INTEGRATION OF SDR INTO UAV SYSTEMS

Mykola Bikchentayev; Bohdan Boriak

doi:10.26906/SUNZ.2025.2.235

Автор(и)

Mykola Bikchentayev
Bohdan Boriak

DOI:

https://doi.org/10.26906/SUNZ.2025.2.235

Ключові слова:

програмно-визначене радіо, БПЛА, зменшення перешкод, система зв’язку, обробка сигналів

Анотація

У статті представлено поглиблений аналіз того, як технологію програмно-визначеного радіо (SDR) можна інтегрувати в системи безпілотних літальних апаратів (БПЛА) для підвищення надійності, адаптивності та безпеки зв'язку. Метою статті є демонстрація того, як архітектури на основі SDR вирішують критичні проблеми, такі як нестаціонарні канали, навмисне глушіння та підміна сигналу, забезпечуючи реконфігурацію в режимі реального часу та динамічне управління частотою. Гнучка природа SDR дозволяє БПЛА швидко змінювати параметри передачі, застосовувати надійні методи кодування та перемикатися між кількома каналами для підтримки стійких з'єднань. Отримані результати: тематичні дослідження та експериментальні дані показують, що БПЛА, оснащені SDR, значно покращують ситуаційну обізнаність та живучість місії. Завдяки постійному моніторингу спектру та передовим методам виправлення помилок ці платформи можуть швидко виявляти та пом'якшувати спроби перешкод або глушіння. Крім того, інтеграція алгоритмів машинного навчання додатково уточнює класифікацію загроз, сприяючи точній ідентифікації загороджувальних глушінь, підміни GPS та інших радіоатак. Висновки: впровадження SDR у системах БПЛА не лише зміцнює канали зв'язку, але й сприяє масштабованості та економічній ефективності, зменшуючи залежність від апаратного забезпечення. Ця можливість реконфігурації, у поєднанні з аналізом сигналів на основі штучного інтелекту, позиціонує БПЛА з підтримкою SDR як надійне рішення для різноманітних цивільних, комерційних та оборонних застосувань в умовах постійно зростаючих радіочастотних загроз.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Michailidis E. T., Potirakis S. M., Kanatas A. G. Ai-inspired non-terrestrial networks for iiot: Review on enabling technologies and applications // IoT. – 2020. – Vol. 1, No. 1. – P. 21–48. – URL: https://doi.org/10.3390/iot1010003

2. Yousaf J., Zia H., Alhalabi M. and oth. Drone and controller detection and localization: Trends and challenges // Applied Sciences. – 2022. – Vol. 12, No. 24. – P. 12612. – URL: https://doi.org/10.3390/app122412612

3. Michailidis E. T., Maliatsos K., Vouyioukas D. Software-Defined Radio Deployments in UAV-Driven Applications: A Comprehensive Review // IEEE Open Journal of Vehicular Technology. – 2024. – Vol. 5. – P. 1545–1586. – URL:https://doi.org/10.1109/OJVT.2024.3477937

4. Bikchentayev M., Zaitseva M. Enhancing Communication Reliability With Software-Defined Radio (SDR) And FrequencyHopping Spread Spectrum (FHSS) // Int. Scientific and Practical Conf. "Youth Science: Innovations and Global Challenges," 2024. – URL: https://nupp.edu.ua/uploads/files/0/events/conf/2024/mnigv/zbirnik_tez_konferencii_2024_ost.pdf

5. Bikchentayev M., Boriak B. Architecture of Software-Defined Radio // X All-Ukrainian Scientific and Practical Conference "Electronic and Mechatronic Systems: Theory, Innovations, Practice," 2024. – URL:https://nupp.edu.ua/uploads/files/0/events/conf/2024/x-emst/zbirnik-naukovikh-prac-X-vsekrainskoi-konferencii-ems_2.pdf

6. Akeela R., Dezfouli B. Software-Defined Radios: Architecture, State-of-the-Art, and Challenges // Computer Communications. – 2018. – Vol. 128. – P. 106–125. – URL: https://doi.org/10.1016/j.comcom.2018.07.012

7. Kaidenko M., Kravchuk S. Creation of communication system for unmanned aerial vehicles using SDR and SOC technologies // 2019 International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo), Odessa, Ukraine, 2019. – P. 1–4. – URL: https://doi.org/10.1109/UkrMiCo47782.2019.9165422

8. Xiao J., Liu P., Lin H., Fang H., Xu J., Shan H., Hu H., Huang Y., Lu H. Blockchain and uav-enabled signal source identification with edge computing and wireless signal-aerial image fusion // Wireless Communications and Mobile Computing. – 2022. – Vol. 2022. – P. 13. – (Article ID 4009078). – URL: https://doi.org/10.1155/2022/4009078

9. Li Y., Pawlak J., Price J., Al Shamaileh K., Niyaz Q., Paheding S., Devabhaktuni V. Jamming detection and classification in ofdmbased uavs via feature- and spectrogram-tailored machine learning // IEEE Access. – 2022. – Vol. 10. – P. 16859–16870.

10. Alhazbi S., Sciancalepore S., Oligeri G. Bloodhound: Early detection and identification of jamming at the phy-layer // 2023 IEEE 20th Consumer Communications Networking Conference (CCNC). – 2023. – P. 1033–1041.

11. Sciancalepore S., Kusters F., Abdelhadi N. K., Oligeri G. Jamming detection in low-ber mobile indoor scenarios via deep learning // IEEE Internet of Things Journal. – 2024. – Vol. 11, No. 8. – P. 14682–14697.

12. Tedeschi P., Sciancalepore S., Di Pietro R. Modelling a communication channel under jamming: Experimental model and applications // 2021 IEEE Intl Conf on Parallel Distributed Processing with Applications, Big Data Cloud Computing, Sustainable Computing Communications, Social Computing Networking. – 2021. – P. 1562–1573.

13. Ren Y., Restivo R. D., Tan W., Wang J., Liu Y., Jiang B., Wang H., Song H. Knowledge distillation-based gps spoofing detection for small uav // Future Internet. – 2023. – Vol. 15, No. 12. – P. 389. – URL: https://doi.org/10.3390/fi15120389

14. Whelan J., Almehmadi A., El-Khatib K. Artificial intelligence for intrusion detection systems in unmanned aerial vehicles // Computers and Electrical Engineering. – 2022. – Vol. 99. – P. 107784. – URL:https://www.sciencedirect.com/science/article/pii/S0045790622000842