刘伟光
中国民用航空青岛空中交通管理站
摘要：可靠的数据通信对于民航运行安全至关重要。随着越来越多的数据信息在民航监视雷达信道上传输，进而导致干扰和数据丢失的可能性也逐渐增大。为了保障精确且可靠的监视服务，需要监测雷达数据丢包率。但是，到目前为止，还没有高效的系统来完成此任务。本文提出了一种新颖的方法来建立这样的系统模型，研究并讨论了使用我们的原型进行的初始分析。
关键词：民航监视雷达，信道检测，SSR，雷达数据，雷达质量评估
一、引言
在过去的几十年中，民航业飞速发展，做好空域的监视是民航安全运行的重要条件。通过对同一空域内密集飞机的精确且可靠的飞行监控，主要依赖于民航监视中雷达1090 MHz和1030 MHz的信道传输来实现，尤其是目前S模式的推广使用。尽管国家将此两个波道定义为民航专用波道，但是通过已有频谱监测和分析这两个信道内信息种类众多。因监视雷达信道内信号种类众多，会导致雷达数据丢失或者数据传输解码后误码率较高。因此需要对监视雷达传播中数据进行有效的信道评估和检测。
民航监视主要依靠分布众广的雷达站对飞行器的询问和接收应答，国际民航组织对雷达数据格式制定了统一的标准，要求新设备和系统必须兼容已有标准，且欧盟已经确定自2020年月1日起要求各空管（ATC）单位或者机构进行监视和记录雷达信道使用情况。因此，民航监视雷达信道的检测需要更深入地了解干扰的类型，发生的频率以及它们对正在进行的传输数据的影响，以满足空管指挥的要求。
本文提出了一种能够以经济高效且可扩展的方式满足这些要求的方法。
二、监视雷达数据现状
2.1 雷达数据类型
民航监视雷达中的消息在两个射频（RF）信道上传输，即1030 MHz和1090 MHz，这两个信道以频分双工模式使用，将询问器（雷达站）和应答信道（飞机）分开。 数据以调制和定时不同的多种数据类型进行编码，雷达数据类型主要分为三类：第一类是传统的SSR雷达数据，主要是ModA/C模式，使用2ASK的一组脉冲和脉冲之间的固定间隔组成； Mode S由前同步码和带有脉冲位置调制的数据块组成，根据数据块长短分为第二类Mode S短数据（56bit类型）和第三类Mode S长数据（112bit）。
2.2 现状问题
尽管可以使用监视信道吞吐量的方案，但据目前尚无适用于完全且连续地监视两个监视雷达信道的检测概率（Pd）的系统或模型的方法。当前的模型要么基于以波形或脉冲定向的方式监视信道，要么仅测量可解码数据。
首先提到的方法适用于检测所有类型的干扰，并深入了解类型及其对数据和解码概率的影响。这种方法的缺点是它很容易产生干扰数据，并且难以难以消除。第二种方法可以很好地了解由干扰引起的损失，并非常清楚地显示出对下行系统的影响。但是，它不检查整个信道上的通信，仅检查其中的一部分，也不量化这些信道上对其他参与者造成的干扰我们的目标是连续评估这些信道上整个通信的Pd，这需要了解特定信道上使用的民航监视应用类型。
2.3 目前主要研究
目前，欧盟、FAC和中国民航均有相关人员开展相关研究，以不同的方式描述了监视雷达传播上的数据丢失问题。[1]的作者描述了一个长期的波形记录仪，但是记录时间不到一分钟，且不能进行连续监视。[2] 通过对干扰的数据进行计数，但不能实现大规模监控。[3]和[4]已经将信道占用率作为质量指标，但是没有考虑标准接收机可以恢复多少个被破坏的数据。[5]使用分布式测量设置对信道上的整个通信进行调查，但是由于仅使用静态生成器以固定的电平和速率不断发出数据，无法从测试数据中重新构建损耗。
三、评估和检测方法
为了克服前面讨论的方法的问题并获得Pd的估计值，有必要采用一种新方法来深入了解民航监视雷达信道上的整个通信。
如前所述，基于脉冲形状的方法和基于数据的方法都无法完成满足连续地监视信道并可靠地估计Pd的监视模型的要求。因此，我们提出的方法是将两种方法的组合。它不依赖于监视应用类型的组成，它有内置的逻辑和对下行链路的错误补偿，虽会产生但能够有效处理的大量数据。我们的从统计学上定义和评估数据在特定环境中丢失，并最终得到该信道上所有数据的Pd。这种情况下的困难在于，如果既不关心应用类型的结构（例如更新速率，雷达询问）又不关心脉冲形状，很难说出接收多少数据。幸运的是，对于航空电子设备和ATC设备，可以非常准确地定义将数据视为“可解码的”条件，从而使通信的所有参与者以相同的方式对相同类型的干扰做出反应。本文中介绍的方法基于上述事实，并描述了一种使用两个主要组件来评估数据丢失率的方法：
