Intelligent robust radiokommunikation

Syftet med denna rapport är att öka kunskapen om hur maskininlärning (ML) kan användas för att effektivisera radiokommunikationssystem med hänsyn till de särkrav på robusthet som krävs för militära tillämpningar, avseende exempelvis garanterad tillgänglighet och skydd mot störning. Rapporten behandlar tre områden: tillgång till träningsdata, tekniker för det fysiska lagret samt tidluckeallokering i radionät. Rapporten visar att algoritmer baserade på neurala nätverk kan utföra demodulation i impulsrik interferensmiljö med god prestanda och lägre beräkningskomplexitet än traditionella algoritmer. Vidare, kan mottagare som utför kanalestimering, kanalutjämning och demodulering via ett neuralt nätverk göras mer robust mot störning genom att inkludera ML-attacker (eng. adversarial attacks) i träningen av nätverket. Ett exempel på hur sårbarheter kan nyttjas till egen fördel ges, i vilket sändaren adderar en störning till kommunikationssignalen i syfte att försämra prestanda för en fientlig, publikt välkänd, modulationsklassificerare. Störningen undertrycks av kommunikationsmottagaren för att inte försämra bitfelshalten i mottagningen. Resultat visar att tekniken fungerar, men behöver vidareutvecklas för att ge önskad prestanda. Träningsdata av tillräcklig mängd och kvalitet är avgörande för hur en ML-algoritm presterar. Att mäta verkliga data i den mängd som behövs är svårt, men har fördelen att fånga verkliga signalbeteenden. Syntetiska data är lättare att skapa i tillräcklig omfattning, men det är svårt att modellera signal- och kanaleffekter på ett realistisk sätt. Vid nyttjande av publika dataset kan resultat jämföras med andras resultat, men det är svårt att kontrollera hur data har skapats och därmed om de innehåller felaktigheter. För att utvidga ett dataset i situationer där tillräcklig mängd saknas, kan så kallad datautökning nyttjas, men det resulterande datasetet måste valideras med relevanta metoder. Denna rapport studerar även resursallokering i form av tidlucketilldelning. Ett flertal arbeten har publicerats avseende kanalaccess i 5G- och 6G-nät, i vilka reinforcement learning lyfts fram som en lämplig teknik för dessa uppgifter. Hur dessa tekniker kan översättas till taktiska mobila radionät, i vilka schemaläggning sker distribuerat, är ett arbete som påbörjats och planeras att fortsätta i kommande forskningsprojekt.