М.В. Цветков1

1 МИРЭА – Институт радиоэлектроники и информатики (Москва, Россия)
1 jpotemkina3@gmail.com

Постановка проблемы. В последнее время наблюдается широкое применение искусственного интеллекта в различных сферах деятельности. Данная статья посвящена исследованию применения методов искусственного интеллекта, в частности, нейронных сетей, для обнаружения сигналов управления беспилотными летательными аппаратами (БПЛА) в рамках задач радиоэлектронной разведки и противодействия БПЛА.

Цель. Рассмотреть применение методов глубокого обучения для идентификации паттернов управления БПЛА в реальном времени с использованием распределенных сенсорных сетей.

Результаты. Показаны особенности сигналов БПЛА, такие как использование закрытых протоколов, помехоустойчивого кодирования, адаптивной перестройки параметров в зависимости от качества канала связи. Проанализированы ограничения традиционных методов обнаружения и обоснована перспективность применения нейросетевого подхода, способного находить скрытые признаки сигналов в условиях помех. Приведена обобщенная методология применения нейросетей, включающая в себя сбор и разметку данных, предобработку, извлечение признаков, обучение классификаторов и постобработку результатов. Продемонстрированы примеры успешного применения различных архитектур нейронных сетей (сверточных, рекуррентных, ансамблевых) для обнаружения сигналов БПЛА при низком отношении сигнал/шум. Отдельное внимание уделено принципам работы сверточных сетей со спектрограммами сигналов, позволяющим детектировать характерные частотно-временные паттерны сигналов БПЛА. Выявлены перспективные направления исследований, нацеленные на оптимизацию архитектур нейросетей, расширение обучающих выборок, адаптацию к новым протоколам, повышение интерпретируемости, интеграцию в комплексы РЭБ и противодействие методам радиоэлектронного подавления.

Практическая значимость. Результаты работы демонстрируют превосходство нейросетевого подхода над традиционными методами в условиях сложной помеховой обстановки и при наличии большого разнообразия сигналов.

Цветков М.В. Применение глубокого обучения для идентификации паттернов управления дронами в реальном времени с использованием распределенных сенсорных сетей // Успехи современной радиоэлектроники. 2025. T. 79. № 9. С. 59–69. DOI: https://doi.org/10.18127/ j20700784-202509-08

1. Ahmed A., Quoitin B., Gros A, Moeyaert V. A Comprehensive Survey on Deep Learning-Based LoRa Radio Frequency Fingerprinting Identification. Sensors (Basel). 2024 Jul 8. V. 24(13). P. 4411. DOI: 10.3390/s24134411. PMID: 39001190; PMCID: PMC11244599.
2. Jagannath A., Jagannath J., Kumar P.S.P.V. A comprehensive survey on radio frequency (RF) fingerprinting: Traditional approaches, deep learning, and open challenges. Comput. Netw. 2022. V. 219. P. 109455. DOI: 10.1016/j.comnet.2022.109455.
3. Jouhari M., Saeed N., Alouini M.S., Amhoud E.M. A Survey on Scalable LoRaWAN for Massive IoT: Recent Advances, Potentials, and Challenges. IEEE Commun. Surv. Tutor. 2023. V. 25. P. 1841–1876. DOI: 10.1109/COMST.2023.3274934.
4. Khalifeh A., Aldahdouh K.A., Darabkh K.A., Al-Sit W. A Survey of 5G Emerging Wireless Technologies Featuring LoRaWAN, Sigfox, NB-IoT and LTE-M. Proceedings of the 2019 International Conference on Wireless Communications Signal Processing and Networking (WiSPNET). Chennai, India. 21–23 March 2019. P. 561–566.
5. Krejčí R., Hujňák O., Švepeš M. Security survey of the IoT wireless protocols. Proceedings of the 2017 25th Telecommunication Forum (TELFOR). Belgrade, Serbia. 21–22 November 2017. P. 1–4.
6. Padiya S.D., Gulhane V.S. IoT and BLE Beacons: Demand, Challenges, Requirements, and Research Opportunities- Planning-Strategy. Proceedings of the 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT). Gwalior, India. 10–12 April 2020. P. 125–129.
7. Sung W.J., Ahn H.G., Kim J.B., Choi S.G. Protecting end-device from replay attack on LoRaWAN. Proceedings of the 2018 20th International Conference on Advanced Communication Technology (ICACT). Chuncheon, Republic of Korea. 11–14 February 2018. P. 167–171.
8. Xie L., Peng L., Zhang J., Hu A. Radio frequency fingerprint identification for Internet of Things. A survey. Secur. Saf. 2024. V. 3. P. 2023022. DOI: 10.1051/sands/2023022.
9. Цветнов В.В., Демин В.П., Куприянов А.И. Радиоэлектронная борьба. Радиоразведка и радиопротиводействие. М.: МАИ. 1998. 248 с.
10. Куприянов А.И., Шустов Л.Н. Радиоэлектронная борьба. Основы теории. М.: Вузовская книга. 2017. 800 с.
11. Палий А.И. Очерки истории радиоэлектронной борьбы. М.: Вузовская книга. 2006. 304 с.
12. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6. № 3. С. 28–59.
13. Игнатенко Н.В., Поликанин А.Н. Методы противодействия разведке с использованием малогабаритных беспилотных летательных аппаратов // Вестник СГУГиТ. 2018. Т. 23. № 4. С. 187–196.
14. Великоднев А.С., Третьяков И.Д., Шургин В.А. Радиоэлектронная разведка и радиоэлектронная борьба. Особенности разведки и противодействия // Молодой ученый. 2023. № 45 (492). С. 3–6.