Журнал: Том 31, № 2, 2026
Сторінки: 109 – 125
DOI: https://doi.org/10.62660/bcstu/2.2026.109
272 Перегляди

Метод визначення типу навмисних завад в умовах невизначеності завадової обстановки на основі відомих моделей

Григорій Радзівілов, Дмитро Павлюк
Отримано 27.10.2025
Доопрацьовано 06.04.2026
Прийнято 18.05.2026
Опубліковано 26.06.2026

Анотація

Метою дослідження було теоретично обґрунтувати метод ідентифікації типу навмисних завад у невизначеній завадовій обстановці для програмно-визначуваних радіосистем шляхом використання відомих моделей завад і формалізованого аналізу вектора стану каналу зв’язку. Методологічна база включила віконне обчислення узгодженого вектора ознак, їх нормалізацію, сигнатурне кодування, метрикне та ймовірнісне порівняння з бібліотекою шаблонів, порогове відторгнення невизначених випадків і модельно-симуляційну перевірку в потоковій архітектурі програмно-визначуваного радіо. У результаті сформовано формалізований ознаковий простір і сигнатурні профілі п’яти базових класів завад – імпульсних, широкосмугових шумових, гармонічних, модуляційних і малопомітних – як стійкі багатопараметричні патерни спільної зміни показників сигналу, що забезпечують роздільність класів у різних режимах співвідношення сигналу до шуму, варіативності ймовірності бітової помилки та морфології спектральної густини потужності і відтворюються при повторних прогонах за незмінних параметрів. Метод реалізовано у вигляді обчислювального конвеєра з послідовністю етапів «вектор стану → детекція події → сегментація → сигнатурний опис → зниження розмірності → порівняння → рішення», де ресурсоємні операції активуються лише за наявності подієвого тригера, а інтерфейси між блоками фіксують однозначний перехід від поточних спостережень до компактної сигнатури впливу. Сформульовано результатні правила класифікації з порогами належності та процедурою керованого відторгнення, що переводить нові сигнатури в режим накопичення та інкрементального доповнення бази із подальшим підтвердженням стабільності профілю на повторних спостереженнях. Симуляційна перевірка на серії параметризованих сценаріїв показала відтворюваність сигнатурних профілів і класифікаційних рішень за фіксованих налаштувань. Практична значущість результатів полягає у можливості впровадження методу розробниками та інтеграторами вбудованих програмно-керованих радіосистем і систем радіомоніторингу для потокового визначення типу навмисної завади за сигнатурними профілями з пороговим відторгненням невідомих випадків та керованим поповненням бібліотеки сигнатур

