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

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Valadão, Myke Douglas de Medeiros
Outros Autores: http://lattes.cnpq.br/0978757876868990
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
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
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
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
Resumo: 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.
id UFAM_7b2e9375d3bd480c1a5dca4dbfc09989
oai_identifier_str oai:https://tede.ufam.edu.br/handle/:tede/10605
network_acronym_str UFAM
network_name_str Biblioteca Digital de Teses e Dissertações da UFAM
repository_id_str
spelling Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning TechniquesSensoriamento, estimativa e segurança do espectro de frequência utilizando técnicas de aprendizado raso e profundoAprendizado do computadorInteligência artificialENGENHARIAS: ENGENHARIA ELETRICASpectrum SensingMachine LearningDeep LearningGenerative Adversarial NetworkTransformerO 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.The frequency spectrum is a limited resource that has experienced a growing demand in recent years, especially with the advent of 5G and 6G technologies. Spectrum sensing, estimation, and security are essential factors for increasing efficiency and flexibility in spectrum utilization, enabling its usage optimization and ensuring security for a larger number of users. Spectrum sensing is crucial for filling spectral holes, relieving congested frequency bands. Estimating spectrum conditions also plays an extremely important role in designing and proposing specific solutions and services for different conditions. Last but not least, with the development of generative artificial intelligence, spectrum security becomes essential for developing measures to mitigate malicious user activities. In this context, this thesis presents research related to these approaches. Experimental results suggest promising prospects for these approaches, implying improvements in efficiency, robustness, and low latency in current communication systems. For instance, in the spectrum sensing approach, the proposed simplified ResNet achieved 98% accuracy under a noise level of -134 dBm/Hz, with a response time below 0.05 seconds, ensuring low latency. For spectrum estimation, the XGBoost and Transformer models achieved the best correlation coefficients for identifying the noise level and the distance between users in a spectrum sensing environment, with values of 0.98 and 0.84, respectively. Lastly, in spectrum security, the proposed GAN was able to deceive deep cooperative spectrum sensing models in over 98% of cases. Keywords: Spectrum Sensing, Machine Learning, Deep Learning, Generative Adversarial Network, Transformer.FAPEAM - Fundação de Amparo à Pesquisa do Estado do AmazonasUniversidade Federal do AmazonasFaculdade de TecnologiaBrasilUFAMPrograma de Pós-graduação em Engenharia ElétricaSilva Júnior, Waldir Sabino dahttp://lattes.cnpq.br/2925380715531711Santos, Eulanda Miranda dosCarvalho, Celso BarbosaCruz, Carlos Augusto de MoraesValadão, Myke Douglas de Medeiroshttp://lattes.cnpq.br/09787578768689902025-01-15T16:09:07Z2024-10-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfVALADÃO, Myke Douglas de Medeiros. Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques. 120 f. Thesis (Doctorate in Electrical Engineering) – Federal University of Amazonas, Manaus, Amazonas, 2024.https://tede.ufam.edu.br/handle/tede/10605enghttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2025-01-16T05:06:23Zoai:https://tede.ufam.edu.br/handle/:tede/10605Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922025-01-16T05:06:23Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false
dc.title.none.fl_str_mv Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
Sensoriamento, estimativa e segurança do espectro de frequência utilizando técnicas de aprendizado raso e profundo
title Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
spellingShingle Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
Valadão, Myke Douglas de Medeiros
Aprendizado do computador
Inteligência artificial
ENGENHARIAS: ENGENHARIA ELETRICA
Spectrum Sensing
Machine Learning
Deep Learning
Generative Adversarial Network
Transformer
title_short Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
title_full Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
title_fullStr Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
title_full_unstemmed Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
title_sort Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
author Valadão, Myke Douglas de Medeiros
author_facet Valadão, Myke Douglas de Medeiros
http://lattes.cnpq.br/0978757876868990
author_role author
author2 http://lattes.cnpq.br/0978757876868990
author2_role author
dc.contributor.none.fl_str_mv Silva Júnior, Waldir Sabino da
http://lattes.cnpq.br/2925380715531711
Santos, Eulanda Miranda dos
Carvalho, Celso Barbosa
Cruz, Carlos Augusto de Moraes
dc.contributor.author.fl_str_mv Valadão, Myke Douglas de Medeiros
http://lattes.cnpq.br/0978757876868990
dc.subject.por.fl_str_mv Aprendizado do computador
Inteligência artificial
ENGENHARIAS: ENGENHARIA ELETRICA
Spectrum Sensing
Machine Learning
Deep Learning
Generative Adversarial Network
Transformer
topic Aprendizado do computador
Inteligência artificial
ENGENHARIAS: ENGENHARIA ELETRICA
Spectrum Sensing
Machine Learning
Deep Learning
Generative Adversarial Network
Transformer
description 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.
publishDate 2024
dc.date.none.fl_str_mv 2024-10-07
2025-01-15T16:09:07Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv VALADÃO, Myke Douglas de Medeiros. Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques. 120 f. Thesis (Doctorate in Electrical Engineering) – Federal University of Amazonas, Manaus, Amazonas, 2024.
https://tede.ufam.edu.br/handle/tede/10605
identifier_str_mv VALADÃO, Myke Douglas de Medeiros. Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques. 120 f. Thesis (Doctorate in Electrical Engineering) – Federal University of Amazonas, Manaus, Amazonas, 2024.
url https://tede.ufam.edu.br/handle/tede/10605
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Amazonas
Faculdade de Tecnologia
Brasil
UFAM
Programa de Pós-graduação em Engenharia Elétrica
publisher.none.fl_str_mv Universidade Federal do Amazonas
Faculdade de Tecnologia
Brasil
UFAM
Programa de Pós-graduação em Engenharia Elétrica
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFAM
instname:Universidade Federal do Amazonas (UFAM)
instacron:UFAM
instname_str Universidade Federal do Amazonas (UFAM)
instacron_str UFAM
institution UFAM
reponame_str Biblioteca Digital de Teses e Dissertações da UFAM
collection Biblioteca Digital de Teses e Dissertações da UFAM
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)
repository.mail.fl_str_mv ddbc@ufam.edu.br||ddbc@ufam.edu.br
_version_ 1851781318434619392

Registros relacionados