[논문]LSTM을 이용한 재밍 기법 예측

이경훈; 조제일; 박정희

doi:10.9766/kimst.2019.22.2.278

LSTM을 이용한 재밍 기법 예측
Prediction of Jamming Techniques by Using LSTM 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.22 no.2, 2019년, pp.278 - 286

이경훈 (충남대학교 컴퓨터공학과) , 조제일 (국방과학연구소 제2기술연구본부) , 박정희 (충남대학교 컴퓨터공학과)

Abstract ▼ AI-Helper

Conventional methods for selecting jamming techniques in electronic warfare are based on libraries in which a list of jamming techniques for radar signals is recorded. However, the choice of jamming techniques by the library is limited when modified signals are received. In this paper, we propose a method to predict the jamming technique for radar signals by using deep learning methods. Long short-term memory(LSTM) is a deep running method which is effective for learning the time dependent relationship in sequential data. In order to determine the optimal LSTM model structure for jamming technique prediction, we test the learning parameter values that should be selected, such as the number of LSTM layers, the number of fully-connected layers, optimization methods, the size of the mini batch, and dropout ratio. Experimental results demonstrate the competent performance of the LSTM model in predicting the jamming technique for radar signals.

주제어

표/그림 (23)

그림 Fig. 1. The basic structure of ANN
그림 Fig. 2. The basic structure of RNN
그림 Fig. 3. Types of RF
그림 Fig. 4. Types of PRI
그림 Fig. 5. The basic structure for LSTM model
표 Table 1. Parameters
그림 Fig. 6. Validation accuracy by optimazation methods
그림 Fig. 7. The validation accuracy by batch sizes
그림 Fig. 8. The validation accuracy by dropout rates
표 Table 2. The best accuracy by optimization methods
표 Table 3. The best accuracy by batch sizes
표 Table 4. The best accuracy by dropout rates
그림 Fig. 9. Model structures with 1 or 2 LSTM layers
그림 Fig. 10. The validation accuracy by LSTM layers
그림 Fig. 11. Model structure with a fully connected layer
그림 Fig. 12. The validation accuracy by FCL
표 Table 5. The best accuracy by LSTM layers
그림 Fig. 13. The validation accuracy by feature sets
그림 Fig. 14. Validation accuracy by learning rate decay
표 Table 6. The best accuracy by FCL
표 Table 7. The best accuracy by feature sets
표 Table 8. The best ccuracy by learning rate decay
표 Table 9. Accuracy(%) of train, validation, test data

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

forget 게이트는 이전의 셀 상태를 얼마나 잊어버릴지 결정하는 게이트로, 이전 셀의 정보(\(h_{t-1}\))와 현재 입력된 데이터(\(x_t\)), 바이어스의 가중합(weighted sum)에 시그모이드 함수를 취한 형태이며 과거의 정보를 기억하는 정도를 나타내는 0과 1 사이의 값을 반환한다. LSTM은 기존 RNN에서 발생하였던 기울기 소실 문제를 해결하고자 하였다.
본 논문에서는 LSTM 모델을 학습하여 위협 신호에 대응하는 효과적인 재밍 기법을 예측하는 방법을 제안한다. LSTM은 데이터로부터 자동적으로 특징을 추출하여 시퀀스를 분류하는 문제에 뛰어난 성능을 보임에도 불구하고, 우리가 아는 범위 내에서는 위협 신호에 대한 재밍 기법 예측을 위하여 LSTM을 사용한 연구 사례는 없다.