Ключові слова

Використані джерела

  1. An, J., Tao, Y., Zhang, X., Hua, Z., Wang, S., Pan, G., Yang, X., Niyato, D., & Karagiannidis, G.K. (2026). Electromagnetic situation awareness and modeling for space-air-ground integrated networks. National Science Review, 13(1), article number nwaf492. doi: 10.1093/nsr/nwaf492.
  2. Boholii, S., Hurskyi, T., Makarchuk, V., & Khyzhyi, A. (2022). Increasing the anti-jammingness of mobile radio networks with adaptive beamforming. Systems and Technologies of Communication, Informatization and Cyber Security, 2(2), 5-14. doi: 10.58254/viti.2.2022.01.5.
  3. Chen, X., Zhao, Z., Ye, X., Zheng, S., Lou, C., & Yang, X. (2022). Efficient open-set recognition for interference signals based on convolutional prototype learning. Applied Sciences, 12(9), article number 4380. doi: 10.3390/ app12094380.
  4. Cibecchini, S., Chiti, F., & Pierucci, L. (2025). A lightweight AI-based approach for drone jamming detection. Future Internet, 17(1), article number 14. doi: 10.3390/fi17010014.
  5. Davies, N., Dogan, H., & Ki-Aries, D. (2025). Application of systems-of-systems theory to electromagnetic warfare intentional electromagnetic interference risk assessment. Systems, 13(4), article number 244. doi: 10.3390/ systems13040244.
  6. Ghanbarzade, A., & Soleimani, H. (2025). GNSS/GPS spoofing and jamming identification using machine learning and deep learning. ArXiv. doi: 10.48550/arXiv.2501.02352.
  7. Han, H., Li, W., Feng, Z., Fang, G., Xu, Y., & Xu, Y. (2022). Proceed from known to unknown: Jamming pattern recognition under open-set setting. IEEE Wireless Communications Letters, 11(4), 693-697. doi: 10.1109/LWC.2021.3140145.
  8. He, Y., Li, B., Chen, J., Wang, Z., Xiao, W., & Lu, Z. (2024). Overview of the development of satellite navigation blanket interference monitoring. Frontiers in Physics, 12, article number 1487384. doi: 10.3389/fphy.2024.1487384.
  9. Hong, S., Kim, K., & Lee, S.H. (2023). A hybrid jamming detection algorithm for wireless communications: Simultaneous classification of known attacks and detection of unknown attacks. IEEE Communications Letters, 27(7), 1769-1773. doi: 10.1109/LCOMM.2023.3275694.
  10. Hurskyi, T., Panchenko, I., Voskolovych, O., Saliy, O., & Kotenko, I. (2025). Evaluation of the efficiency of radio electronic suppression of FPV UAV control channels. Systems and Technologies of Communication, Informatization and Cyber Security, 8, 34-44. doi: 10.58254/viti.8.2025.03.34.
  11. Jacovic, M., Rey, X.R., Mainland, G., & Dandekar, K.R. (2023). Mitigating RF jamming attacks at the physical layer with machine learning. IET Communications, 17, 12-28. doi: 10.1049/cmu2.12461.
  12. Jayabalan, E., & Pugazendi, R. (2022). Deep learning model-based detection of jamming attacks in low-power and lossy wireless networks. Soft Computing, 26, 12893-12914. doi: 10.1007/s00500-021-06111-7.
  13. Jurado, R.D., Reina, B.J., Suárez, M.Z., Moreno, F.P., Arnaldo, C.G., & Valdés, R.M. (2025). AI-driven real-time interference detection in manned-unmanned aircraft communications: Concept of operations and integration. Aerospace Science and Technology, 168, article number 110722. doi: 10.1016/j.ast.2025.110722.
  14. Kantsedal, V., & Mogyla, A. (2025). Features of constructing an algorithm for the cycle between stage-bystage situational control of conflict in-teraction of the ground-based RES complex with small (light) drones. Radiotekhnika, 221, 89-106. doi: 10.30837/rt.2025.2.221.12.
  15. Kim, H., Kim, Y.J., & Kim, W.T. (2023). Multitask learning-based deep signal identification for advanced Spectrum sensing. Sensors, 23(24), article number 9806. doi: 10.3390/s23249806.
  16. Kocher, S., Contreras Franco, D., Dietz, A., & Rügamer, A. (2025). On the edge model-aided machine learning GNSS interference classification with low-cost COTS hardware. Engineering Proceedings, 88(1), article number 51. doi: 10.3390/engproc2025088051.
