF näyttää selkeitä piikkejä syklisillä taajuuksilla, jotka liittyvät symboli- tai sirunopeuteen ja kaksinkertaiseen kantoaaltoon. Tavanomaisessa PSD:ssä kohinapohjan alle piilotettu suorasekvenssisignaali tuottaa silti tunnistettavan piikin SCF:ssä sirunopeudellaan.

Tämä on se, minkä ansiosta syklostaatioanalyysi toimii useita desibelejä energianhavaitsemisen SNR-seinän alapuolella. Hintana on laskenta: SCF on kaksiulotteinen funktio taajuuden ja syklisen taajuuden yli, ja sen laskeminen laajalla kaistalla on kallista. Tehokkaat algoritmit – FFT-kumulointimenetelmä ja kaistalinen spektraalinen korrelaatioalgoritmi – tekevät siitä hallittavaa, mutta syklostaatioanalyysi pysyy yhtenä SIGINT-käsittelyketjun raskaimmista vaiheista. Sitä sovelletaan tyypillisesti valikoivasti, halvemman ensimmäisen vaiheen ilmaisimen vihjauksesta tai pysyvistä kiinnostavista kanavista, eikä sitä ajeta jatkuvasti kaikilla kanavilla.

Liittyvät piirre-ilmaisimet

Syklostaatioanalyysi on yleisin rakenteeseen perustuva menetelmä, mutta useat kevyemmät ilmaisimet hyödyntävät samaa ajatusta. Autokorrelaatioilmaisin etsii piikkiä tunnetulla viiveellä – tehokas, kun symboli- tai sirujakso on suunnilleen tiedossa. Sovitettu suodatin on optimaalinen, kun aaltomuoto on täysin tunnettu, mutta tuo tieto on harvoin saatavilla ei-yhteistoiminnallista LPI-emitteriä vastaan. Korkeampiasteiset tilastot, kuten neljännen asteen kumulantit, tukahduttavat Gaussisen kohinan (jonka korkeammat kumulantit häviävät) säilyttäen signaalin, tarjoten toisen reitin havaitsemiseen energiapohjan alla. Oikea valinta riippuu siitä, kuinka paljon kohdeaaltomuodosta tiedetään etukäteen.

Taajuushyppely-emitterien talteenotto ja karakterisointi

LPI-signaalin olemassaolon havaitseminen on vasta ensimmäinen tavoite; tiedustelun arvo tulee sen karakterisoinnista. Taajuushyppely-emitterille karakterisointi tarkoittaa hyppelysarjan (mitä taajuuksia se käyttää), viiveajan hypyllä ja hyppelytaajuuden palauttamista, ja sitten aikataajuuden hyppelykuvion rekonstruoimista.

Rinnakkaisiksi kanaviksi kanavoidulla laajakaistakaappauksella järjestelmä tallentaa kanavittaiset havainnot tarkkojen aikaleimoja. Näiden havaintojen korrelointi kanavien ja ajan yli rekonstruoi hyppelisekvenssin: purske kanavassa A aikana t, sitten kanava F aikana t plus viiveaika, sitten kanava C, ja niin edelleen. Rekonstruoitu kuvio paljastaa hyppelytaajuuden ja riittävän havainnoinnin jälkeen hyppelysarjan rakenteen. Sama kanavien välinen korrelaatio erottaa yhden hyppelijän toisesta, kun useat jakavat kaistan – erilliset viiveajat ja hyppelysarjat sormenjälkiyttävät yksittäiset emitterit. Tämän yhdistäminen modulaatioon ja emitterianalyysiin, kuten kuvataan koneoppimisen signaalinluokittelussa, antaa täydellisen kuvan siitä, mikä emitteri on ja mahdollisesti mikä laite se on.

Suorasekvenssisignaaleille karakterisointi tarkoittaa sirunopeuden arviointia SCF:stä, sitten hajautuskoodin etsimistä. Kun koodi on palautettu, signaali voidaan hajottaa ja sen taustalla oleva modulaatio lukea. Sokea hajottaminen – koodin palauttaminen ilman etukäteistietoa – käyttää syklostaattisia ja korkeampiasteisia tilastollisia tekniikoita arvioimaan sirujakso ja koodipituus, sitten koodin hankinnan hakua sekvenssin lukitsemiseksi.

Koneoppiminen alhaisella SNR:llä havaitsemiseen

Käsin viritetyt piirre-ilmaisimet vaativat suunnittelijalta ennakointia siitä, mikä tilasto parhaiten erottaa tietyn aaltomuodon kohinasta. Koneoppiminen siirtää tämän taakan harjoitusdatalle. IQ-segmenteillä merkityllä datalla – tai johdetuilla esityksillä kuten spektraalikorrelaatiopinnoilla tai lyhytaikaisen Fourier-muunnoksen spektrogrammeilla – koulutettu neuroverkko oppii suoraan LPI-aaltomuotojen signatuurin. Konvoluutioverkot, jotka toimivat aikataajuuskuvilla, havaitsevat ja luokittelevat suorasekvenssisiä ja taajuushyppely-signaaleja alhaisella SNR:llä ja yleistyvät aaltomuotoparametrien yli, joita varten parametrinen ilmaisin tarvitsisi uudelleenvirityksen.

Kaksi rajoitusta määrää, auttaako ML käytännössä. Harjoitusjoukon täytyy kattaa SNR-alue ja aaltomuotodiversiteetti, joita järjestelmä kohtaa; pelkästään vahvoilla signaaleilla koulutettu verkko epäonnistuu heikkojen kanssa, jotka ovat tärkeimpiä LPI:n kannalta. Ja väärän hälytyksen suhde on rajattava eksplisiittisesti – pelkälle tarkkuudelle optimoitu ilmaisin voi tulvittaa tiheän spektriympäristön hälytyksillä. Tuotannossa ML-ilmaisimet on parasta ottaa käyttöön vihjauksena raskaammalle syklostaatioanalyysille, ei ainoana auktoriteettina, jotta vahvistettu havaitseminen nojaa tulkittavaan signaalirakenteeseen.

Järjestelmälliset vaikutukset: rakentaminen LPI-havaitsemiselle alusta alkaen

LPI-signaalien havaitseminen on arkkitehtoninen sitoutuminen, ei ominaisuus, joka kytketään päälle kapeakaistaisessa valvontajärjestelmässä. Etuasteen on oltava laajakaistainen ja suuren dynaamisen alueen, jotta koko hyppelysarja näkyy ilman saturoitumista tavanomaisilla emittereillä. Kohinapohja on kalibroitava ja seurattava kanavittain, koska SNR-seinä – ei raaka herkkyys – asettaa havaitsemisrajan. Käsittelyketjun on varattava laskentaa syklostaattisille ja korkeampiasteisille tilastollisille ilmaisimille, jotka ovat paljon raskaampia kuin energianhavaitseminen. Ja analyytikon työnkulun on korreloitava havainnot kanavien ja ajan yli rekonstruoidakseen hyppelykuvioita ja hajottaakseen sekvenssejä, sen sijaan että käsiteltäisiin jokainen kanava erikseen. Valvontajärjestelmää, joka on rakennettu pelkästään energianhavaitsemisen ympärille, ei voi paikata LPI-ilmaisimeksi; vaatimus ulottuu takaisin antenniin ja digitoijaan.

Liittyvää ongelmaa erottaa tahallinen häirintä aidoista emittereistä varten, katso elektronisen sodankäynnin signaalinhavaitsemisen käsittely, joka jakaa suuren osan tässä kuvatusta laajakaistaisen sensoroinnin ja piirrehavaitsemisen mekanismistosta.