[論文レビュー] DeepSense: Enabling Carrier Sense in Low-Power Wide Area Networks Using Deep Learning

Justin Chan, Anran Wang+2 more|arXiv (Cornell University)|Apr 23, 2019

IoT Networks and Protocols被引用数 14

ひとこと要約

DeepSenseは、周波数帯域内信号の下限ノイズレベル以下であっても、変調方式や符号化方式の事前知識が不要な深層学習ベースのキャリアセンス機構を、低消費電力広帯域ネットワーク（LPWAN）に導入した。この手法により、LoRa、Sigfox、NB-IoTを含む26種類のLPWANプロトコル間での共存が可能となり、実環境での展開で4倍の高速化と1.7倍の接続可能場所の増加を達成した。

ABSTRACT

The last few years have seen the proliferation of low-power wide area networks like LoRa, Sigfox and 802.11ah, each of which use a different and sometimes proprietary coding and modulation scheme, work below the noise floor and operate on the same frequency band. We introduce DeepSense, which is the first carrier sense mechanism that enables random access and coexistence for low-power wide area networks even when signals are below the noise floor. Our key insight is that any communication protocol that operates below the noise floor has to use coding at the physical layer. We show that neural networks can be used as a general algorithmic framework that can learn the coding mechanisms being employed by such protocols to identify signals that are hidden within noise. Our evaluation shows that DeepSense performs carrier sense across 26 different LPWAN protocols and configurations below the noise floor and can operate in the presence of frequency shifts as well as concurrent transmissions. Beyond carrier sense, we also show that DeepSense can support multi bit-rate LoRa networks by classifying between 21 different LoRa configurations and flexibly adapting bitrates based on signal strength. In a deployment of a multi-rate LoRa network, DeepSense improves bit rate by 4x for nearby devices and provides a 1.7x increase in the number of locations that can connect to the campus-wide network.

研究の動機と目的

• 従来のエネルギー検出法が失敗するノイズレベル以下の環境で、LPWANにおけるキャリアセンスを可能にする課題に対処すること。
• 独自プロトコルや多数の設定に対応できないプリアンブルベースの検出法の限界を克服すること。
• 新しいLPWANプロトコルが登場してもハードウェア変更なしにスケーラブルかつ将来対応可能なソリューションを設計すること。
• 915 MHzなどの共有周波数帯域において、LoRa や Sigfox などの複数のLPWANが共存する環境での共存とランダムアクセスを可能にすること。

提案手法

• ノイズレベル以下のLPWANはすべて物理層符号化を用いるため、ニューラルネットワークによる学習が可能であることに着目する。
• 受信信号のスペクトログラムを用いて、深層畳み込みニューラルネットワーク（CNN）および拡張リカレントニューラルネットワーク（dilated RNN）を訓練し、LPWAN信号の有無と種別を分類する。
• プリアンブル構造やプロトコル仕様の知識が不要なエンドツーエンド学習により、符号化および変調パターンを同定する。
• リアルタイム動作を実現するため、計算量が低いモデル（例：1推論あたり679K FLOPs）を設計する。
• 28 nm ASICでの推定消費電力が12 mW未満に抑えられ、一般的なLPWAN変調器の消費電力予算内に収まるよう低消費電力最適化を実施。
• 21種類のLoRa設定を分類し、信号強度に応じて動的にデータレートを適応させる仕組みにより、マルチレート動作をサポートする。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いて、変調方式や符号化方式の事前知識なしに、ノイズレベル以下のLPWAN信号を検出可能か？
• RQ2 Sigfox や NB-IoT といった独自プロトコルを含む多様なLPWANプロトコルに、1つの深層学習モデルが一般化可能か？
• RQ3 低消費電力ラジオハードウェア上で、計算量および消費電力の小さなオーバーヘッドでリアルタイムにキャリアセンスが可能か？
• RQ4 信号状態に応じた動的データレート適応が、マルチレートLoRaネットワークで可能か？
• RQ5 ソフトウェア更新のみで、将来的な新しいLPWANプロトコルに対しても前向きに適合可能か？

主な発見

• DeepSenseは、ノイズレベル以下の26種類の異なるLPWANプロトコルおよび設定（LoRa（SF6–SF12）、Sigfox、NB-IoT、802.11ahを含む）の信号を正常に検出できた。
• 周波数オフセットや同時送信が存在する状況下でも、信頼性の高い検出を維持した。
• 実環境のキャンパス展開において、従来のALOHAベースMACに比べ、近距離デバイスのデータレートが4倍向上した。
• 適応的データレート選択のおかげで、マルチレートLoRaネットワークの接続可能場所数が1.7倍に増加した。
• 最も効率の良いモデル（拡張CNN + RNN）は、1回の推論あたり679,441 FLOPsであり、28 nm ASIC上での推定消費電力は11.08 mWにとどまり、LPWANの消費電力予算内に収まった。
• DeepSenseは、深層学習を用いてSNRが-10 dBにまで低下するチープスプレッドスペクトラム信号を分類する最初の手法である。