  17. Krayani, A., Alam, A. S., Marcenaro, L., Nallanathan, A., & Regazzoni, C. (2022). Automatic jamming signal classification in cognitive UAV radios. IEEE Transactions on Vehicular Technology, 71(12), 12972-12988. doi: 10.1109/TVT.2022.3199038.
  18. Li, Y., & Pawlak, M. (2022). Jamming detection and classification in OFDM-based UAVs via feature- and spectrogram-tailored machine learning. IEEE Access, 10, 16859-16870. doi: 10.1109/ACCESS.2022.3150020.
  19. Nanayakkara, S., Sumathipala, S., Karunanayake, N., Karunanayake, M., & Kumara, T. (2025). Smart drone neutralization: AI driven RF jamming and modulation detection with software defined radio. Drones and Autonomous Vehicles, 2(4), article number 10019. doi: 10.70322/dav.2025.10019.
  20. Radoš, K., Brkić, M., & Begušić, D. (2024). Recent advances on jamming and spoofing detection in GNSS. Sensors, 24(13), article number 4210. doi: 10.3390/s24134210.
  21. Rijnsdorp, J., van Zwol, A., & Snijders, M. (2023). Satellite navigation signal interference detection and machine learning-based classification techniques towards product implementation. Engineering Proceedings, 54(1), article number 60. doi: 10.3390/ENC2023-15449.
  22. Silva Lorraine, K.J., & Ramarakula, M. (2021). A comprehensive survey on GNSS interferences and the application of neural networks for anti-jamming. IETE Journal of Research, 69(7), 4286-4305. doi: 10.1080/03772063.2021.1953407.
  23. Sormayli, J., Darvishi, M., Zarrinnegar, K., & Mosavi, M.R. (2025). Real-Time jamming detection using windowing and hybrid machine learning models for pre-saturation alerts. Scientific Reports, 15, article number 24748. doi: 10.1038/s41598-025-10567-0.
  24. van der Merwe, J.R., Franco, D.C., Feigl, T., & Rügamer, A. (2024). Optimal machine learning and signal processing synergies for low-resource GNSS interference classification. IEEE Transactions on Aerospace and Electronic Systems, 60(3), 2705-2721. doi: 10.1109/TAES.2023.3349360.
  25. Wang, P., Cheng, Y., Dong, B., Peng, Q., & Li, S. (2022). Multi-domain networks for wireless interference recognition. IEEE Transactions on Vehicular Technology, 71(6), 6534-6547. doi: 10.1109/TVT.2022.3164908.
  26. Wang, P., Cheng, Y., Shang, G., Wang, J., & Li, S. (2022). Time-frequency component-aware convolutional neural network for wireless interference classification. IEEE Wireless Communications Letters, 11(12), 2487-2491. doi: 10.1109/LWC.2022.3204756.
  27. Xiao, Y., Zhang, R., Yu, X., & Jiang, Y. (2024). Open‐set recognition of compound jamming signal based on multi‐task multi‐label learning. IET Radar, Sonar & Navigation, 18(8), 1235-1246. doi: 10.1049/rsn2.12561.
  28. Xie, Y., Chen, L., Zhang, K., Huang, X., Peng, J., & Ni, S. (2025). Deep neural network based anti-jamming processing in the GNSS array receiver. GPS Solutions, 29, article number 63. doi: 10.1007/s10291-025-01821-z.
  29. Xu, C., Ren, J., Yu, W., Jin, Y., Cao, Z., Wu, X., & Jiang, W. (2022). Time-frequency analysis-based deep interference classification for frequency hopping system. EURASIP Journal on Advances in Signal Processing, 2022, article number 90. doi: 10.1186/s13634-022-00913-z.
  30. Zhao, H., Zhao, G., Wang, X., Zhang, Z., & Xun, X. (2025). Intelligent anti-jamming communication technology with electromagnetic spectrum feature cognition. PloS One, 20(4), article number e0319953. doi: 10.1371/ journal.pone.0319953.
  31. Zylevich, V., & Svakha, S. (2025). Highly efficient methods of determining radio interference based on communication signal analysis. Scientific Notes of V.I. Vernadsky Ternopil National University. Series: Technical Sciences, 36(75), 78-83. doi: 10.32782/2663-5941/2025.1.2/12.

ЦИТУВАТИ

Radzivilov, H., & Pavliuk, D. (2026). Method for determining intentional interference type in conditions of uncertainty of interference environment based on known models. Bulletin of Cherkasy State Technological University, 31(2), 109-125. https://doi.org/10.62660/bcstu/2.2026.109