GNSS Jamming Detection and Classification Using Attention-Enhanced Neural Network (AENN)

본 논문은 GNSS(Global Navigation Satellite System) 재밍 신호의 검출 및 식별을 위한 주의 기반 강화 신경망(Attention-Enhanced Neural Network, AENN) 기법을 제안한다. 제안한 AENN은 반송파 대 잡음비, 자동이득제어 레벨, 도플러 주파수의 표준편차, 상관 피크 비대칭도, 수신 전력의 시간적 분산, 반송파 대 잡음비의 시간 변화율의 6개 특징을 입력으로 사용하며, 연속형 주의 게이트(soft attention gate)를 통해 재밍 유형별로 변별력이 높은 특징을 동적으로 강조한다. 제안한 기법의 성능을 검증하기 위해 기존 기법 가운데 SVM(Support Vector Machine), RF(Random Forest), MLP(Multi-Layer Perceptron) 기법과의 체계적 비교 분석 및 절삭 연구(ablation study)를 수행한다. 재밍 신호가 없는 ‘no jam.’을 포함한 고려한 4종의 재밍(협대역, 광대역, 주파수 변화, 펄스) 환경에서 10회 독립 실험한 결과, 제안한 AENN은 5 클래스 분류 OA(Overall Accuracy) 93.34±0.54%(mean±std.), 검파 확률 99.87%, AUC(Area Under the receiver operating characteristic Curve) 99.88%를 달성하여 기존 대표 기법 대비 분류 정확도가 유의미하게 향상되었다. 절삭 연구를 통해 6개 특징 확장이 주요 성능 향상 요인임을 확인하였으며, 주의 게이트는 펄스 재밍 재현율을 추가 개선한다. AENN은 기존 기법 대비 빠른 학습 및 실시간 추론이 가능하여 GNSS 수신기에 직접 적용할 수 있다.