AlissNet-4 🇷🇺 vs WUSTCA 🇨🇳

WUSTCA 🇨🇳
Китайская группа учёных представила новый алгоритм классификации радиосигналов БПЛА, который позволяет не только обнаруживать, но и определять модель БПЛА и тип пульта управления даже в условиях сильных радиопомех.
https://www.nature.com/articles/s41598-026-54780-x#citeas

В основе технологии лежит комбинация нескольких методов обработки сигналов: адаптивной фильтрации шумов, вейвлет-преобразования и новой архитектуры нейронной сети с механизмом внимания Split-Time Cross Attention (STCA). Такой подход позволяет выделять характерные особенности радиосигналов беспилотников и анализировать их, сохраняя высокую точность даже при наличии помех от Wi-Fi, Bluetooth и других беспроводных устройств.

Испытания проводились на наборе данных, содержащем радиосигналы 5 популярных беспилотников, а также соответствующих пультов управления. Данные записывались на частоте 2,45 ГГц с полосой 56 МГц. Отдельно следует отметить, что авторы попытались учесть влияние реального канала (многолучевость) при подготовке датасетов.
По метрике F1 WUSTCA также оказался лучшим из рассмотренных алгоритмов — 0,953 для распознавания дронов и 0,950 для классификации контроллеров.

Авторы заявляют, что проверили устойчивость алгоритмов к внешним помехам, однако сигналы WiFi и Bluetooth в матрице ошибок нет, скорее всего данные помехи рассматривались как внеполосные. В тестах с интенсивным Wi-Fi-трафиком уровень ложных срабатываний составил 4,5% против 6,2% у ближайшего конкурента, а при смешанных помехах Wi-Fi и Bluetooth — 4,9% против 6,8%.

Еще немного важных цифр для оценки технологии:
▪️ длина тестового сигнала (точно не указана, состоит из пакетов по 1024 отсчета, но из графиков следует, что около 1 секунды)
▪️ требуемые ресурсы 1,82 GFLOPs, 345 МБ
▪️ платформа NVIDIA RTX 3090 GPU, Intel Core i7-12700H CPU
▪️ время обработки 4,1 мс

Несмотря на высокие результаты, исследователи отмечают, что технология пока проходила испытания только на тестовых наборах данных, проверка в реальных условиях еще не проводилась.

AlissNet-4 🇷🇺
Ссылки на предыдущие публикации по алгоритмам детекторов Алиссум 🪁
https://t.iss.one/quadro_code/619
https://t.iss.one/quadro_code/599
https://t.iss.one/quadro_code/516
https://t.iss.one/quadro_code/399
https://t.iss.one/quadro_code/345

🔹 набор типов БПЛА существенно шире, правда разделены они иначе - на укрупненные классы
🔹 помеховые сигналы у нас не только WiFi и Bluetooth, но и все типовые системы связи, вещания, РЭБ, все сигналы в полосе анализа и имеют свой класс
🔹 точность классификации по метрике F1 — 0,98 против 0,95–0,96 у китайцев
🔹 за 5–7 секунд мы делаем классификацию всех сигналов в полосе 300–10 000 МГц, а не одного на одной частоте
🔹 требуемые ресурсы 0,1 GFLOPs — почти в 20 раз меньше, чем у китайцев
🔹 память 256 кБ — почти в 1000 раз меньше

Сравнивать эти два алгоритма напрямую некорректно.
Китайцы решали академическую задачу более детального анализа сигналов. Нет никаких сомнений, что используя такие мощные и передовые инструменты нейросеть научится эффективно справляться с поставленными задачами. В условиях отсутствия ограничений на аппаратные ресурсы (мощные SDR, высокопроизводительный GPU) реализовать подобное сможет любой грамотный ML специалист.
На практике же, в условиях жесткого ограничения доступных ресурсов и существенно большего набора неизвестных, задача требует совершенно других подходов к оптимизации и мы ее успешно решили.

Квадро код не просто имеет передовые алгоритмы обнаружения радиосигналов БПЛА мирового уровня эффективности, но и реализовал на их основе линейку детекторов, некоторые из которые работают с 2024 года. Компактность детекторов существенно отличается от связки CPU+GPU неслабой производительности.
Помимо указанных преимуществ, нами доказана эффективность использования AlissNet-4 при обнаружении ранее неизвестных дронов.
Главное — не останавливаться на достигнутом, а очень оперативно двигаться дальше, как в разработке железа, так и в совершенствовании алгоритмов.

Команда Квадро код 🪁
https://t.iss.one/quadro_code

Тактика работы FPV с «маткой» меняет тактику применения средств обнаружения

«Матка» решает две основные задачи
🔹 обеспечивает заброску легкого FPV-дрона на значительные дальности
🔹 обеспечивает каналы удаленного управления FPV-дроном, являясь ретранслятором

https://t.iss.one/quadro_code/607

Что изменяется в воздухе и что дает Алиссум ?
👍 «Матка» может работать на совершенно других типах систем связи, и если вы ждете только FPV, вы гарантированно ее пропустите (необходимо иметь надежное обнаружение, в том числе цифровых систем связи).
Алиссум обнаруживает БПЛА в широком диапазоне 300–10000 МГц без привязки к сетке, в том числе различные цифровые линки OcuSync, SkyLink, Walksnail, WFB-NG (Марсианин), Silvus и многие другие, даже на базе Mesh технологий. Шансы обнаружить «матку» и подготовиться к атаке заранее существенно выше.

👍 FPV может появиться из любого сектора (нельзя работать направленными средствами обнаружения).
Всенаправленные антенны и возможность цифрового выноса детектора Алиссум обеспечивают надежный прием радиосигналов БПЛА с любого направления.

👍 FPV может появиться близко и внезапно (требуется высокая скорость обнаружения).
Алгоритмы обнаружения и классификации радиосигналов БПЛА AlissNet обеспечивают высокую скорость обнаружения — около 5 секунд, при этом практически не имеют ограничений количества одновременно обнаруживаемых дронов.

👍 Применение «матки» — это уже сценарий (требуется системный подход к работе).
Запись логов сканирований (журнал) в детекторах Алиссум позволяет анализировать тактику применения «матки», частоты и типы сигналов, находить новые сигналы даже если они не были классифицированы. Это позволяет подходить к противодействию угрозам системно, работать на опережение и добиваться результатов противодействия максимально высокого уровня.

Команда Квадро код 🪁
https://t.iss.one/quadro_code