?数据生成器，可以创建在[6]中所述的雷达两个信道上使用的所有类型的民航监视数据，为此需要使用软件无线电（SDR）。
?基于软件的机器学习（ML），可以预测/评估已知条件下所有类型数据的损失，并有可能推断出未知状态
.png)
图 1系统原理：将知名的数据注入未知的环境，以评估和检测其特征
图1显示了主要方法：一些绿色数据（各种雷达应用数据）包会干扰其他数据包，不可再解码（红色包），它们在标准接收机中的接收过程中丢失。 SDR生成的人工生成的数据添加到接收信号中，并且会遭受相同的干扰。但是由于这些数据的数量和时间是已知的，因此可以量化检测这些测试数据的概率。该概率表示为Pdi(L)，其中i表示数据的类型，L表示其幅度水平。显然，这仅限于在此单一环境中检测到此特定类型数据的概率。因此，有必要掌握和存储所有类型和模式的数据。如果机器之前已经接受过学习，则可以评估出在变化的RF信道中所有数据的损耗。因此，表示为Pdi的类型为i的数据的评估检测概率是级别为i的数据（表示为fL，i（L））的概率密度函数（PDF）的函数，所有其他类型数据等级的PDF也是一样。另外，它取决于这种特定类型的数据Pi（i）发生的可能性。假设有N种不同类型的数据，估计的数据类型i的估计概率可以写为：
Pdi=f[Pdi(L),fL,j(L),Pj(j)] j∈{1,2,……N} （1）
由于我们的设置需要能够基于单个Pdi考虑变化环境中的所有类型的数据来估计“总的Pd”，因此适用以下功能。
Pd= Pd1×Pi(1)+ Pd2×P2(2)+……+ PdN×PN(N) （2）
由于应该是非线性的并且在具有可变性的各个Pdi之间存在很强的相互依赖性，因此需要使用ML针对不同的情况进行不同的修正。
.png)
图 2 各种雷达数据类型下的机器学习评估
主要目的是研究在对信道检测的前期下是否可以评估标准接收机的损耗，从而可以创建基于ML的模型，该模型允许恢复丢失的信息。该方法还将定义适合表征信道状态并允许在某些状态下评估其通信能力的新参数。假定对信道状态和有助于理解其状态的所有相关参数有详细的了解。
这种方法的关键部分在于，对于完全不同的场景，可解码数据的数量可能相同，如图2所示。对于低流量和高流量场景，可解码数据包（绿色）的数量均相同。但是，在高流量情况下，很多数据包丢失（红色），而在低流量情况下，接收到的数据数几乎等于发送的数据数。丢失的数据量可以通过在接收机上人工插入的测试数据（橙色）进行评估。由于测试数据将以与所有数据相同的方式受到干扰，因此ML算法应能够正确估计两种情况下的正确损耗。因此，利用可从标准ATC接收器中获取的有限信息集，研究尽可能精确地描述RF状况所需的相关参数。这将使ML能够在多个外观相似的场景之间进行区分，并提供真实情况的良好评估。为了定义某种数据的类型和方式的损耗，将会使用测试数据。按照这种方法，我们将能够简单地通过监视来自标准接收机的可解码子集来估计两个监视雷达信道上所有数据的总检测概率。因此，这种方法将为建立具有成本效益的大规模测量网络铺平道路，进而可以以合理的价格购买这些接收机并将其轻松集成到现有的IT基础架构中。
四、系统测试
4.1 模型搭设
通过利用[6]等文献使用相关基本测试参数和测试设备，其中主要设置
?SPB3：THALES的ADS-B /多边测量（MLAT）接收器，符合航空接收器标准RTCA：DO260B和EURO-CA：ED102A
?PC：标准笔记本电脑触发软件定义的无线电（SDR）并从接收机接收数据。
?SDR：Ettus B210 SDR，用于生成由PC组成的RF信号。
?RF-Splitter：将生成的信号反馈回SDR
信道上的数据将由连接到PC的SDR创建。然后将生成的RF信号馈送到ATC接收机。然后，PC将通过以太网接收解码后的数据，并将其存储在数据库中。所有解码的数据和原数据都可用于以后的分析。通过知道所发送的数据的数量和有效荷载并计数可解码的数据，可以计算Pdi。
4.2 测量和结果
首次测量应视为概念证明。 PC生成的数据通过SDR传输。然后，RF信号被馈送到接收机，在接收机中进行解码。解码的数据被转发到计算Pd的PC。
1)信号幅度测量
