Метод визначення типу навмисних завад в умовах невизначеності завадової обстановки на основі відомих моделей
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
вектор стану каналу; часово-частотні дескриптори; обчислювальний конвеєр; сигнатурне кодування; reject option
Використані джерела
- 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.
- 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.
- 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.
- 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.
- 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.
- Ghanbarzade, A., & Soleimani, H. (2025). GNSS/GPS spoofing and jamming identification using machine learning and deep learning. ArXiv. doi: 10.48550/arXiv.2501.02352.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.