Så kan maskininlärning användas i trådlös radiokommunikation
Det behövs mer kunskap för att veta hur maskininlärning kan användas säkert och effektivt i militära system för trådlös radiokommunikation. Med rapporten Intelligent robust radiokommunikation har forskare på FOI i ett första steg sammanställt möjligheter och sårbarhet.
Maskininlärning är en del av artificiell intelligens (AI) och handlar om att träna datorer med data för att de ska lära sig att lösa en uppgift och få erfarenhet. Närmare bestämt en algoritm med en uppsättning av instruktioner som ska upptäcka eller identifiera något eller skapa nya exempel.
– Både bild och språk är sedan tidigare kända och välstuderade områden inom AI. Utmaningen för oss är att öka kunskapen om hur vi kan dra nytta av maskininlärning inom trådlös radiokommunikation och hur man skyddar sig mot störningar, säger Erik Axell, som är en av forskarna bakom rapporten.
Forskarna tittar på vilka sårbarheter som finns med maskininlärning för att veta hur man skyddar sig mot anpassade attacker. Samtidigt menar han att det som är en nackdel för ena sidan kan vara en fördel för andra sidan.
– Vi kan också utnyttja svagheter hos motståndarna som vill upptäcka vår signal, anpassa attacken och modifiera en egen signal. Ett slags försvar mot signalspaning, säger Erik Axell.
Tre viktiga områden för robust trådlös radiokommunikation
I rapporten lyfter forskarna fram tre områden som är viktiga för att säkra en robust trådlös radiokommunikation: tillgång till träningsdata, tekniker för det fysiska lagret och tidluckeallokering i radionät.
– Träningsdata måste vara av tillräckligt god kvalitet för att vi ska kunna skapa algoritmer som presterar bra i trådlös radiokommunikation. Visst går det att skapa syntetiska data, men
svårigheten är att en algoritm som bara är tränad på syntetiska data kan fungera dåligt i ett verkligt scenario om man inte har modellerat verkligheten tillräckligt bra, säger Erik Axell.
Fysiska lagret är den del i ett kommunikationssystem som berör överföringen av radiosignaler i luften. Det fysiska lagret i ett radiosystem kan störas ut oavsiktligt av till exempel järnvägar, kraftledningar, elnät eller solcellssanläggningar i närheten. Det kan också störas medvetet av en motståndare.
– Störning kan försämra både datatakt och räckvidd eller förstöra kommunikationen helt om man inte har tekniker för att motverka det, säger Erik Axell.
Det tredje området som Erik Axell och hans forskarkollegor tittar på är tidluckeallokering i radionät, helt enkelt vem som ska sända när och då kunna vara säker på att ha en robust tillgång i radiokommunikationen.
– Det är något vi precis börjat titta på och planerar att fortsätta med i forskningsprojektet, säger Erik Axell.
Forskningsprojektet om intelligent robust radiokommunikation är inne på sitt första år och kommer att pågå under tre år.
– Då hoppas vi kunna mer om hur vi kan utnyttja den snabba utvecklingen av maskininlärning för att anpassa och använda radioresurser mer effektivt och samtidigt motverka störning, säger Erik Axell.