제안 방법

5절에서는 실험을 통해 LSTM 모델의 파라미터 값을 차례대로 결정하는 과정을 보여주었다. 7:1:2의 비율로 나누어 구성된 훈련, 평가, 시험 데이터 셋에 대해, 훈련 데이터로 모델을 학습하고 평가 데이터의 정확도가 가장 높은 주기의 모델을 선택하는 과정을 통해 각 파라미터 값을 결정하였다. 훈련, 평가, 시험 데이터 셑으로 나누어 5절에서 결정한 설정 값으로 30주기까지 학습한 뒤 최종적으로 모델을 선택하여 시험 데이터의 성능을 평가하는 과정을 10번 반복하여 수행하였다.
Table 1은 결정해야 하는 파라미터와 파라미터값을 보여주고 있다. 7가지 종류의 파라미터에 해당하는 값을 차례대로 선택하는 과정을 진행하는 동안 아직 결정되지 않은 파라미터에 대해 기본적으로 사용한 값을 밑줄로 표시하였다.
LSTM은 데이터로부터 자동적으로 특징을 추출하여 시퀀스를 분류하는 문제에 뛰어난 성능을 보임에도 불구하고, 우리가 아는 범위 내에서는 위협 신호에 대한 재밍 기법 예측을 위하여 LSTM을 사용한 연구 사례는 없다. LSTM 모델의 구조를 다양하게 시도하면서 성능을 검증하기 위하여, LSTM 층의 수, 전결합 층의 수, 최적화 방법, 미니 배치의 크기, 드롭아웃 적용 비율 등 필요한 학습 파라미터에 대한 비교 실험을 통하여 안정적으로 학습하면서 모델의 성능을 높일 수 있는 방법을 제안한다.
LSTM 층에 결합하는 전결합층(Fully Connected Layer, FCL)의 유무에 의한 성능 비교 실험을 위해 20주기를 학습하고 Fig. 11과 같이 전결합층을 추가한 경우와 추가하지 않은 경우의 모델에 대한 결과를 비교하였다. Fig.
PRI는 Fig. 4와 같이 안정(stable), 지터(jitter), 스태거(stagger), 체류 후 변경(dwell&switch), 정현파, -톱니파, +톱니파 등 7가지의 유형을 고려하였다.
레이다의 정보는 펄스 도착 시간에 따라 PDW 리스트로 저장된다. RF(Radio Frequency)는 Fig. 3과 같이 고정(fix), 빠른 변화(agile), 도약(hopping), 정현파(sine), -톱니파(-sawtooth), +톱니파(+sawtooth) 등 6가지의 유형을 고려하였다. PRI는 Fig.
Jian-xun et al.^[2]은 전자전에서 항재밍(anti-jamming)을 목적으로 적군을 탐지하기 위한 레이다 신호와 아군을 기만하기 위하여 적군이 생성한 재밍 신호를 구분하기 위하여 진폭의 평균과 분산 등을 이용한 통계값과 푸리에 변환에 의해 변환된 신호 데이터의 진폭(amplitude)과 위상(phase)의 값을 이용하여 만든 이변량 스펙트럼(bispectrum)을 특징값으로 추출하여 일반 레이다 신호와 재밍 레이다 신호의 차이를 비교하여 보여주었다.
Ryoo^[4]는 레이다 신호에 적용된 PRI 변조 방법에 따라 신호를 분류하기 위하여 자기 상관 계수를 이용하였다. 각 변조 방법에 해당하는 신호의 자기 상관 계수를 구하여 비교 분석하고 변조 방법에 따라 신호를 구분하기 위한 구분자를 정의하였다. 레이다 신호가 입력되었을 때 정의된 구분자를 이용하여 신호에 적용된 PRI의 변조 방법을 예측하여 신호를 분류하였다.
각 위협 신호 타입마다 데이터를 7:1:2의 비율로 나누어 전체 위협 신호데이터를 훈련(PDW 파일 810,250개), 평가(PDW 파일 115,750개), 시험(PDW 파일 231,500개) 데이터 셋으로 분할하였다. 훈련 데이터를 이용하여 모델을 학습하고 평가 데이터를 이용하여 가장 성능이 높은 모델을 선택한다.
각 타입마다 최소500개에서 최대 4500개 사이의 PDW 파일을 생성하여 총 1,157,500개 PDW 위협 신호 파일을 생성하였다. 각 위협 신호 타입에 대하여 라이브러리 정보를 이용하여 4개의 재밍 기법 중에서 하나의 재밍 기법을 할당하였다.
현재 운용되고 있는 레이다들의 제원을 참조하여 RF와 PRI 유형과 값의 범위를 다르게 설정하여 640개 위협신호 타입을 구성하였다. 각 타입마다 최소500개에서 최대 4500개 사이의 PDW 파일을 생성하여 총 1,157,500개 PDW 위협 신호 파일을 생성하였다. 각 위협 신호 타입에 대하여 라이브러리 정보를 이용하여 4개의 재밍 기법 중에서 하나의 재밍 기법을 할당하였다.
30 % 높은 것을 보여준다. 따라서 우리는 전결합층을 추가한 모델을 사용하기로 결정하였다.
각 변조 방법에 해당하는 신호의 자기 상관 계수를 구하여 비교 분석하고 변조 방법에 따라 신호를 구분하기 위한 구분자를 정의하였다. 레이다 신호가 입력되었을 때 정의된 구분자를 이용하여 신호에 적용된 PRI의 변조 방법을 예측하여 신호를 분류하였다.
