Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques

• Ano de defesa: 2024
• Autor(a) principal: Valadão, Myke Douglas de Medeiros
• Outros Autores: http://lattes.cnpq.br/0978757876868990
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Aprendizado do computador; Inteligência artificial; ENGENHARIAS: ENGENHARIA ELETRICA; Spectrum Sensing; Machine Learning; Deep Learning; Generative Adversarial Network; Transformer
• Link de acesso: https://tede.ufam.edu.br/handle/tede/10605

O espectro de frequência é um recurso limitado que tem enfrentado uma crescente demanda nos últimos anos, especialmente com o advento das tecnologias 5G e 6G. Sensoriamento, estimativa e segurança do espectro são fatores essenciais para aumentar a eficiência e a flexibilidade na utilização do espectro, permitindo sua otimização e garantindo a segurança para um maior número de usuários. O sensoriamento do espectro é crucial para preencher lacunas espectrais, aliviando bandas de frequência congestionadas. A estimativa das condições do espectro também desempenha um papel extremamente importante no desenvolvimento e proposição de soluções e serviços específicos para diferentes condições. Por fim, com o desenvolvimento da inteligência artificial generativa, a segurança do espectro torna-se essencial para a criação de medidas que mitiguem atividades maliciosas de usuários. Nesse contexto, esta tese apresenta pesquisas relacionadas a essas abordagens. Os resultados experimentais sugerem perspectivas promissoras para essas abordagens, implicando melhorias na eficiência, robustez e baixa latência nos sistemas de comunicação atuais. Por exemplo, na abordagem de sensoriamento do espectro, a ResNet simplificada proposta alcançou 98% de acurácia em um nível de ruído de -134 dBm/Hz, com um tempo de resposta inferior a 0,05 segundos, garantindo baixa latência. Para estimativa do espectro, os modelos XGBoost e Transformer alcançaram os melhores coeficientes de correlação para identificação do nível de ruído e da distância entre usuários em um ambiente de sensoriamento do espectro, com valores de 0,98 e 0,84, respectivamente. Por fim, na segurança do espectro, a GAN proposta foi capaz de enganar modelos de detecção cooperativa profunda em mais de 98% dos casos. Palavras-chave: Sensoriamento de Espectro, Aprendizado de máquina, Aprendizado profundo, Rede Generativa Adversária, Transformer.