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

Valadão, Myke Douglas de Medeiros; http://lattes.cnpq.br/0978757876868990

Tese

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

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 espect...

ver descrição completa

Autor principal:	Valadão, Myke Douglas de Medeiros
Outros Autores:	http://lattes.cnpq.br/0978757876868990
Grau:	Tese
Idioma:	eng
Publicado em:	Universidade Federal do Amazonas 2025
Assuntos:	Aprendizado do computador Inteligência artificial ENGENHARIAS: ENGENHARIA ELETRICA Spectrum Sensing Machine Learning Deep Learning Generative Adversarial Network Transformer
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/10605

id	oai:https:--tede.ufam.edu.br-handle-:tede-10605
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-106052025-01-16T05:06:23Z 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 Valadão, Myke Douglas de Medeiros Silva Júnior, Waldir Sabino da http://lattes.cnpq.br/0978757876868990 http://lattes.cnpq.br/2925380715531711 Santos, Eulanda Miranda dos Carvalho, Celso Barbosa Cruz, Carlos Augusto de Moraes Aprendizado do computador Inteligência artificial ENGENHARIAS: ENGENHARIA ELETRICA Spectrum Sensing Machine Learning Deep Learning Generative Adversarial Network Transformer 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. 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 Amazonas 2025-01-15T16:09:07Z 2024-10-07 Tese 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 eng Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	eng
topic	Aprendizado do computador Inteligência artificial ENGENHARIAS: ENGENHARIA ELETRICA Spectrum Sensing Machine Learning Deep Learning Generative Adversarial Network Transformer
spellingShingle	Aprendizado do computador Inteligência artificial ENGENHARIAS: ENGENHARIA ELETRICA Spectrum Sensing Machine Learning Deep Learning Generative Adversarial Network Transformer Valadão, Myke Douglas de Medeiros Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
topic_facet	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.
author_additional	Silva Júnior, Waldir Sabino da
author_additionalStr	Silva Júnior, Waldir Sabino da
format	Tese
author	Valadão, Myke Douglas de Medeiros
author2	http://lattes.cnpq.br/0978757876868990
author2Str	http://lattes.cnpq.br/0978757876868990
title	Sensing, Estimation, and Security of the Frequency Spectrum Using Shallow and Deep Learning Techniques
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
publisher	Universidade Federal do Amazonas
publishDate	2025
url	https://tede.ufam.edu.br/handle/tede/10605
_version_	1831970398279827456
score	11.753735

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

Registros relacionados