近日,美国国防高级研究计划局(Defense Advanced Research Projects Agency, DARPA)推出新项目:
运用机器学习技术识别数以亿计不同的无线电讯号。
如今人们的生活中,应用射频的电子设备无处不见,数以亿计的移动电话,无人机,保安系统,交通灯,以及其他所有依赖射频的电子设备组成了一个巨大的且持续扩张的物联网(Internet of Things , IoT),当前AI领域最前沿的技术就包括机器学习(Machine Learning),
将机器学习技术应用到射频领域中不失为一个好的选择。
DA
R
PA微系统部门的项目经理Paul Tilghman介绍了此次的射频学习项目(Radio Frequency Machine Learning Systems,
RFMLS
):
“在我的设想中,RFMLS系统将会对射频图谱以及其不同的结合方式进行更深度的了解,它可以对系统后台中的信号进行辨别,可以识别出重要的信号和违规的信号。”
由于很多物联网中的设备是量产的,它们所发出的讯号十分相似。Tilghman想让该系统能够
识别物联网中信号之间细小的差别,同时能识别出那些恶意的讯号
。
对于千变万化的射频讯号的态势感知并非易事,它一般都需要一个被称为“
频谱共享
”的无线通讯管理范例。此范例通过对射频谱的共享得来的,并非一个专有的频率。
Tilghman希望通过技术手段来了解当前射频图谱的状态,来进一步的发展广泛的射频共享。这样就可以大大的增强电磁图谱中无线通讯的容量(也被称为“图谱合作挑战”)。
目前,AI的核心是由严重依赖人类编程和决策的专家系统所组成,它们只适用于诸如棋盘游戏、工业制造等可预见的、已经制定好规则了的领域内。在射频领域中也有类似的专家系统,比如说很多工程师已经用编程的方式来将调频的规则嵌在了系统内。当这些系统运行时,它并不是很了解射频谱内的情况。而将机器学习技术与其结合了之后该专家系统会拥有更多强大的功能。
通过使用大量射频信息对系统的训练,它可以轻易分辨出已知和未知波形的巨大范围。
RFMLS系统由如下部分组成:
“如果我们顺利的研发出了这个系统,我们就可以正式地分类并管理当今混乱的射频谱了。由此,我们就可以研发出新兴的自动化系统,并使依赖于此系统的军队领袖来进一步的了解无线网络方面的情况”, Tilghman说,“
我们希望RFMLS项目会成为AI研究新领域的根基
”。