Analyse des émissions Radar impulsionnelles par écoute passive : Application à la guerre électronique

22 Mai 2023

---

Catégorie : Doctorant

---

CONTEXTE DE LA THESE
Cette thèse s’inscrit dans l’axe de recherche émergeant du groupe de recherche MOTIM autour de la guerre électronique et l’intelligence artificielle.

Le renseignement d’origine électromagnétique (ROEM) constitue la composante de la guerre électronique (GE) pour son aspect renseignement obtenu à partir de l’interception d’ondes radioélectriques. L’émission d’énergie électromagnétique est inhérente à la mise en œuvre d’aéronefs, de tout système d’armes, d’information ou de communication. On distingue classiquement deux grandes catégories d’informations : le renseignement basé sur l’interception des communications COMINT (COMmunication INTelligence) qui comprend toutes les émissions radioélectriques pouvant être traduites en langage humain et le renseignement non discursif ELINT (ELectronic INTelligence) qui concerne les signaux électroniques émis par les divers radars, systèmes d’armes ou systèmes de navigation. Plus précisément dans le cadre d’ELINT, l’étude approfondie des signaux interceptés permet d’identifier les émetteurs, leurs capacités opérationnelles, et le cas échéant, l’état d’engagement des systèmes d’armes qui y sont rattachés. L’intérêt est double en permettant, d’une part, de détecter en temps réel les systèmes de pénétration ennemis (avions, missiles etc.) par identification des émissions radars en provenance de ces derniers. Cet aspect est qualifié de "renseignement de situation" et suppose, en général, une réponse à brève échéance qui relève prioritairement du domaine tactique. Et, d’autre part, en fournissant des informations en temps différé sur les systèmes de défense adverses ELINT permet d’entretenir les capacités de nos propres forces de pénétration : "renseignement de documentation" destiné à alimenter des bases de données à des fins plutôt stratégiques.

LES OBJECTIFS DE LA THESE
Le travail de recherche proposé s’oriente vers les activités de recueil d’informations à partir d’émissions électromagnétiques de type impulsionnel et donc essentiellement vers le domaine du radar (ELINT). Les objectifs recherchés à travers cette thèse consiste à proposer une méthode automatisée capable d’assurer l’extraction aveugle (sans connaissances a priori), à partir d’une ambiance électromagnétique potentiellement complexe, des impulsions issues d’un même radar (problématique du désentrelacement de trames radar) puis de caractériser la séquence d’évolution des paramètres interpulse voire intrapulse, et le cas échéant, notamment si le capteur intègre une chaîne interférométrique, de déterminer la localisation des émetteurs. Implicitement, la stratégie développée doit prendre en compte les formes d’onde complexes c’est-à-dire dont les caractéristiques (largeur d’impulsion, période de répétition, fréquence etc.) évoluent en fonction de lois déterministe ou éventuellement pseudo aléatoire.

L’ETAT DE L’ART
Les méthodes d’extraction sont encore, de nos jours, largement basées sur des techniques de Clustering réalisées à partir des différents paramètres interpulse. La détermination de la loi suivie par la période de répétition des impulsions demeure l’une des caractéristiques principales affectant les capacités d’un système radar et constitue donc l’un des points clé de l’analyse ELINT. L’identification de la loi en question est menée à partir d’histogrammes élaborés à partir des intervalles de répétition des impulsions et elle consiste à ajuster la largeur des classes afin d’essayer d’obtenir un profil répertorié. Les résultats sont d’autant meilleurs que la quantité d’information est importante or pour accroitre la discrétion des radars modernes, avec notamment l’introduction de l’agilité, le nombre d’impulsions interceptées a tendance à diminuer. De plus, la perte de l’information chronologique d’arrivée des impulsions par ces techniques d’histogrammes, notamment lorsque le nombre d’impulsions est faible, constitue une difficulté supplémentaire. Une solution envisagée serait de considérer les temps d’arrivée comme une série temporelle et de lui appliquer les algorithmes classiques de pistages multicibles à partir d’une représentation d’état (Interacting Multiple Modelref, filtrage particulaire etc .). De nouvelles difficultés apparaissent alors, telles que l’initialisation du filtre, la sensibilité de la méthode aux impulsions manquantes et parasites et la nécessité de connaître a priori le type de modulations recherchées. Plusieurs solutions ont cependant été présentées dans la littérature pour atténuer les effets des impulsions manquées et parasites. Il n’en demeure pas moins que ces méthodes sont pénalisées par les capacités de calcul nécessaires pour traiter de manière réaliste l’ambiance électromagnétique d’un théâtre d’opérations où le nombre d’impulsions est colossal. Toutefois elles restent d’actualité pour identifier des modulations complexes où seul un faible nombre d’impulsions est disponible.

