Search

Sinyal tespiti ve sinyallerin türünün belirlenmesi çeşitli disiplinler altında yaygın olarak ele alınan önemli bir konudur. Haberleşme sistemlerinde, bu konu sistemlerin güvenliğinin sağlanması veya performansının iyileştirilmesi amacıyla incelenmektedir.Literatürde ki çalışmalar incelendiğinde önerilen şema ve yöntemlerin çoğunlukla sinyalin istatiksel özelliklerine dayandırıldığı görülmektedir. Bu durum sinyalin türü ve istatiksel özellikleri ile ilgili varsayımlar yapma ihtiyacını doğurmaktadır ve sistemlerin değişen çevre koşullarına uyumlu olmasını güçleştirmektedir. İlaveten, önerilen çözümler amaçlanan sistemler üzerinde yüksek başarım göstersede başka sistemlerde uygulanabilirliği düşüktür.Haberleşme sistemlerinde çevre koşulları hızla değişmektedir. Bu değişimi kimi zaman kasıtlı kimi zaman kasıtsız saldırılar sebebiyle oluşmaktadır. Yazılım tabanlı radyoların yaygınlaşması kasıtlı saldıraların artmasına neden olduğu gibi bu saldırıların çeşitlilik kazanmasına ve tespitinin zorlaşmasına sebep olmuştur. Bu durum problemlere mutlak çözüm önerileri sunmayı güçleştirmekte ve esnek çözüm şemalarını gerektirmektedir. Son yıllarda yüksek başarım sağlaması sebebiyle yapay zeka teknikleri pek çok disipline uyarlanmaktadır. Yapay zeka tekniklerinin literatürde bu kadar geniş yer tutmasının bir sebebide değişen koşullara karşı yeni çözümler sunmasıdır. Bu tez çalışmasında, iletişim sistemlerinde sıklıkla karşılaşılan işaret tespit problemlerinin çözümüne yönelik makine öğrenmesi algoritmaları, özellikle derin öğrenme metotları araştırılmıştır. Bu kapsamda, iletişim sistemlerinin güvenliğini tehdit eden farklı sinyal bozucu saldırılarının tespiti ve türünün belirlenmesi için derin öğrenme tabanlı yapay sinir ağı mimarilerinin kullanımı önerilmiştir. Çalışmanın ilk aşamasında, 4.nesil uzun vadeli evrim sistemlerine yönelik farklı işaret bozucu saldırıları göz önünde bulundurulmuştur. Literatürde baraj bozucu olarak yer alan, yaygın işaret bozucu türünün ve güvenli iletişimin olduğu durumlar değerlendirilmiştir. Akıllı işaret bozucular olarak da adlandırılan, uzun vadeli evrim teknolojisinin işaret çerçevesindeki referans veya senkronizasyon sembollerine saldıran dar bantlı bozucular dahil edilerek veri seti genişletilmiştir. Farklı saldırılar altında alınan kompleks işaret verilerinin taşıdıklıkları karakteristik özellikleri ortaya çıkartmak maksadıyla önerilen şemanın ön işleme bloğunda Choi-Williams, kısa zamanlı Fourier ve Gabor dalgacık zaman-frekans dönüşüm yöntemleri uygulanmıştır. Bu sayede atak işaretleri zaman ve frekans eksenlerinde gösterilmiştir. Her iki domaine ilişkin özellikler ve bu özellikler arasındaki komşuluk ilişkileri ortaya çıkarılmıştır. Zaman-frekans dönüşümleri ile işlenen verilerin tespiti ve ayırt edilmesi amacı ile 'derin evrişimsel sinir ağları' ve 'destek vektör makinesi' öğrenme metotları kullanılmıştır. Destek vektör makinesi yönteminin kendiliğinden özellik çıkarma yetisi olmadığı için sınıflandırma işleminden önce 'temel bileşen analizi' ile özellik çıkarımı yapılmıştır. Derin öğrenme metotlarına dayalı sınıflandırıcının performansı, temel bileşen analizi ve destek vektör makineleri kullanılarak oluşturulan sınıflandırıcı ile karşılaştırılmıştır. Derin evrişimsel sinir ağı sınıflandırıcısı geleneksel metotlarla oluşturulan sınıflandırıcıya nazaran üstün başarım göstermiştir. Ayrıca çalışma kapsamında dalgacık dönüşümlerinin atak işaretlerinin karekteristik özelliklerini diğer yöntemlere kıyasla daha iyi yansıttığı ve bu metotla oluşturulan veri setinde her iki sınıflandırıcının da atak işaretlerinin türlerini yüksek başarı ile belirlediği gözlenmiştir.