레이다신호의 부분열에서 –1, 0, 1이 존재하는 비율을 각각 계산하여 지니 인덱스, 엔트로피 함수 등으로 특징값을 추출하고 커널 SVM(Support Vector Machine)으로 PRI의 변조 방법에 따라 레이다 신호를 분류하였다.
선택한 모델을 이용하여 시험 데이터로 최종 성능을 측정할 수 있다. 모든 실험은 텐서플로우(tensorflow)를 이용하여 구현하였으며 NVIDA GPU 1080Ti를 활용하여 학습하였다.
미니 배치를 이용한 확률적 기울기 하강법(SGD)는 데이터를 일정 개수만큼 배치로 구성하여 한꺼번에 학습하는 방법으로 데이터를 하나씩 학습하는 것보다 실험적으로 좋은 성능을 보이지만, 미니 배치의 크기에 따라 성능이 달라지기 때문에 적절한 크기를 선택해야 하는 문제가 있다. 미니 배치 사이즈를 50, 100, 200으로 바꾸어가면서 모델을 학습하고 그에 따른 정확도를 비교하였다. Fig.
Table 3에서는 가장 높은 평가 정확도를 보인 주기에서의 학습 및 평가 정확도를 보여준다. 배치 사이즈를 200으로 확정하여 이후의 모델 구성을 위한 실험을 진행하였다.
32 % 높은 것을 보여준다. 실험 결과에 따라 속성 AOA와 AMP를 제거하고 RF, PRI, PW 를 사용하는 것으로 결정하였다. 따라서 입력층의 유닛 수는 3으로 설정하게 된다.
드롭아웃(dropout)^[10]은 학습 시 확률적으로 은닉층의 유닛을 탈락시킴으로써 과적합을 막아주는 방법이다. 이 실험에서는 LSTM의 출력층에 드롭아웃을 적용하였고 드롭아웃 비율을 0, 10, 30, 50 %로 늘려가면서 실험을 한다. Fig.
속성 AOA, AMP, RF, PRI, PW 중 AOA와 AMP는 수신 안테나의 설정에 따라 변화하는 값으로 레이다 신호의 고유 특징이 아니다. 이 절에서는 신호의 특징을 나타내는 RF, PRI, PW만을 사용하여 학습하는 경우의 성능을 실험한다. Fig.
Table 2는 Adam 최적화 방법을 사용하였을 때가 성능이 높다는 것을 보여준다. 이후에 파라미터 결정을 위한 실험에서는 최적화 방법을 Adam으로 설정하여 진행하였다.
입력 데이터 \(X_i = (x{_i1},x{_i2}, \cdots ,x{_iJ})\) 와 이에 대한 타겟값 \(y_i = (y{_i1}, \cdots ,y{_iK})\)의 쌍들의 집합이 주어졌을 때, 입력 데이터에 대해 신경망의 출력값이 타겟값에 가까워지도록 결합 가중치 w를 반복적으로 수정하며 학습을 진행한다.
5와 같다. 입력층으로부터 레이다 신호 데이터를 입력받아 LSTM 레이어를 통과시킨 후 출력층에서는 각 재밍 기법에 속할 확률을 소프트맥스 함수를 이용하여 계산한다. LSTM 모델에 입력되는 위협 신호는 AOA, AMP, RF, PRI, PW의 5개 특성값의 시퀀스로 표현되므로, Fig.
잡음을 고려하여 임계값 ε을 정하고 미분값이 ε보다 크면 1(증가), 미분값이 (-ε,ε)에 있으면 0(일정), -ε보다 작으면 –1(감소)로 부분열을 구한 후 평균을 계산하여 특징값으로 사용하였다.
0을 초기 학습률로 설정한다. 총 학습 주기를 10으로 설정하고 각 주기마다 평가 데이터에 대한 정확도(validation accuracy)를 측정한다. Fig.
최적의 재밍 기법 예측 성능을 가지는 LSTM 모델을 구성하기 위해 최적화 방법, 미니 배치의 크기, 드룹 아웃 기법, LSTM 층과 전결합층의 수, 입력 데이터의 속성 선택, 학습률 감쇠 방법을 차례대로 결정하면서 기본 모델을 수정해 가는 과정을 거치게 된다. Table 1은 결정해야 하는 파라미터와 파라미터값을 보여주고 있다.
학습률 감쇠를 이용하면 가중치(weight) 및 편차(bias)의 변화하는 정도를 줄여줌으로써 모델을 안정적으로 학습할 수 있다. 학습률 감쇠를 위하여 학습 주기가 10이 지난 후 이전 학습률에 0.9를 곱하여 점차 줄여나가는 방법을 이용하였다. Fig.
각 위협 신호 타입마다 데이터를 7:1:2의 비율로 나누어 전체 위협 신호데이터를 훈련(PDW 파일 810,250개), 평가(PDW 파일 115,750개), 시험(PDW 파일 231,500개) 데이터 셋으로 분할하였다. 훈련 데이터를 이용하여 모델을 학습하고 평가 데이터를 이용하여 가장 성능이 높은 모델을 선택한다. 선택한 모델을 이용하여 시험 데이터로 최종 성능을 측정할 수 있다.
7:1:2의 비율로 나누어 구성된 훈련, 평가, 시험 데이터 셋에 대해, 훈련 데이터로 모델을 학습하고 평가 데이터의 정확도가 가장 높은 주기의 모델을 선택하는 과정을 통해 각 파라미터 값을 결정하였다. 훈련, 평가, 시험 데이터 셑으로 나누어 5절에서 결정한 설정 값으로 30주기까지 학습한 뒤 최종적으로 모델을 선택하여 시험 데이터의 성능을 평가하는 과정을 10번 반복하여 수행하였다. Table 9는 10번 반복하여 얻은 최종 선택 모델의 정확도에 대한 평균과 표준편차를 보여준다.

