[論文レビュー] Multi-Label Wireless Interference Identification with Convolutional Neural Networks

Sergej Grunau, Dimitri Block+1 more|arXiv (Cornell University)|Apr 12, 2018

Respiratory viral infections research被引用数 11

ひとこと要約

本稿は、免許不要の2.4 GHz ISM帯域における無線干渉同定（WII）を目的として、マルチラベル畳み込みニューラルネットワーク（CNN）を提案する。10 MHz帯域幅および12.8 µsスナップショットにおいて、主信号に加えて最大6つの干渉信号を分類する。同手法は、狭帯域IEEE 802.15.1および802.15.4における同一技術干渉に対してほぼ完璧な正確性（≈100%）を達成し、IEEE 802.11b/gを含む異種技術干渉に対しても最低90%の正確性を示し、現実的な共存シナリオにおける頑健性を実証する。

ABSTRACT

The steadily growing use of license-free frequency bands require reliable coexistence management and therefore proper wireless interference identification (WII). In this work, we propose a WII approach based upon a deep convolutional neural network (CNN) which classifies multiple IEEE 802.15.1, IEEE 802.11 b/g and IEEE 802.15.4 interfering signals in the presence of a utilized signal. The generated multi-label dataset contains frequency- and time-limited sensing snapshots with the bandwidth of 10 MHz and duration of 12.8 $μ$s, respectively. Each snapshot combines one utilized signal with up to multiple interfering signals. The approach shows promising results for same-technology interference with a classification accuracy of approximately 100 % for IEEE 802.15.1 and IEEE 802.15.4 signals. For IEEE 802.11 b/g signals the accuracy increases for cross-technology interference with at least 90 %.

研究の動機と目的

• 多様な無線技術が使用する混雑した免許不要の2.4 GHz ISM帯域における信頼性の高い共存管理の課題に対処する。
• 従来の単一ラベルWIIシステムの制限を克服し、主利用信号が存在する中で複数の干渉信号を同時に検出可能にする。
• 現実的な感度パrameterに制限された実用的なWIIソリューションを開発する：10 MHz帯域幅および12.8 µsスナップショット時間長。これは、実世界のハードウェア能力を反映している。
• 制御チャネルを備えないレガシ産業用無線通信システムにおける非協力的共存管理を可能にする。
• CNNベースのWIIシステムの学習および評価のため、現実の干渉シナリオをシミュレートする包括的なマルチラベルデータセットを生成する。

提案手法

• 無線信号の同調および正交（IQ）サンプルからエンドツーエンドの特徴学習を実行する深層畳み込みニューラルネットワーク（CNN）を設計する。
• 1つの利用信号に最大6つの干渉信号を組み合わせた、45万件の周波数および時間制限付きスナップショットを含むマルチラベルデータセットでCNNを学習する。
• 工業用無線システムのリアルタイムかつ低遅延感度制約を模倣するため、各スナップショットに10 MHz帯域幅および12.8 µsの期間を適用する。
• IEEE 802.15.1、IEEE 802.11b/g、IEEE 802.15.4技術から単一ラベルスナップショットを組み合わせることでデータセットを構築し、各周波数チャネル15個をカバーする。
• すべての干渉信号に対して信号対干渉比（SIR）を1に設定し、等価な電力レベルでの現実的な共存条件を模倣する。
• 各スナップショットに存在する全アクティブな干渉技術をラベルとして付与するマルチラベル分類を実装し、複数の干渉源の同時検出を可能にする。

実験結果

リサーチクエスチョン

• RQ1 厳しい感度制約下で、主利用信号が存在する中で深層CNNが複数の干渉無線信号を効果的に同定できるか？
• RQ2 同一技術干渉（STI）と異種技術干渉（CTI）のシナリオにおける分類性能にどのような差が生じるか？
• RQ3 スペクトル重複および信号帯域幅（狭帯域対広帯域）がマルチラベル干渉検出の正確性に及ぼす影響はどの程度か？
• RQ4 干渉信号の数が、特に広帯域IEEE 802.11b/g信号の検出性能にどのように影響するか？
• RQ5 利用信号の周波数チャネルが干渉信号の検出正確性に顕著に影響を与えるか？

主な発見

• 提案されたCNNは、狭帯域IEEE 802.15.1およびIEEE 802.15.4信号を含む同一技術干渉（STI）に対して、10 MHz感度帯域幅内での完全な信号カバレッジと最小限のスペクトル重複のおかげで、約100%の分類正確性を達成する。
• 広帯域IEEE 802.11b/g信号を含むSTIでは、正確性が最低78%に低下する。主な要因は部分的な信号カバレッジおよび顕著な信号間スペクトル重複である。
• 異種技術干渉（CTI）では、利用信号がIEEE 802.11b/gの場合、少なくとも90%の正確性を達成する。干渉信号が狭帯域であるため、スペクトルの混同が軽減される利点がある。
• 利用信号がIEEE 802.15.1またはIEEE 802.15.4の場合、干渉信号の部分的スペクトル重複のため正確性はわずかに低下し、少なくとも95%を維持する。
• 周波数チャネルごとの検出性能に顕著なばらつきが認められ、特にIEEE 802.11b/gでは利用信号の中心周波数に強く依存することが示された。
• IEEE 802.11b/g干渉信号が3つ存在する場合の真陽性率（TPR）の予期しない上昇は、組み合わせ確率効果またはモデルの過学習に起因する可能性があり、実環境でのさらなる検証が求められる。