Çalışmanın ikinci aşamasında, atak işaret türünün yanı sıra atak işaretinin varlığının da tespiti göz önünde bulundurularak amaçlanan sistem genişletilmiştir. İlaveten, derin öğrenme metotlarının gerçek zamanlı saldırı işaretlerine ilişkin veriler üzerindeki başarısı araştırılmıştır.Bu kapsamda, geniş ve dar bantlı işaret bozucular yazılım tabanlı radyolar üzerinde gerçeklenmiştir. İletimin ve farklı türde ki işaret bozucuların, olduğu ve olmadığı durumlar ayrı ayrı göz önünde bulundurularak 6 farklı veri sınıfı oluşturulmuştur. Veri seti işaret bozucunun alıcı ve vericiye olan uzaklığı, vericinin ve işaret bozucunun iletim gücü göz önünde bulundurularak genişletilmiştir. İşaret verileri kompleks Gauss dalgacık ve kısa zamanlı frekans dönüşümleri ile zaman-frekans domainine taşınmış, işaret verilerine frekans domaninde farklı pencere genişlikleri ile bakılarak ataklara özgün nitelikler çıkarılmıştır. Sınıflandırıcı olarak derin evrişimsel ve derin yinelemeli sinir ağları tercih edilmiş, her iki yöntemin başarısı karşılaştırılmıştır. Çalışma sonucunda derin evrişimsel sinir ağı mimarisi daha yüksek performans göstermiştir.Tez kapsamında gerçekleştirilen çalışmalarda, ilk olarak farklı işaret bozuculara ilişkin işaret türlerinin tespiti için yapay sinir ağları metotları ve zaman-frekans dönüşüm yöntemlerine dayanan bir yaklaşım önerilmiştir. Sunulan yöntem simülasyonlar ile ile oluşturulan veri setlerinde yüksek başarım göstermiştir. Bir sonraki çalışmada önerilen derin evrişimsel sinir ağı mimarisinin, iletişim sistemlerine yönelik saldırıların türünün yanı sıra bu sinyallerin varlığının tespitine yönelik olarak da kullanılabileceği araştırılmıştır. İlaveten, bu çalışmada yazılım tabanlı radyolar ile oluşturulan bozucu işaretleri kullanılarak sistemin gerçek zamanlı sistemlere uygunluğu gösterilmiştir. Yapılan çalışmalar sonucunda, tasarlanan derin evrişimsel sinir ağı mimarisinin işaret bozucu tespitinde üstün performans gösterdiği deney ve benzetim ortamında gözlenmiştir.Bu tez çalışmasının ilk bölümünde, sinyal tespit ve tanımlama problemi tanıtılmış ve problemin araştırılmasındaki motivasyonlardan söz edilmiştir. Ardından literatürdeki çalışmalar detaylı olarak ele alınmış, çalışmaların avantaj ve dezavantajları vurgulanmıştır. Son olarak tez çalışmasının literatüre katkıları açıklanmıştır.İkinci bölümde, evrişimsel sinir ağları tanıtılmıştır. Evrişimsel sinir ağlarının temel fonksiyonları ve katmanları hakkında kapsamlı bilgi verilmiştir. Bunu takiben, evrişimsel sinir ağlarının eğitiminde kullanılmakta olan geri yayılım algoritması, tez çalışmasında başvurulan optimizasyon ve regülasyon tekniklerinden etraflıca bahsedilmiştir.Üçüncü bölümde, uzun vadeli evrim sistemlerine farklı tip karıştırıcılar tarafından yapılecek saldırılar ele alınmıştır. İlk olarak uzun vadeli evrim sistemlerinin avantaj ve dezavantajlarından bahsedilip, 4.nesil haberleşme sistemlerinin çerçeve yapısı hakkında bilgi verilmiştir. Ayrıca konu edilen saldırı tipleri ve bu saldırıların temel ilkeleri tanıtılmıştır. Ardından sinyallerin taşıdığı karakteristik özellikleri ortaya çıkarmak amacıyla kullanılan farklı ön işleme metotları açıklannmıştır. Sinyallerin sınıflandırılması ve sistemin değişen çevre koşullarına göre daha dinamik yapıda olması istenerak iki makine öğrenmesi yaklaşımına başvurulmuştur. Bunlar derin evrişisel sinir ağı ve destek vektör makineleri yaklaşımdır. Her iki makine öğrenmesi yönteminin çalışma prensiplerine ilişkin gerekli bilgiler verilmiştir. Özetle, tez çalışmasının bu bölümünde, verici ve alıcı arasında iletimin olduğu durumda karıştırıcı sinyallerinin varlığının ve türünün tespiti amaçlanıp, önerilen şemaya uygun tekniklerinin bulunması için çeitli metotlar incelenmiştir. Amaçlanan sistemin simülasyon ortamında gerçekleştirilmesine yönelik detaylı bilgilendirme yapılmıştır. Ardından elde edilen sonuçlar kapsamlı olarak yorumlanıp bölüm sonlandırılmıştır. Tez çalışmasının dördüncü bölümünde, dik frekans bölmeli çoğullama tekniğinin kullanıldığı bir haberleşme sistemine yapılan saldırı tipleri incelenmiştir. Haberleşme sistemi ve karıştırıcı sistemleri, yazılım tabanlı radyolar kullanılarak gerçek zamanlı ortamda gerçeklenmiştir. Alıcı, veric ve karıştırıcı arasında ki farklı uzaklıklar ve farkli sinyal-gürültü oranları için önerilen şemaların başarımı analiz edilmiştir. Bir önceki bölümde detaylı olarak açıklanmakta olan çalışmadan farklı olarak, bu çalışmada verici ile alıcı arasındaki iletimin varlığı da araştırılmıştır. İlaveten, farklı bir dalgacık dönüşümü yönteminin ve makine öğrenmesi metodunun başarımı araştırılmıştır. Evrişimsel sinir ağları bir başka gelişmiş derin öğrenme yöntemi olan tekrarlayan sinir ağları ile performans bakımından karşılaştırılmıştır. Çalışmada başvurulan tüm yöntemler ve bu yöntemlerin uygulanmasına ilişkin detaylı bilgiler verilmiştir. Son olarak önerilen sistem üzerinden elde edilen sonuçlar paylaşılmııştır. Sonuçlar