Yazılım tabanlı telsiz haberleşme sistemlerinde derin öğrenme yaklaşımı ile radyo sinyallerinin sınıflandırılması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: ADEM GÜL

Danışman: Bülent Bolat

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde kablosuz frekans bandının kullanımının yaygınlaşmasıyla birlikte birçok güvenlik açığı ortaya çıkmıştır. Bu durum çeşitli güvenlik önlemlerinin araştırılması ve geliştirilmesini bir zorunluluk olarak getirmektedir. Özellikle ulusal güvenlikten sorumlu devlet kurumlarının bu yöndeki ihtiyaçları her geçen gün değişmekte ve artmaktadır. Bu nedenle ortamdaki kablosuz sinyallerin ve vericilerin doğru bir şekilde tanımlanması gereksinimi önem kazanmaktadır. Bu sinyal tanımlama sürecinin doğrudan uç cihazlarda verimli bir şekilde gerçekleştirilmesi, işlemin hızlı olması için de gerekli hale gelmiştir. Bu projenin amacı, yazılım tabanlı radyo cihazlarını (SDR) kullanarak kablosuz sinyallerin sınıflandırılmasıdır. En iyi sınıflandırma başarısını elde etmek için derin öğrenme yöntemleri kullanılmış ve başarımları kıyaslanmıştır. Önerilen yöntemin gerçek dünyada uygulanabilir olduğunu göstermek amacıyla radyo sinyalleri yazılım tabanlı radyo platformları kullanılarak üretilmiştir. Verici cihazlardan gönderilen sinyaller alıcı cihaz tarafından I/Q veri formatında kaydedilmiş ve derin öğrenme algoritmaları ile yapılan sınıflandırmanın başarımı araştırılmıştır. Çalışmanın deneysel bir sonucu olarak, özellikle görüntü işleme ve obje tanımlama uygulamalarında verimli sonuçları olan CNN modelinin radyo sinyallerinin tespitinde %80'e varan başarım sunduğu görülmüştür. Bunun yanı sıra alternatif ve modern bir yöntem olarak kullanılan LSTM ağı modeli CNN'e göre çok daha düşük seviyelerde başarım göstermiştir. LSTM modeli tek başına bu uygulamada tamamen başarısız olduğundan hibrit bir model olarak ConvLSTM modeli kullanılmış ve daha başarılı sonuçlar elde edilmiştir. İki farklı model yapısı arasındaki karşılaştırmanın yanı sıra başarı oranı yüksek olan CNN ağ modelinde katman sayısındaki artışın ağın başarımı ile doğrudan ilişkili olmadığı da pratik bir sonuç olarak görülmüştür. Anahtar Kelimeler: Yazılım Tabanlı Radyo, Derin Öğrenme, Yapay Sinir Ağları, IQ Diagramları, Spektrum Analizi, Kablosuz Ağ Güvenliği