[論文レビュー] SAIFE: Unsupervised Wireless Spectrum Anomaly Detection with Interpretable Features

Sreeraj Rajendran, Wannes Meert+2 more|arXiv (Cornell University)|Jul 22, 2018

Wireless Signal Modulation Classification参考文献 16被引用数 5

ひとこと要約

SAIFE は、電力スペクトル密度（PSD）データを用いた無教師異常検出のための敵対的オートエンコーダー（AAE）モデルであり、同時に異常検出、解釈可能な特徴量の学習（例：信号帯域幅、中心周波数、クラス）、最大120倍の損失圧縮を実現する。20％のラベル付きデータのみでほぼ100％の半教師あり信号分類精度を達成し、実世界のElectrosenseデータを用いた長期的な異常検出においても高い耐障害性を示す。

ABSTRACT

Detecting anomalous behavior in wireless spectrum is a demanding task due to the sheer complexity of the electromagnetic spectrum use. Wireless spectrum anomalies can take a wide range of forms from the presence of an unwanted signal in a licensed band to the absence of an expected signal, which makes manual labeling of anomalies difficult and suboptimal. We present, Spectrum Anomaly Detector with Interpretable FEatures (SAIFE), an Adversarial Autoencoder (AAE) based anomaly detector for wireless spectrum anomaly detection using Power Spectral Density (PSD) data which achieves good anomaly detection and localization in an unsupervised setting. In addition, we investigate the model's capabilities to learn interpretable features such as signal bandwidth, class and center frequency in a semi-supervised fashion. Along with anomaly detection the model exhibits promising results for lossy PSD data compression up to 120X and semisupervised signal classification accuracy close to 100% on three datasets just using 20% labeled samples. Finally the model is tested on data from one of the distributed Electrosense sensors over a long term of 500 hours showing its anomaly detection capabilities.

研究の動機と目的

• 再トレーニングなしで複数の周波数帯にまたがって動作する、無教師の無線スペクトル異常検出システムの開発。
• 半教師あり設定下で、生のPSDデータから信号帯域幅、中心周波数、クラスなどの解釈可能な特徴量を学習すること。
• 大規模なスペクトルモニタリングにおけるデータ転送コスト削減を目的として、PSDデータの高効率な損失圧縮を可能にすること。
• Electrosense センサーから得られる実世界の長期的スペクトルデータにおいて、高い性能を示すこと。
• 1つの統合されたディープラーニングフレームワーク内で、異常検出、信号分類、特徴解釈を統合すること。

提案手法

• モデルは、PSDフレームを入力として、圧縮された潜在表現を学習する敵対的オートエンコーダー（AAE）アーキテクチャを採用する。
• エンコーダーは入力PSDデータを20次元の潜在空間にマップし、最小限の再構成誤差で最大120倍の高率損失圧縮を実現する。
• AAEにおけるディスクラミネーターは、学習された潜在コードの分布と事前分布を区別するように訓練され、分離可能で解釈可能な特徴量の学習を可能にする。
• 信号帯域幅、中心周波数、クラスなどの解釈可能な特徴量は、20％のラベル付きデータのみを用いた半教師ありファインチューニングにより、学習された潜在空間から抽出される。
• 異常検出は再構成誤差を測定することで実施され、高い誤差は異常入力を示す。
• モデルは、合成データ、SDR、Electrosense の3つのデータセットを用い、圧縮、異常検出、分類の各タスクで評価される。

実験結果

リサーチクエスチョン

• RQ1 1つのAAEベースのモデルが、再トレーニングやバンド固有の適応なしに、多様な無線帯域で異常を検出できるか？
• RQ2 AAEで学習された潜在特徴量が、信号帯域幅、中心周波数、信号クラスなどの意味のある物理的信号パラメータとしてどの程度解釈可能か？
• RQ3 異常検出と分類の有効性を保持しつつ、PSDデータの圧縮はどの程度効果的か？
• RQ4 信号対雑音比（SNR）が変化する条件下で、圧縮比と異常検出精度のトレードオフはいかなるものか？
• RQ5 最小限のラベル付きデータで高い信号分類精度を達成できるか。これにより、実世界のスペクトルモニタリングにおける半教師あり展開が可能になるか？

主な発見

• Electrosense データセットにおいて、SAIFE は最大120倍の圧縮比を達成し、6×221のPSDサンプルに対して平均絶対再構成誤差が101.16であった。
• 合成データセットでは、92.86％の信号分類精度を達成し、主に単一連続信号と複数連続信号の間で誤分類が生じていた。
• 実世界のSDRおよびElectrosenseデータセットでは、半教師あり設定下で20％のラベル付きサンプルのみを用いても100％の信号分類精度を達成した。
• 共通のSNRレベル（-10 dB、0 dB、10 dB）において、潜在特徴量の数が増加するにつれて異常検出性能が向上するが、極端なSNR（-20 dBおよび20 dB）では増加が頭打ちになる。
• 実際のElectrosenseセンサーから得た500時間にわたる連続データにおいて、安定した長期異常検出性能を示し、実用的展開の可能性を裏付けた。
• 手動による特徴量設計なしに、潜在空間から直接信号帯域幅、中心周波数、クラスなどの解釈可能な特徴量の学習が可能である。