PLAN DE TRAVAIL
La principale contribution de cette thèse concerne le désentrelacement des trames radar en étudiant, d’une part, les apports d’une analyse détaillée des caractéristiques intrapulse extraites du signal en bande de base, et d’autre part, certaines caractéristiques de la modulation engendrées par le matériel, ces deux approches venant en complément des techniques plus classiques basées sur les paramètres interpulse. Les représentations intrapulse ainsi obtenues, basées sur les concepts énumérés ci-après, et incluant le mode de compression d’impulsion constitueraient des attributs caractéristiques du signal origine et seraient utilisées pour entraîner un réseau de neurones profond afin de reconnaitre automatiquement l’émetteur. Le principe utilisé pourrait se rapprocher, par exemple, de ce qui a été réalisé pour la reconnaissance faciale appelée « eigenfaces" à savoir : prétraitement des données pour les homogénéiser suivi d’une décomposition en valeurs singulières (ACP, deep clustering etc.) avec sélection des vecteurs propres les plus significatifs et enfin l’apprentissage supervisé de la matrice de projection. La classification est alors réalisée en comparant les attributs du signal en entrée à ceux des signaux connus correspondants aux vecteurs propres.
En ce qui concerne l’analyse intrapulse, plusieurs pistes novatrices, mentionnée ci-dessous, peuvent être envisagée et constituent des verrous scientifiques :

1) Prise en compte du micro-Doppler sous la forme d’une micro-modulation parasite due aux mouvements de porteur.
2) Analyse de la technique de compression d’impulsion mise en œuvre et de potentiels motifs transitoires signant de la fréquence instantanée à l’aide de méthodes d’analyse spectrale haute résolution.
3) Analyse des récurrences de phases de la fréquence instantanée.
4) Calcul de la variance multi-échantillons (variance d’Allan etc.) des divers bruits engendrés par les composants de l’émetteur (bruit de phase) et caractérisation univoque de l’émetteur par la contribution respective des différents types de bruits.

En plus des caractéristiques intrapulse ci-dessus, un intérêt peut être porté à la recherche de certains « défauts" liés au matériel en étudiant, par exemple, le déphasage et/ou le déséquilibre de gain entre les voies I/Q.
Enfin, lorsque le désentrelacement des trames radars est réalisé, l’identification des lois régissant les variations des diverses caractéristiques interpulse ou même intrapulse, dans le cas de radar à compression d’impulsion, est réalisée à partir de méthodes d’apprentissage automatique. Les méthodes basées sur l’utilisation d’un dictionnaire comportant les modulations potentielles constituent une réponse adaptée au problème.

La méthode sera testée et évaluée d’une part grâce à des données simulées et d’autre part en utilisant des mesures réelles. Une possibilité consisterait à développer cette étude dans le cadre d’une collaboration avec le département de guerre électronique de DGA/MI, sachant qu’ils disposent d’un simulateur évolué d’ambiance électromagnétique de théâtres d’opération et que les experts pourraient nous aiguiller vers les formes d’onde d’intérêt sans pour autant utiliser des données réelles, probablement classifiées. Enfin, une solution également envisageable consisterait à mettre dans la boucle le CIAM (Centre d’IA de la MLarine) et le centre de la donnée du CEPN (Centre d’Expertise des Programmes Navals) ainsi que le CRGE (Centre de Renseignement et Guerre Electronique) pour nous alimenter, ce qui constituerait une première à tout point de vue.

