[論文レビュー] Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression

Anu Jagannath, Jithin Jagannath|arXiv (Cornell University)|Feb 26, 2022

Wireless Signal Modulation Classification被引用数 4

ひとこと要約

本稿では、5Gおよびそれ以降のネットワーク向けに、変調形式と無線信号タイプ（例：レーダーおよび通信波形）を共同で分類する軽量なマルチタスク学習（MTL）フレームワークを提案する。モデル圧縮によりエッジデバイスへの効率的なデプロイメントを実現する。MTLモデルは10 dB SNRで99.2%の信号分類精度と98.9%の変調分類精度を達成し、INT8量子化後のモデルサイズが251.6 kB（11.8倍小さく）にまで縮小され、リソース制限のあるエッジデバイスにおいて高い精度と効率性を示している。

ABSTRACT

Future communication networks must address the scarce spectrum to accommodate extensive growth of heterogeneous wireless devices. Wireless signal recognition is becoming increasingly more significant for spectrum monitoring, spectrum management, secure communications, among others. Consequently, comprehensive spectrum awareness on the edge has the potential to serve as a key enabler for the emerging beyond 5G networks. State-of-the-art studies in this domain have (i) only focused on a single task - modulation or signal (protocol) classification - which in many cases is insufficient information for a system to act on, (ii) consider either radar or communication waveforms (homogeneous waveform category), and (iii) does not address edge deployment during neural network design phase. In this work, for the first time in the wireless communication domain, we exploit the potential of deep neural networks based multi-task learning (MTL) framework to simultaneously learn modulation and signal classification tasks while considering heterogeneous wireless signals such as radar and communication waveforms in the electromagnetic spectrum. The proposed MTL architecture benefits from the mutual relation between the two tasks in improving the classification accuracy as well as the learning efficiency with a lightweight neural network model. We additionally include experimental evaluations of the model with over-the-air collected samples and demonstrate first-hand insight on model compression along with deep learning pipeline for deployment on resource-constrained edge devices. We demonstrate significant computational, memory, and accuracy improvement of the proposed model over two reference architectures. In addition to modeling a lightweight MTL model suitable for resource-constrained embedded radio platforms, we provide a comprehensive heterogeneous wireless signals dataset for public use.

研究の動機と目的

• 共存するレーダーおよび通信信号を有する高密度かつ多様性に富んだ無線環境における包括的スペクトル認識の増大するニーズに対応すること。
• 従来の単一タスクモデルが変調またはプロトコル分類に限定されており、しばしば均一な信号ドメインに限られるという限界を克服すること。
• リソース制限のあるエッジデバイスに実装可能であり、かつ高い精度を発揮する深層学習モデルを設計すること。モデル圧縮を初期段階から統合することを目的とする。
• マルチタスク学習を用いて変調分類と信号分類タスクを共同で学習させ、一般化性能と効率性を向上させること。
• 今後の研究を支援するため、実空間で測定された無線信号（RadComOta）を含む公開可能な異種無線信号データセットをリリースすること。

提案手法

• 変調分類と信号分類のヘッド間で初期の畳み込み特徴を共有する軽量なMTLニューラルネットワークアーキテクチャを設計する。
• 多様なレーダーおよび通信波形を含む合成データおよび実空間測定（OTA）データセットを用いてモデルを学習する。
• TensorFlow Liteを用いて、FP32モデルをINT8量子化モデルに変換するための量子化意識学習（QAT）を適用する。
• 検証セットを用いたキャリブレーションを伴うトレーニング後量子化を実施し、圧縮による精度損失を最小限に抑える。
• TensorFlow Liteのデフォルト最適化ポリシーを活用してモデル最適化を実施し、8ビットの重み精度を達成し、モデルサイズを削減する。
• Intel Core i5-3230M CPU上で、FLOPs、パラメータ数、メモリ使用量、および待機時間の観点から推論性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 異種スペクトル環境下で、変調形式と無線信号タイプの両方の分類において、マルチタスク学習フレームワークが精度と効率性を同時に向上させることができるか？
• RQ2 INT8量子化によるモデル圧縮は、エッジデバイスにおける分類精度とデプロイメント可能性にどのような影響を及ぼすか？
• RQ3 VTCNN や DRCNN といった既存のアーキテクチャと比較して、提案されたMTLモデルは計算およびメモリオーバーヘッドをどの程度低減できるか？
• RQ4 実空間の電波環境下でも、多様な信号タイプ（レーダーおよび通信）に対して、モデルは高い精度を維持できるか？
• RQ5 共有表現学習が、発信機分類、帯域幅回帰、サンプリングレート推定といった追加の信号特徴抽出タスクへの拡張において、一般化性能とスケーラビリティに与える影響はいかほどか？

主な発見

• 提案されたMTLモデルは、VTCNNおよびDRCNNのMTLバージョンと比較して、それぞれFLOPsを91.06%、パラメータ数を約75%削減した。
• 10 dB SNRで変調分類精度が98.9%、信号分類精度が99.2%に達し、0 dB以上でも98%以上の精度を維持した。
• INT8量子化により、モデルサイズはFP32の2.97 MBから251.6 kBにまで縮小され、11.8倍の圧縮比を達成し、精度損失はほとんどない。
• Intel Core i5-3230M CPU上での推論待機時間は8.4 msであり、VTCNN-MTLおよびDRCNN-MTLと比較して、それぞれ90.5%および73.8%のメモリ使用量削減を達成した。
• モデルは優れた一般化性能とスケーラビリティを示し、発信機分類、帯域幅回帰、サンプリングレート推定といった今後のタスクへの拡張が可能である。
• 実空間で収集されたレーダーおよび通信信号を含むRadComOtaデータセットを、今後の無線信号認識分野の研究を支援する目的で公開した。