首先，使用不同的RF电平发送固定数量的数据。 图3-a显示了在RF幅度上的测量结果。可以看出，在没有干扰的情况下（蓝线），可以以高可靠性检测功率电平在-60dBm至-84dBm之间的数据。由于这些信号是在观察区域之外生成的，并且低于-85 dBm的信号通常无关紧要，因此可以得到此结果。 红线表示相同模式的Pd，但在解码之前将接收到的RF信号添加到SDR生成的信号（参见图1）中。红线Pd对于所有水平下降，而差对于较低水平增加。 如果与随机选择的RF信道情况相结合，则数据的Pd明显较低。这支持了这样的假设，即检测到测试数据的概率取决于在其下发送射频数据的情况。
2）偏移测量
将受干扰的信号施加到接收机,干扰是通过组合两个由PC生成的数据矢量而产生的。两个数据之间的时移和相对水平可以自由变化。从“同时”即ΔT=0μs到“无干扰”即ΔT=100μs施加偏移。这样，可以模拟各种冲突，并可以生成ML的训练数据。图3-b显示了第二个数据的延迟时间内的测量结果。上方（蓝色）图显示了正确解码的数据的速率。一旦两个长度为T =64μs的数据开始干扰（ΔT= 64μs），接收机便不再能够解码所有数据。Pd高度依赖于数据之间的定时，并且非常不稳定。出人意料的是，除了一定数量的虚假数据，接收机还输出应用数据。下方的图表显示了由接收器解码但未应用于其输入的数据数量。这意味着对于某些延迟，接收机执行错误的解码，即发出尚未应用到输入的数据。数据不仅包含错误的有效载荷，还被视为不同的模式（即从受干扰的S型数据输出模式A / C数据）。似乎A / C和Mode-S解码正在并行运行，都试图解码接收到的RF信道数据
.png)
图 3测量示例：a）S模式长数据（1090 MHz），不包含通过随机干扰数据造成的损失b）两个相交的S模式回复的解码概率
五、总结
在本文中，我们提出的新方法可以完全连续地监视民航监视雷达信道，并估计在该信道上所有类型的数据的检测概率。进行了测量和验证，表明该方法切实有效，因为所有结果都可以重现；并且出现某种干扰，接收机也能表现出健壮的稳定性。通过注入人工生成的分组并观察接收机的解码输出来表征接收机，可用于比较不同条件下每个单个数据类型的Pd，从而建立此接收机的模型，该模型以后可用于评估数据的实际数量，且满足第二步ML所需的大量数据。另外，我们可以设置将测试数据注入“现实世界”无线电场中，从而可以表征与所有类型的通信数据的检测概率有关的RF状况。不管飞机，雷达站或任何其他数据，这将使整个监视雷达信道的信道评估和检测成为可能。
参考文献：
[1] S. Ozeki and T. Otsuyama, “Signal Environment Measurement with Long Time Waveform Recorder,” Tech. Rep. 2006.
[2] E. M. Valovage, “A method to measure the 1090 MHz interference environment,” ICNS 2009, pp. 1–8, 2009.
[3] T. Otsuyama, J. Naganawa, J. Honda, and H. Miyazaki, “An Analysis of Signal Environment on 1030 / 1090MHz Aeronautical L-band Systems,”, ISAP 2017 (2017) 2017-January 1-2, pp. 1–2, 2017.
[4] T. Otsuyama, J. Honda, J. Naganawa, and H. Miyazaki, “Analysis of signal environment on 1030/1090MHz aeronautical surveillance systems,” 2018 IEEE ISEC
[5] D.-I. J. Bredemeyer, Erik J. Wischmann, and J. Gottstein, “MOSTDONT - Final Report - Release 1.2,” European Aviation Safety Agency (EASA), Tech. Rep., 2010.
[6] R. Raekow and H. Fischer, “TE im Fokus 2011/01,” TE im Fokus (German), 2011.