נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

זיהוי נחיל רחפנים מתוך אות RF באמצעות DNN

Drones Swarm detection from RF communication using DNN

תקציר בעיברית

בשנים האחרונות ישנה מגמה הולכת ועולה של שימוש בנחילי רחפנים. השתלבות הרחפנים בעולם האזרחי והצבאי מהווה איום מבחינה ביטחונית.

התקשורת בין הרחפנים מתבצעת בין השאר בספקטרום רחב של תדרים המיועדים לשימוש חוקי ולכן  ישנה מגבלה לזיהוי רחפנים עוינים ומניעת חדירה לאזורים רגישים.

מטרת המחקר הינה לאפיין את ההתנהגות הספקטרלית של נחיל רחפנים מתוך אותות ה -Radio Frequency (RF) באמצעות חילוץ מאפיינים וגישה של למידה עמוקה - Deep Neural Networks (DNN), כאשר המטרה המרכזית הינה גילוי מספר הפריטים בנחיל.

לשם כך, ייצרנו מאגר מידע על ידי עיבוד אותות RF ממקמ"שים וניסיון לחלץ מאפיינים אודות הנתונים שהתקבלו. לאחר מכן התמקדנו בלמידה מפוקחת על ידי חילוץ מאפיינים מן האותות בעזרת טרנספורמים שונים, הסתכלות על ציר התדר כתלות בזמן ופעולות מתמטיות נוספות.

התוצאות הוכנסו לרשת CNN אשר הצליחה לסווג בין המקמ"שים.

תוצאות אלה הובילו אותנו למסקנה כי ניתן לסווג ולהבדיל בין מקמ"שים זהים - ובהתאם לכך ניתן לגלות את מספר הפריטים בנחיל רחפנים תוך התבוננות באותות ה - RF.

מילות מפתח: נחיל רחפנים, ספקטרום, בסיס נתונים, עיבוד אות, תקשורת רדיו, למידה עמוקה, גילוי ע"ב אותות RF, חילוץ מאפיינים.

תקציר באנגלית

In the last few years, the use of drone swarms has been increasing rapidly in many subjects, especially among civilians and military use for security reasons.

The communication between drones occurs among others in a wide spectrum of frequencies that are designated to be for legal use. Therefore, there are limitations in identifying hostile drones and preventing the invasion of sensitive regions.

 The purpose of the research is to characterize the spectral behavior of drone's swarms out of RF (Radio Frequency) signals through extracting features and approach of DNN (Deep Neural Networks), whereas the main goal is the detection of the number of drones in the swarm.

For that purpose, we have generated a database from transceivers by RF signal processing and feature extraction about the received date. Afterward, we were focused on supervised learning by feature extraction from the signals through various transforms, observation of the frequency domain as a function of time, and other mathematical methods. The results were an input to the CNN, which was able to classify the transceivers.

These results led us to the conclusion that it's possible to classify and differ between identical transceivers - and accordingly, it is possible to detect the number of items in a drone swarm through observation of RF signals.



Keywords: Drone's swarm, Spectrum, Database, Signal processing, Radio communication, Deep Neural Networks, RF signature detection, Features extraction.