Références
[1] V.C. Chen, F. Li, "Micro-doppler effect in radar : phenomenon, model, and simulation study", IEEE Trans. Aerosp. Electron. Syst., vol. 42, no. 1, pp. 1-20, 2006.
[2] P. W. East and J. L. Everett, "Electronic support measures", IEE Proc. F Commun. Radar Signal Process., vol. 132, no. 4, pp. 205, 1985.
[3] Y. Liu and Q. Zhang, "An improved method for deinterleaving radar signals and estimating PRI values", IET Radar Sonar Navigat., vol. 12, no. 5, pp. 506-514, 2018.
[4] X. Li, Z. Liu and Z. Huang, "Deinterleaving of pulse streams with denoising autoencoders", IEEE Trans. Aerosp. Electron. Syst., vol. 56, no. 6, pp. 4767–4778, 2020.
[5] Z-M Liu and S-Y. Philip, "Classification, denoising, and deinterleaving of pulse streams with recurrent neural networks", IEEE Trans. Aerosp. Electron. Syst., vol. 55, no. 4, pp. 1624–1639, 2018.
[6] H. E. Hassan, "Deinterleaving of radar pulses in a dense emitter environment", Proc. Int. Radar Conf., pp. 389-393, 2003.
[7] J. B. Moore and V. Krishnamurthy, "Deinterleaving pulse trains using discrete-time stochastic dynamic-linear models", IEEE Trans. Sig. Proc., vol. 42, no. 11, pp. 3092-3103, 1994.
[8] H. K. Mardia, "New techniques for the deinterleaving of repetitive sequences", IEE Proc. F Radar Sig. Proc., vol. 136, no. 4, pp. 149-154, 1989.
[9] Z. Ge, X. Sun, W. Ren, W. Chen and G. Xu, "Improved Algorithm of Radar Pulse Repetition Interval Deinterleaving Based on Pulse Correlation", IEEE Access, vol. 7, pp. 30126-30134, 2019.
[10] D.J. Milojevic and B.M. Popovic, "Improved algorithm for the deinterleaving of radar pulses", IEE Proc. F Radar and Signal Processing, vol. 139, pp. 98-104, 1992.
[11] M. Mottier, G. Chardon, and F. Pascal, "Deinterleaving and clustering unknown radar pulses", IEEE Radar Conference, pp. 1-6, 2021.
[12] M.A. Nuhoglu, Y.K. Alp, and F.C. Akyon, "Deep learning for radar signal detection in electronic warfare systems", IEEE Radar Conference, pp.1–6, 2020.
[13] A.W. Ata’a and S. N. Abdullah, "Deinterleaving of radar signals and PRF identification algorithms", IET Radar Sonar Navigat., vol. 1, no. 5, pp. 340-347, 2007.
[14] J. P. Eckmann, S. Oliffson Kamphorst, and D. Ruelle, "Recurrence plots of dynamical systems", Europhysics letters, 4 pp. 973–977, 1987.
[15] S. Riyaz, K. Sankhe, S. Ioannidis, and K. Chowdhury, "Deep learning convolutional neural network for radio identification", IEEE Comm. Mag., pp. 1-7, 2018.
[16] M. Caron, P. Bojanowski, A. Joulin, and M. Douze, "Deep Clustering for Unsupervised Learning of Visual Features", Proc. European Conference on Computer Vision, pp. 132-149, 2018.
[17] D.W. Allan, "Statistics of atomic frequency standards", Proc. IEEE, vol. 54, no. 2, pp. 221–230, 1966.
[18] J.A. Barnes, "Atomic time keeping and the statistics of precision signal generators", Proc. IEEE, vol. 54, no. 2, pp. 207–220, 1966.
[19] D.W. Allan and J. Levine, "A historical perspective on the development of the Allan variances and their strengths and weaknesses", IEEE Trans. Ultrasonics and Frequency Control, vol. 63, no.4, pp. 513-519, 2016.
[20] H. Xu, S. Guerrier, R. Molinari and Y. Zhang, "A Study of the Allan variance for constant-mean non-stationary processes", IEEE Sig. Proc. Lett., vol. 24, no. 8, pp. 1257-1260, 2017.
[21] L. Galleani and I. Sesia, "The corrected Allan variance: stability analysis of frequency measurements with missing data", IEEE Trans. Ultrasonics and Frequency Control, vol. 66, no. 10, pp. 1667-1683, 2019.
[22] L. Galleani and P. Tavella, "The dynamic Allan variance V: Recent advances in dynamic stability analysis", IEEE Trans. Ultrasonics and Frequency Control, vol. 63, no. 4, pp. 624-634, 2016.
[23] L. Galleani and P. Tavella, "The dynamic Allan variance", IEEE Trans. Ultrasonics and Frequency Control, vol. 56, no. 3, pp. 450-464, 2016.

Profil et compétences recherchées : Diplôme d’une école d’ingénieur ou Master 2 avec un bon dossier scolaire:
- Intérêt pour la recherche scientifique et pour l’enseignement
- des compétences théoriques en théorie et traitement du signal
- des compétences en méthodes d’apprentissage, réseau de neurones et apprentissage profond
- des compétences en mathématiques appliquées seront appréciées.
- langages Matlab et Python
- maîtrise de l'anglais scientifique (rédaction d'articles et présentation orale) ainsi que la langue française.
- bonnes capacités relationnelles

SPECIFICITES DU POSTE
Environnement d’école de formation initiale d’officiers.
Charge d’enseignement annuelle maximale de 96h.
Durée du contrat : CDD 3 ans avec une prolongation d’une année.

Pour candidater, envoyer un CV, relevé de notes et une lettre de motivation par email à
Abdel BOUDRAA (boudra@ecole-navale)
Jean-Jacques SZKOLNIK (jj.szkolnik@ecole-navale.fr)
Delphine DARE (delphine.dare@ecole-navale.fr)

Contact enseignement: Laurent Guillon (laurent.guillon@ecole-navale.fr): Tél 02 98 23 40 44
Date limite de candidature : 15 juin 2023 / minuit.