[論文レビュー] DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE 802.11ax Systems

Yi Zhang, Akash Doshi+5 more|arXiv (Cornell University)|Oct 19, 2020

Wireless Signal Modulation Classification参考文献 29被引用数 5

ひとこと要約

DeepWiPHY は、IEEE 802.11ax（Wi-Fi 6）システム向けに、チャネル推定、CPE補正、SRO補償、エ Qualization モジュールを統合的に置き換える深層学習ベースの OFDM レシーバーを提案する。合成データで学習し、USRP ベースのテストベッドから得た実世界の空中線データでファインチューニングすることで、多様なチャネル状態および変調方式において、従来のレシーバーと同等またはそれ以上の BER および PER 性能を達成する。

ABSTRACT

In this work, we develop DeepWiPHY, a deep learning-based architecture to replace the channel estimation, common phase error (CPE) correction, sampling rate offset (SRO) correction, and equalization modules of IEEE 802.11ax based orthogonal frequency division multiplexing (OFDM) receivers. We first train DeepWiPHY with a synthetic dataset, which is generated using representative indoor channel models and includes typical radio frequency (RF) impairments that are the source of nonlinearity in wireless systems. To further train and evaluate DeepWiPHY with real-world data, we develop a passive sniffing-based data collection testbed composed of Universal Software Radio Peripherals (USRPs) and commercially available IEEE 802.11ax products. The comprehensive evaluation of DeepWiPHY with synthetic and real-world datasets (110 million synthetic OFDM symbols and 14 million real-world OFDM symbols) confirms that, even without fine-tuning the neural network's architecture parameters, DeepWiPHY achieves comparable performance to or outperforms the conventional WLAN receivers, in terms of both bit error rate (BER) and packet error rate (PER), under a wide range of channel models, signal-to-noise (SNR) levels, and modulation schemes.

研究の動機と目的

• IEEE 802.11ax システムにおける従来の PHY レイヤー モジュールを置き換える深層学習ベースのベースバンド レシーバーの設計。
• 実世界の無線データセットが限られているという課題に対処するため、実空中 OFDM シンボルを収集するためのパassive スナッピング テストベッドの開発。
• 合成データおよび実世界データを用いた一般化性能の評価を通し、Wi-Fi 6 標準準拠を保証する、DL ベースのレシーバーの性能と一般化能力を検証。
• 実世界データが、合成データのみに依存する DL ベースの無線レシーバーにおける一般化性能をどの程度向上させるかを調査。
• CRC/FCS の検証を用いて正常に復号されたパケットを基に、ローカルでの再学習により、オンラインでデバイス固有の適応を可能にする。

提案手法

• エンドツーエンドに学習される深層ニューラルネットワークが、OFDM システムにおける統合的チャネル推定、CPE補正、SRO補償、エ Qualization を実行する。
• 実際の屋内チャネルモデルおよび I/Q 不平衡や位相ノイズなどの一般的な RF 異常を模擬した包括的な合成データセットを生成する。
• USRPs と商業用 802.11ax デバイスを用いたパassive スナッピング テストベッドにより、1,400万個の実世界 OFDM シンボルを収集し、学習および評価に使用。
• ネットワークアーキテクチャは周波数ドメイン信号を処理し、周波数選択的フェージングおよびハードウェア異常をモデル化するために畳み込み層と全結合層を用いる。
• 合成データで事前学習したモデルを、実世界データでファインチューニングすることで、未観測のハードウェアおよびチャネル状態への一般化性能が向上する。
• CRC および FCS を用いて正常に復号されたシンボルを特定し、インクリメンタルなモデル更新のラベルを生成する仕組みを備えたオンライン学習フレームワークを提案。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのレシーバーは、多様なチャネルおよび SNR 条件下で、従来の 802.11ax レシーバーと同等またはそれ以上の性能を達成できるか？
• RQ2 合成データと実世界データを組み合わせることで、合成データのみに依存する DL ベースの無線レシーバーの一般化性能が向上するか？
• RQ3 デバイス固有の RF 異常が DL ベースのレシーバーの性能に及ぼす影響はどの程度で、実世界データによって補償可能か？
• RQ4 事前学習済みの DL モデルを、オンラインでローカルに再学習することで、動的環境下でのレシーバー性能が向上するか？
• RQ5 IEEE 802.11ax に準拠した、エンドツーエンドの DL ベースのレシーバーを開発することは可能か？ これは、複数の従来の PHY レイヤー モジュールを置き換えることを含む。

主な発見

• 合成データでのみ学習した DeepWiPHY は、周波数スムージングなしの従来のレシーバーと同等の BER および PER 性能を達成するが、わずかに劣る。
• 学習に実世界データを組み込むことで明確な性能向上が得られ、DeepWiPHY は複数の SNR レベルおよび変調方式において、従来のレシーバーを上回る BER 性能を示す。
• 実世界データを用いた性能向上は、合成モデルでは完全に捉えきれないデバイス固有および環境依存の RF 異常が存在することを裏付けている。
• 実世界データの使用により、未観測のハードウェアおよびチャネル状態への一般化性能が向上し、実データによるファインチューニングの必要性が裏付けられる。
• オンライン学習フレームワークにより、デバイス固有の適応が可能となり、ローカルで観測されたパケット復号成功に基づき、モデルが時間経過とともに改善される。
• 結果から、DL ベースのレシーバーが標準準拠であり、かつ実世界での展開においても有効であることが示された。特に、実空中データで学習された場合に顕著である。