[논문 리뷰] Classification of Common Waveforms Including a Watchdog for Unknown Signals

C. Tanner Fredieu, Justin M. Bui외 4명|arXiv (Cornell University)|2021. 08. 16.

Wireless Signal Modulation Classification참고 문헌 11인용 수 4

한 줄 요약

이 논문은 공유 스펙트럼에서 일반 레이더 및 통신 웨이브폼(SC, SC-FDMA, OFDM, LFM)을 분류하고 미지 신호를 탐지하기 위한 이단계 딥러닝 프레임워크를 제안한다. 분류에 깊이 다층 퍼셉트론을 사용하고, 이중 RMSE 임계값을 갖는 CNN 기반 오토인코더를 통해 미지 웨이브폼을 경고함으로써 0 dB SNR 이상에서 분류 정확도 100%와 0 dB에서 이상 탐지 정확도 95%를 달성했으며, 최적화된 FFT 크기를 사용함으로써 성능을 향상시켰다.

ABSTRACT

In this paper, we examine the use of a deep multi-layer perceptron model architecture to classify received signal samples as coming from one of four common waveforms, Single Carrier (SC), Single-Carrier Frequency Division Multiple Access (SC-FDMA), Orthogonal Frequency Division Multiplexing (OFDM), and Linear Frequency Modulation (LFM), used in communication and radar networks. Synchronization of the signals is not needed as we assume there is an unknown and uncompensated time and frequency offset. An autoencoder with a deep CNN architecture is also examined to create a new fifth classification category of an unknown waveform type. This is accomplished by calculating a minimum and maximum threshold values from the root mean square error (RMSE) of the radar and communication waveforms. The classifier and autoencoder work together to monitor a spectrum area to identify the common waveforms inside the area of operation along with detecting unknown waveforms. Results from testing showed the classifier had 100\% classification rate above 0 dB with accuracy of 83.2\% and 94.7\% at -10 dB and -5 dB, respectively, with signal impairments present. Results for the anomaly detector showed 85.3\% accuracy at 0 dB with 100\% at SNR greater than 0 dB with signal impairments present when using a high-value Fast Fourier Transform (FFT) size. Accurate detection rates decline as additional noise is introduced to the signals, with 78.1\% at -5 dB and 56.5\% at -10 dB. However, these low rates seen can be potentially mitigated by using even higher FFT sizes also shown in our results.

연구 동기 및 목표

• 레이더와 통신 시스템 간의 스펙트럼 공유 과제를 해결하기 위해 실시간 웨이브폼 분류 및 미지 신호 탐지를 가능하게 한다.
• 주파수 오프셋, 위상 오프셋, IQ 불균형과 같은 실제 신호 손상 조건 하에서도 작동하는 강건하고 저복잡도의 분류 모델을 개발한다.
• 복소수 오토인코더의 복원 오차를 기반으로 한 이상 탐지 시스템을 설계하여 미지 웨이브폼을 식별한다.
• FFT 크기를 최적화하고 다중 임계값 RMSE 영역을 사용하여 복원 갭으로 인한 오분류를 줄임으로써 탐지 정확도를 향상시킨다.

제안 방법

• 기본 대역 신호를 SC, SC-FDMA, OFDM, LFM 네 가지 유형으로 분류하기 위해 딥 다층 퍼셉트론(MLP)을 훈련한다.
• 신호는 FFT를 통해 주파수 도메인으로 변환되고, 그 후 세기 값이 취해져 파wer 스펙트럼 밀도(PSD)로 변환되어 이상 탐지기의 입력으로 사용된다.
• 복소수 오토인코더는 입력 신호를 복원하고, 입력과 출력 간의 평균 제곱근 오차(RMSE)를 계산하여 이상을 탐지한다.
• 기존 신호 유형(레이더 및 통신)에서 유도된 두 개의 임계값(최소 및 최대 RMSE)을 사용하여 '기타' 영역을 정의하고, 이 범위 외부에 있는 신호는 미지로 경고한다.
• 두 영역, 세 영역, 다섯 영역의 임계값 설계를 시험하여 레이더와 통신 신호의 RMSE 분포 간 격차를 줄이고 탐지의 강건성을 향상시켰다.
• 특히 저 SNR 조건에서 다중 경로 페이딩과 AWGN 환경에서 성능을 안정화시키기 위해 높은 FFT 크기(예: 16384)를 사용한다.

실험 결과

연구 질문

• RQ1 실제 손상 조건 하에서 깊이 피드포워드 네트워크가 일반적인 레이더 및 통신 웨이브폼을 고정확도로 분류할 수 있는가?
• RQ2 RMSE 기반 임계값을 사용하는 CNN 기반 오토인코더는 공유 스펙트럼 환경에서 미지 웨이브폼 탐지에 얼마나 효과적인가?
• RQ3 다양한 FFT 크기가 노이즈 및 페이딩 조건 하에서 이상 탐지의 안정성과 정확도에 어떤 영향을 미치는가?
• RQ4 다중 임계값 영역 설계는 복원 오차 갭으로 인한 미지 신호의 오분류를 줄일 수 있는가?

주요 결과

• 신호 손상 조건 하에서 0 dB SNR 이상에서는 분류기가 100% 정확도를 달성했고, -5 dB에서는 94.7%, -10 dB에서는 83.2%의 정확도를 기록했다.
• 세 영역 임계값 설계를 사용하여 0 dB SNR에서 이상 탐지기는 95% 정확도를 달성했으며, AWGN 조건 하에서 -5 dB에서는 78.1%, -10 dB에서는 56.5%로 정확도가 감소했다.
• 16384-FFT 크기를 사용함으로써 탐지 안정성과 정확도가 크게 향상되었으며, 특히 다중 경로 페이딩 및 저 SNR 조건에서 유리했다.
• 다섯 영역 임계값 설계는 두 영역 및 세 영역 설계를 초월하여 레이더와 통신 신호의 복원 오차 간 격차를 줄였고, 0 dB에서 95% 이상의 정확도를 달성했다.
• 높은 FFT 크기, 특히 최소 신호 길이에 가까운 크기는 AWGN에 대한 내성을 향상시키고 탐지 일관성을 개선했다.
• 다중 임계값 영역 설계 덕분에 복원 오차가 기존 신호의 RMSE 범위 내에 들어가는 미지 신호도 성공적으로 탐지하고, 알려진 웨이브폼을 정확히 분류하는 데 성공했다.