Predictive Covert Communication Against Multi-UAV Surveillance Using Graph Koopman Autoencoder

要約

低検出確率 (LPD) 通信は、無線周波数 (RF) 信号の存在を隠して監視を回避することを目的としています。
無人航空機 (UAV) を利用したモバイル監視の状況では、未知の非線形ダイナミクスを特徴とする UAV の高速かつ連続的な動きにより、LPD 通信の実現には大きな課題が生じます。
したがって、リアルタイム LPD 通信を可能にするためには、UAV の将来の位置を正確に予測することが不可欠です。
この論文では、マルチ UAV 監視下の地上アドホック ネットワークでの検出可能性を最小限に抑えることを目的とした、予測的秘密通信と呼ばれる新しいフレームワークを紹介します。
当社のデータ駆動型手法は、グラフ ニューラル ネットワーク (GNN) とクープマン理論を相乗的に統合して、複数の UAV ネットワーク内の複雑な相互作用をモデル化し、限られた履歴データであってもダイナミクスを線形化することで長期予測を容易にします。
広範なシミュレーション結果により、私たちの方法を使用して予測された軌跡は、よく知られている最先端のベースラインアプローチと比較した場合、検出確率が少なくとも 63% ～ 75% 低いことが実証されており、低遅延の秘密操作を可能にする可能性が示されています。
実践的なシナリオ。

要約(オリジナル)

Low Probability of Detection (LPD) communication aims to obscure the presence of radio frequency (RF) signals to evade surveillance. In the context of mobile surveillance utilizing unmanned aerial vehicles (UAVs), achieving LPD communication presents significant challenges due to the UAVs’ rapid and continuous movements, which are characterized by unknown nonlinear dynamics. Therefore, accurately predicting future locations of UAVs is essential for enabling real-time LPD communication. In this paper, we introduce a novel framework termed predictive covert communication, aimed at minimizing detectability in terrestrial ad-hoc networks under multi-UAV surveillance. Our data-driven method synergistically integrates graph neural networks (GNN) with Koopman theory to model the complex interactions within a multi-UAV network and facilitating long-term predictions by linearizing the dynamics, even with limited historical data. Extensive simulation results substantiate that the predicted trajectories using our method result in at least 63%-75% lower probability of detection when compared to well-known state-of-the-art baseline approaches, showing promise in enabling low-latency covert operations in practical scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google