göstermiştir ki gerçek zamanlı sistemler üzerinden alde edilen sinyallerin tespiti ve ayırt edilmesi hususnda dalgacık dönüşümü yöntemi derin evrişimsel ssinir ağı mimarisi daha başarılıdır.Sonuç bölümünde, tez kapsamında ele alınan probleme ilişkin önerilen şema ve yöntemler kısaca açıklanmıştır. Bu yöntemlerin uygunluğu ve biarada kullanımına ilişkin genel bir değerlendirme yapılmıştır. In this thesis, machine learning algorithms, especially deep learning methods, is aimed for the solution of the signal detection and identification problems encountered frequently in communication systems. In this context, the detection and identification of attack signals were investigated to provide maintenance of secure communication systems.In the first phase of the study, wide and narrow band jamming attacks are considered against to Long Term Evolution (LTE) systems. As a wide band jamming attack, Barrage jamming (BJ) signals which attack to whole band are generated. It is prevalent and optimal attack type. As a narrow band jamming attack, two different attack types are built: synchronization signal jamming (SSJ) and reference signal jamming (RSJ). They jam reference or synchronization symbols in the transmitted LTE frame by consuming low power so they are called as smart jammers. The dataset is expanded by including the case for the absence of attacks.Choi-Williams, short time Fourier and Gabor wavelet time-frequency transform methods are applied to reveal the characteristic pattern of the different jamming signals. The attack signals are shown in the time-frequency domain. In this way, the new neighboring relations are caught between time and frequency components of signals. Deep convolutional neural networks (DCNN) are used to identify pre-processed jamming signals. The performance of the classifier based on deep learning methods is compared with the support vector machines (SVM) classifier which is training the features are extracted with principal component analysis.DCNN classifier shows superior performance compared to the conventional methods based classifier. Also within the scope of the study, Gabor wavelet transform remarkably indicates characteristics of attack signals compared to other time-frequency transformations. According to obtained results, presented two classifiers determine the types of attack signals with high success rates when jamming signals are pre-processed with wavelet transform.In the second phase of the study, the previous study is enlarged by considering different attack types, the presence of jammer and transmission. Also, the success of deep learning methods on real-time signal data is investigated. In this context, wide and narrow band jammers are implemented on software defined radios. Each data set has 6 different classes which are built by considering presence/absence of the signal transmission with/without the existence of the two types jamming signals. The data sets are extended for different position of the attacker and transmitter. The complex jamming signals are transferred to the time-frequency domain with complex Gaussian wavelet and short-time frequency transformations. As a result of the pre-processing, the signal data are examined with different window widths in the frequency domain and the characteristics of the attacks are extracted. DCNN has shown exceptionally better performance than the other shallow learning methods on simulation data set. Therefore, in this study, DCNN and deep recurrent neural networks (DRNN) are compared in terms of classification performance of signals. All models regarding these artificial neural network (ANN) architectures are trained using the data set which are gathered using software defined radios (SDRs). Models are optimized using different techniques and their parameters are tuned. As result of the study, the DCNN architecture shows higher performance than DRNN.In this thesis, firstly, a detection scheme based on deep learning methods and time-frequency transformation for the detection and identification of jamming signals is proposed. The proposed deep convolutional neural network architecture is convenient to determine the type and existence of the jammer attacks on communication systems. It is shown using simulation and real-time signal dataset. 103