[論文レビュー] Deep Learning for RF Signal Classification in Unknown and Dynamic Spectrum Environments

Yi Shi, Kemal Davaslıoğlu+4 more|arXiv (Cornell University)|Sep 25, 2019

Wireless Signal Modulation Classification参考文献 29被引用数 4

ひとこと要約

本論文は、継続的学習、外れ値検出、位相に配慮したCNN、およびブラインドソース分離を用いて、進化する未知の偽装信号および重畳信号を処理する、動的スケジューリングアクセス向けの深層学習ベースのRF信号分類フレームワークを提案する。分散スケジューリングにおいて、最大40,578のネットワーク内ユーザースループットと100%のネットワーク外成功割合を達成し、ベンチマークのTDMA方式を著しく上回る性能を示した。

ABSTRACT

Dynamic spectrum access (DSA) benefits from detection and classification of interference sources including in-network users, out-network users, and jammers that may all coexist in a wireless network. We present a deep learning based signal (modulation) classification solution in a realistic wireless network setting, where 1) signal types may change over time; 2) some signal types may be unknown for which there is no training data; 3) signals may be spoofed such as the smart jammers replaying other signal types; and 4) different signal types may be superimposed due to the interference from concurrent transmissions. For case 1, we apply continual learning and train a Convolutional Neural Network (CNN) using an Elastic Weight Consolidation (EWC) based loss. For case 2, we detect unknown signals via outlier detection applied to the outputs of convolutional layers using Minimum Covariance Determinant (MCD) and k-means clustering methods. For case 3, we extend the CNN structure to capture phase shifts due to radio hardware effects to identify the spoofing signal sources. For case 4, we apply blind source separation using Independent Component Analysis (ICA) to separate interfering signals. We utilize the signal classification results in a distributed scheduling protocol, where in-network (secondary) users employ signal classification scores to make channel access decisions and share the spectrum with each other while avoiding interference with out-network (primary) users and jammers. Compared with benchmark TDMA-based schemes, we show that distributed scheduling constructed upon signal classification results provides major improvements to in-network user throughput and out-network user success ratio.

研究の動機と目的

• 従来の信号分類手法が動的で未知、干渉の多い無線ネットワークにおいて抱える限界を解消すること。
• 信号タイプが時間経過とともに変化したり、スマートジャマラーによる偽装信号である場合でも、正確なRF信号分類を可能にすること。
• 重畳信号およびリアルタイムのスケジューリング動態下でも動作する、耐障害性の高い信号分類システムの開発。
• 信号分類を分散スケジューリングプロトコルに統合し、ネットワーク内ユーザーのスループットを向上させるとともに、ネットワーク外ユーザーを保護すること。
• 実際の、現実的な無線環境において、ベンチマークのTDMA方式に比べて優れた性能を示すことを実証すること。

提案手法

• 新しい信号タイプが出現する際の災難的忘却を防ぐために、Elastic Weight Consolidation (EWC) を用いた継続的学習を畳み込みニューラルネットワーク (CNN) に適用する。
• CNNの特徴出力に対して、最小共分散行列 (MCD) とk-meansクラスタリングを用いた外れ値検出を実施し、事前学習データがなくても未知信号を特定する。
• 無線機器の影響による位相シフトをモデル化できるようにCNNアーキテクチャを拡張し、スマートジャマラーによる偽装信号の検出を可能にする。
• 独立成分分析 (ICA) を用いてブラインドソース分離を実施し、分類の前に重畳信号を分離する。
• 分散スケジューリングプロトコルは、信号分類スコアを用いて、二次ユーザーが干渉を避けるようにスケジューリングを実行する。
• 重み付き統合手法を用いて、深層学習の出力とトラフィックプロファイルデータを統合し、意思決定の精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 動的スケジューリング環境において、新しい変調タイプが時間経過とともに出現する際、深層学習モデルが高い精度を維持する方法は何か？
• RQ2 事前学習データが存在しない状況で、未知の信号タイプを正確に検出するアプローチは何か？
• RQ3 スマートジャマラーによる偽装信号を、深層学習を用いて正当な信号とどのように区別できるか？
• RQ4 重畳信号が存在する状況で、ブラインドソース分離が信号分類精度をどの程度向上できるか？
• RQ5 トラフィックに配慮したスケジューリングと信号分類を統合することで、従来のTDMA方式に比べてネットワーク全体の性能がどの程度向上するか？

主な発見

• EWCを用いた継続的学習アプローチにより、新しい信号タイプが出現しても、理想状態に近い分類性能を維持でき、災難的忘却を回避できた。
• CNN特徴量に対するMCDとk-meansを用いた外れ値検出により、ラベルなし学習データでも未知信号の特定に高い精度を達成した。
• ハードウェア由来の位相シフトをモデル化するようにCNNを拡張することで、スマートジャマラーによる偽装信号の検出が有効に可能となった。
• ICAを用いたブラインドソース分離により、重畳信号の分類精度が向上し、個々の信号タイプを別々に分類可能となった。
• 深層学習ベースの分類を用いた分散スケジューリングにより、ネットワーク内ユーザーのスループットが40,578に達し、ネットワーク外ユーザーの成功割合は100%に達した。これは、ベンチマークのTDMA方式を著しく上回った。
• トラフィックプロファイルの統合によりスケジューリング性能がわずかに向上し、ネットワーク外成功割合は70%に達したが、外れ値や信号の重畳に対しても、スループットのわずかな低下を除いて優れた性能を維持した。