대상 데이터

5의 입력층(input layer)은 5개의 유닛으로 구성된다. LSTM 레이어에는 200개 유닛을 설정하였고, 출력층은 4개의 재밍 기법 각각에 해당하는 4개의 유닛으로 구성된다.
4와 같이 안정(stable), 지터(jitter), 스태거(stagger), 체류 후 변경(dwell&switch), 정현파, -톱니파, +톱니파 등 7가지의 유형을 고려하였다. 현재 운용되고 있는 레이다들의 제원을 참조하여 RF와 PRI 유형과 값의 범위를 다르게 설정하여 640개 위협신호 타입을 구성하였다. 각 타입마다 최소500개에서 최대 4500개 사이의 PDW 파일을 생성하여 총 1,157,500개 PDW 위협 신호 파일을 생성하였다.

이론/모형

4절에서 설명한 데이터를 이용하여 입력 레이다 신호에 대해 재밍 기법을 예측하는 LSTM 모델을 학습한다. 우리가 학습에 이용한 LSTM 기본 모델은 Fig.
Fig. 5의 기본 모델에 대하여 확률적 기울기 하강법 (Stochastic Gradient Descent, SGD)을 기반으로 하는 방법으로 RMSProp, Adam, Adadelta을 적용하여 성능을 비교한다. 각 방법들은 학습률을 적응적으로 감소시킴으로써 안정적인 학습을 유도하는 방법들이다.
25 % 높았다. 따라서 이후의 실험에서는 LSTM 2층을 사용하는 모델을 이용한다.
잡음을 고려하여 임계값 ε을 정하고 미분값이 ε보다 크면 1(증가), 미분값이 (-ε,ε)에 있으면 0(일정), -ε보다 작으면 –1(감소)로 부분열을 구한 후 평균을 계산하여 특징값으로 사용하였다. 추출한 특징값을 이용하여 3층의 다층 퍼셉트론(Multilayer Perceptron, MLP) 모델을 학습하였다. 이 방법은 특징 추출과 모델 학습을 자동적으로 빠르고 쉽게 구현할 수 있지만, 적절한 임계값을 정해주어야 하는 문제가 있다.

