[論文レビュー] Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder

Ziqi Ke, Haris Vikalo|arXiv (Cornell University)|Nov 16, 2020

Wireless Signal Modulation Classification参考文献 23被引用数 5

ひとこと要約

本論文は、ノイズの多いIQおよびPSDデータを活用して、堅牢で低次元の信号表現を学習する、リアルタイムの無線変調および技術分類のためのLSTMノイズ除去オートエンコーダーフレームワークを提案する。この手法は、顕著に低い計算コストで最先端の精度を達成し、Raspberry Piのような低コストプラットフォームへの効率的なデプロイを可能にし、ベースラインモデル比で最大6倍速い推論速度を実現する。

ABSTRACT

Identification of the type of communication technology and/or modulation scheme based on detected radio signal are challenging problems encountered in a variety of applications including spectrum allocation and radio interference mitigation. They are rendered difficult due to a growing number of emitter types and varied effects of real-world channels upon the radio signal. Existing spectrum monitoring techniques are capable of acquiring massive amounts of radio and real-time spectrum data using compact sensors deployed in a variety of settings. However, state-of-the-art methods that use such data to classify emitter types and detect communication schemes struggle to achieve required levels of accuracy at a computational efficiency that would allow their implementation on low-cost computational platforms. In this paper, we present a learning framework based on an LSTM denoising auto-encoder designed to automatically extract stable and robust features from noisy radio signals, and infer modulation or technology type using the learned features. The algorithm utilizes a compact neural network architecture readily implemented on a low-cost computational platform while exceeding state-of-the-art accuracy. Results on realistic synthetic as well as over-the-air radio data demonstrate that the proposed framework reliably and efficiently classifies received radio signals, often demonstrating superior performance compared to state-of-the-art methods.

研究の動機と目的

• 動的でノイズの多い環境下における無線変調および通信技術の正確かつリアルタイムな分類の課題に対処すること。
• 従来の特徴ベース手法およびディープラーニング手法の計算効率および現実のチャネル効果に対するロバストネスの限界を克服すること。
• 低コストでエッジベースのスペクトラムモニタリングシステムに適したコンactでデプロイ可能なモデルを開発すること。
• Raspberry Piのようなリソース制約のあるプラットフォームでも、精度を損なわずにリアルタイム分類を可能にすること。

提案手法

• フレームワークは、放射信号の不完全に汚染された振幅および位相データから、安定した低次元表現を学習するLSTMベースのノイズ除去オートエンコーダーを用いる。
• トレーニング中に入力信号が部分的にノイズで汚染され、オートエンコーダーは元の信号を再構築するとともに、判別可能な特徴を学習する。
• 学習された特徴は分類ヘッドを介して使用され、特徴学習と分類の統合を可能にする。
• モデルは、合成IQデータ（RadioML2018.01A）およびElectrosenseから得た実際の空中電波PSDデータの両方に対して、エンドツーエンドでトレーニングされる。
• 技術分類の目的では、パワースペクトル密度（PSD）データを処理するため、IQベースの変調認識を超えた応用性が拡張される。
• 推論効率を最適化するためにアーキテクチャが最適化されており、パラメータ数、FLOPs、メモリ使用量を最小限に抑えることで、リアルタイムデプロイを支援する。

実験結果

リサーチクエスチョン

• RQ1 LSTMノイズ除去オートエンコーダーは、ノイズの多い無線信号から、ロバストで低次元の特徴を効果的に抽出できるか？
• RQ2 本フレームワークは、IQベースの変調分類において、VGGやリプルネットワークといった最先端のディープラーニングモデルと比較して、精度および効率で優れているか？
• RQ3 同じフレームワークを、IQサンプルの代わりにパワースペクトル密度（PSD）データを用いて、無線技術の分類に拡張可能か？
• RQ4 Raspberry Piのような低コストエッジプラットフォーム上での、本モデルの推論速度およびリソース効率はどの程度か？
• RQ5 分散スケールモニタリングシステムを介して収集された実際の空中電波信号に対して、本モデルはどの程度一般化性能を示すか？

主な発見

• 提案モデルは、RadioML2018.01Aデータセットにおいて、最先端のトップ-1分類精度を達成し、VGGおよびリプルネットワークベースラインを上回った。
• Raspberry Pi 4では、1秒あたり約24.43回の分類が可能であり、リプルネットワーク比で2.4倍速く、VGG比で1.6倍速い。
• Raspberry Pi 3では、リプルネットワーク比で2.4倍速く、VGG比で1.3倍速く、低スペックハードウェアでも優れた効率性を示した。
• Electrosenseの空中電波PSDデータでは、標準LSTMよりもわずかに高い分類性能を達成し、DVBとLTEのような類似信号の分離が明確に改善された、混同行列が得られた。
• RadioML2018.01Aでは、学習可能なパラメータがわずか14,989個、メモリ使用量が242KBにとどまり、VGG（236,344パラメータ）やリプルネットワーク（257,009パラメータ）に比べて顕著に効率的である。
• Raspberry Pi 4ではLSTM比で4.3倍速く、Raspberry Pi 3ではLSTM比で6倍速く、平均分類レートはそれぞれ12.79回/秒および6.45回/秒であった。