[論文レビュー] Deep Sensing: Cooperative Spectrum Sensing Based on Convolutional Neural Networks

Woongsup Lee, Minhoe Kim+1 more|arXiv (Cornell University)|May 23, 2017

Cognitive Radio Networks and Spectrum Sensing参考文献 13被引用数 27

ひとこと要約

本稿では、空間的および周波数的相関を考慮した認知无线电波ネットワークにおける、CNNに基づく協調的スペクトラムセンシングフレームワーク「Deep Cooperative Sensing (DCS)」を提案する。この手法は、トレーニングデータから最適な統合戦略を学習し、従来のK-out-of-NやSVMといった手法を凌駕するが、低複雑性のモデルや限られたトレーニングサンプルでも性能を発揮する。また、チャネルモデルや位置情報の明示的定義が不要であるため、環境に適応可能である。

ABSTRACT

In this paper, we investigate cooperative spectrum sensing (CSS) in a cognitive radio network (CRN) where multiple secondary users (SUs) cooperate in order to detect a primary user (PU) which possibly occupies multiple bands simultaneously. Deep cooperative sensing (DCS), which constitutes the first CSS framework based on a convolutional neural network (CNN), is proposed. In DCS, instead of the explicit mathematical modeling of CSS which is hard to compute and also hard to use in practice, the strategy for combining the individual sensing results of the SUs is learned with a CNN using training sensing samples. Accordingly, an environment-specific CSS which considers both spectral and spatial correlation of individual sensing outcomes, is found in an adaptive manner regardless of whether the individual sensing results are quantized or not. Through simulation, we show that the performance of CSS can be improved by the proposed DCS with low complexity even when the number of training samples is moderate.

研究の動機と目的

• 従来の手法が空間的および周波数的相関に対処に苦慮する認知无线电波ネットワーク（CRNs）において、環境に適応した、環境特有の協調的スペクトラムセンシング（CSS）戦略を設計する課題に対処すること。
• 相関するセンシング結果の複雑な数理的モデル化を回避し、トレーニングサンプルから直接最適な統合ポリシーを学習することにより、その必要を排除すること。
• SUIの位置情報や信号強度分布の事前知識がなくても、変動するチャネル状態（ハード判断およびソフト判断入力含む）においても、堅牢なスペクトラムセンシングを可能にすること。
• 深層学習が、低計算複雑性と最小限のトレーニングデータで優れたセンシング精度を達成できることを示し、実用的導入性を高めること。

提案手法

• 提案されたDCSフレームワークは、複数のセカンドリーユーザー（SUs）からの個々のセンシング結果を統合する最適な戦略を学習するため、畳み込みニューラルネットワーク（CNN）を用いる。統合プロセスを特徴量学習問題として扱う。
• CNNは、空間的および周波数的相関を捉えた合成センシングサンプルでトレーニングされ、チャネル統計の明示的モデル化なしに環境条件に適応可能になる。
• ハード判断（2値報告）とソフト判断（アナログRSS値）の両方の入力をサポートしており、報告フォーマットの柔軟性を提供する。
• ネットワークアーキテクチャは小型かつ効率的であり、リアルタイム動作に適した低推論複雑性を確保する。
• トレーニングでは、バックプロパゲーションを用いて誤検出確率と不検出確率の合計を最小化する。データセットは、シミュレートされたセンシング結果から構成される。

実験結果

リサーチクエスチョン

• RQ1 相関するチャネル状態下で、従来の協調的スペクトラムセンシング方式（K-out-of-N や SVM）に比べ、深層学習ベースのアプローチが、センシング精度において優れているかどうか。
• RQ2 提案されたCNNベースの統合戦略の性能は、SUsの数やノイズレベルの変化に伴い、どのように変化するか。
• RQ3 DCSフレームワークは、少数のトレーニングサンプル（例：100個）でも高い精度を維持できるか。これにより、実用的導入の負荷を低減できるか。
• RQ4 DCSフレームワークの計算複雑性は、従来の手法と比較してどうか。また、リアルタイム実装に適しているか。

主な発見

• DCSは、全テストノイズレベルにおいてK-out-of-N方式やSVMベースのCSSを下回るセンシング誤り率を達成しており、特にソフト判断入力の場合に最も低い誤り率を示した。
• 高ノイズレベル（例：N₀ = -154 dBm/Hz）下でも、ソフト判断を用いたDCSはセンシング誤り率を21%未満に維持しており、劣悪なチャネル状態下でも堅牢であることが示された。
• わずか100件のトレーニングサンプルでも、DCSは十分に低いセンシング誤り率を達成しており、データオーバーヘッドが少なく、実世界への実装可能性が高いかつ実用的であることが示された。
• すべてのテストされたSUs数において、DCSの推論時間は20 ms未満に保たれ、従来手法より複雑性が高かろうとも、リアルタイム動作が可能であることが確認された。
• 特に協調SUs数が少ない場合に、DCSは従来手法を著しく上回り、希薄なセンシング環境下での効率性が顕著に現れた。