다중 채널 및 다중 스케일 구조를 활용한 PSD 기반 UAV RF 식별 모델 = A PSD-Based UAV RF Identification Model Using Multi-Channel and Multi-Scale Architecture|RISS 상세보기

국문 초록 (Abstract)

최근 무인항공기（Unmanned Aerial Vehicle, UAV）에 대한 활용이 다양한 산업 분야로 확대되면서, 무단 비행, 불법 촬영, 공역 침범 등과 같은 보안 위협에 대응하기 위한 신뢰성 높은 식별 기술의 필요성이 증가하고 있다. 기존의 레이더, 영상, 음향 기반 탐지 기법은 도심 환경에서 잡음, 가시선 제약, 소형 기체의 특성 등으로 인해 성능 저하가 발생할 수 있다. 이러한 한계를 보완하기 위해 무선 주파수（Radio Frequency, RF） 신호 기반 UAV 식별 기법이 주목받고 있으며, 최근에는 딥러닝 기반 RF 핑거프린팅 연구가 활발히 진행되고 있다. 그러나 기존 연구는 제한된 데이터 환경에 의존하거나 높은 연산 비용을 요구하는 모델 구조를 사용하는 경우가 많아 실제 엣지 환경에 적용하는 데 제약이 존재한다. 특히 단시간 푸리에 변환（Short-Time Fourier Transform, STFT） 기반 시간-주파수 표현 방식은 높은 계산 복잡도로 인해 경량 장치에서의 실시간 처리에 부담이 될 수 있다. 따라서 제한된 연산 자원을 갖는 엣지 환경에서도 높은 식별 성능과 실시간 처리 효율을 동시에 만족할 수 있는 경량 모델과 효율적인 신호 표현 방식이 요구된다. 본 연구에서는 이러한 문제를 해결하기 위해 전력 스펙트럼 밀도（Power Spectral Density, PSD） 기반 신호 표현을 활용한 경량 UAV RF 식별 모델을 제안한다. 제안 모델은 연속된 PSD 프레임을 입력으로 사용하는 다중 채널 구조와 서로 다른 크기의 커널을 활용하는 다중 스케일 특징 추출 구조를 결합하여 단기적인 스펙트럼 변화와 다양한 RF 패턴을 효과적으로 반영할 수 있도록 설계되었다. 또한 14종의 UAV로부터 수집한 RF 데이터셋을 기반으로 전처리, 모델 설계, 성능 평가 및 엣지 디바이스 배포를 포함하는 전체 파이프라인을 구성하였다. 성능 검증 결과, 제안 모델은 14종 UAV 분류 실험에서 0.975의 정확도를 달성하여 기본 1차원 합성곱 신경망（Basic 1D Convolutional Neural Network, CNN）, 다중 스케일 CNN（Multi-Scale CNN）, 다중 채널 CNN（Multi-Channel CNN） 기반 비교 모델보다 우수한 성능을 보였다. 또한 RK3582 기반 엣지 컴퓨팅 환경에서 수행한 배포 실험에서는 평균 1.73 ms의 추론 지연 시간과 초당 578.95 프레임（Frames Per Second, FPS）의 처리량을 유지하였으며, 낮은 중앙처리장치（Central Processing Unit, CPU） 사용률과 안정적인 메모리 및 발열 특성을 확인하였다. 이러한 결과는 제안 모델이 제한된 자원 환경에서도 실시간 UAV RF 식별이 가능함을 보여준다. 본 연구는 RF 기반 UAV 식별 기술의 실용적 적용 가능성을 높이고, 엣지 환경에서 효율적으로 운용 가능한 UAV 식별 시스템 설계 방향을 제시한다. 향후 다양한 실외 환경과 채널 변화, 간섭 조건 등을 반영한 추가 연구를 통해 보다 일반화된 UAV 식별 시스템으로 확장될 수 있을 것으로 기대된다.

번역하기

최근 무인항공기（Unmanned Aerial Vehicle, UAV）에 대한 활용이 다양한 산업 분야로 확대되면서, 무단 비행, 불법 촬영, 공역 침범 등과 같은 보안 위협에 대응하기 위한 신뢰성 높은 식별 기술의 ...

목차 (Table of Contents)