성능/효과

Table 5는 가장 높은 평가 정확도를 보인 주기에서의 학습 및 평가 정확도를 보여준다. LSTM 2층을 사용하였을 경우에 1층을 사용하였을 때보다 학습 정확도는 2.01 %, 평가 정확도는 1.25 % 높았다. 따라서 이후의 실험에서는 LSTM 2층을 사용하는 모델을 이용한다.
위협 신호가 라이브러리에 존재하는 경우에는 쉽고 빠르게 재밍 기법을 적용할 수 있지만, 기존과 다르게 변형된 위협 신호가 수신되는 경우에 대하여 라이브러리를 사용하는 방법은 한계가 있다. 그러나, 기계학습 알고리즘을 사용하여 위협신호에 대한 재밍기법 예측 모델을 학습하여 주파수나 펄스반 복주기가 달라져도 학습한 모델을 이용하여 가장 유사한 위협신호 패턴에 대한 재밍기법을 예측함으로써 기존의 방식보다는 큰 재밍효과를 기대할 수 있다.
본 논문에서 수행한 640개 타입의 위협 신호 데이터를 이용한 실험에서는 최적화 방법으로는 Adam 최적화 방법이 높은 성능을 보여주었고, 배치 사이즈 실험에서는 200이 적절한 값이었다. 드롭 아웃을 적용한 경우 과적합을 막으면서 모델의 성능을 높일 것으로 기대하였지만, 사용하지 않는 것이 오히려 좋은 성능을 보였다. 또한, 모델을 깊게 쌓아 복잡한 구조를 가질수록 좋은 성능을 보인다는 것을 실험적으로 확인하였다.
드롭 아웃을 적용한 경우 과적합을 막으면서 모델의 성능을 높일 것으로 기대하였지만, 사용하지 않는 것이 오히려 좋은 성능을 보였다. 또한, 모델을 깊게 쌓아 복잡한 구조를 가질수록 좋은 성능을 보인다는 것을 실험적으로 확인하였다. 또한, 학습률 감쇠를 사용할 경우, 안정적으로 학습이 되었다.
본 논문에서 수행한 640개 타입의 위협 신호 데이터를 이용한 실험에서는 최적화 방법으로는 Adam 최적화 방법이 높은 성능을 보여주었고, 배치 사이즈 실험에서는 200이 적절한 값이었다. 드롭 아웃을 적용한 경우 과적합을 막으면서 모델의 성능을 높일 것으로 기대하였지만, 사용하지 않는 것이 오히려 좋은 성능을 보였다.

후속연구

또한, 학습률 감쇠를 사용할 경우, 안정적으로 학습이 되었다. 향후 연구에서는, 새로운 미상 신호를 생성하여 본 논문에서 제안한 LSTM 모델을 기반으로 미상 신호에 대한 재밍 기법 예측 연구를 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존의 재밍 방법의 한계는?	기존의 재밍 방법은 장기간에 걸쳐 레이다 신호를 수집, 분석하여 해당 신호 타입에 대한 적절한 재밍 기법을 라이브러리에 저장해두고, 위협 신호가 수신되었을 때 라이브러리 정보를 기반으로 재밍 기법을 선택하는 방법이다. 위협 신호가 라이브러리에 존재하는 경우에는 쉽고 빠르게 재밍 기법을 적용할 수 있지만, 기존과 다르게 변형된 위협 신호가 수신되는 경우에 대하여 라이브러리를 사용하는 방법은 한계가 있다. 그러나, 기계학습 알고리즘을 사용하여 위협신호에 대한 재밍기법 예측 모델을 학습하여 주파수나 펄스반 복주기가 달라져도 학습한 모델을 이용하여 가장 유사한 위협신호 패턴에 대한 재밍기법을 예측함으로써 기존의 방식보다는 큰 재밍효과를 기대할 수 있다.
	재밍이란 무엇인가?	재밍이란 특정 주파수나 전파의 사용을 교란시키는 것으로 전자전(electronic warfare)에서는 적군의 통신, 레이다 등을 교란시키는 전자공격(electronic attack)을 의미한다. 함정 또는 항공기에 탑재되는 자체 보호용 재머에서 재밍의 목적은 적 레이다 또는 RF(Radio Frequency) 탐색기로부터 발생된 신호를 적절한 방법으로 교란시킴으로써 아군을 보호하는 것이다.
	기존의 재밍 방법은 어떻게 이루어 지는가?	기존의 재밍 방법은 장기간에 걸쳐 레이다 신호를 수집, 분석하여 해당 신호 타입에 대한 적절한 재밍 기법을 라이브러리에 저장해두고, 위협 신호가 수신되었을 때 라이브러리 정보를 기반으로 재밍 기법을 선택하는 방법이다. 위협 신호가 라이브러리에 존재하는 경우에는 쉽고 빠르게 재밍 기법을 적용할 수 있지만, 기존과 다르게 변형된 위협 신호가 수신되는 경우에 대하여 라이브러리를 사용하는 방법은 한계가 있다.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증