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.
|
