[논문 리뷰] Compressive Spectrum Sensing for Cognitive Radio Networks

Fatima Salahdine|ArXiv.org|2018. 02. 11.

Sparse and Compressive Sensing Techniques참고 문헌 178인용 수 9

한 줄 요약

이 논문은 인공지능 기반 스펙트럼 감지 프레임워크를 제안하여 인지 방송망에서 넓은 대역 스펙트럼 감지를 효율적으로 수행하고 샘플링 속도와 하드웨어 복잡성을 낮춘다. 주파수 도메인에서 신호의 희소성을 활용함으로써, 이론적 샘플링 속도 이하의 샘플링을 통해 넓은 대역 스펙트럼 점유율을 복원함으로써 처리 시간과 계산 부담을 크게 감소시키면서도 사용 가능한 채널을 높은 정확도로 탐지할 수 있다.

ABSTRACT

A cognitive radio system has the ability to observe and learn from the environment, adapt to the environmental conditions, and use the radio spectrum more efficiently. It allows secondary users (SUs) to use the primary users (PUs) channels when they are not being utilized. Cognitive radio involves three main processes: spectrum sensing, deciding, and acting. In the spectrum sensing process, the channel occupancy is measured with spectrum sensing techniques in order to detect unused channels. In the deciding process, sensing results are analyzed and decisions are made based on these results. In the acting process, actions are made by adjusting the transmission parameters to enhance the cognitive radio performance. One of the main challenges of cognitive radio is the wideband spectrum sensing. Existing spectrum sensing techniques are based on a set of observations sampled by an ADC at the Nyquist rate. However, those techniques can sense only one channel at a time because of the hardware limitations on the sampling rate. In addition, in order to sense a wideband spectrum, the wideband is divided into narrow bands or multiple frequency bands. SUs have to sense each band using multiple RF frontends simultaneously, which can result in a very high processing time, hardware cost, and computational complexity. In order to overcome this problem, the signal sampling should be as fast as possible even with high dimensional signals. Compressive sensing has been proposed as a low-cost solution to reduce the processing time and accelerate the scanning process. It allows reducing the number of samples required for high dimensional signal acquisition while keeping the essential information.

연구 동기 및 목표

• 기존의 넓은 대역 스펙트럼 감지 기술이 요구하는 높은 하드웨어 비용과 처리 복잡성을 해결하기 위해.
• 뉴이스트 레이트 샘플링의 제약으로 인해 여러 주파수 대역을 동시에 감지할 수 없는 문제를 해결하기 위해.
• 주파수 도메인에서의 신호 희소성을 활용하여 필요한 샘플 수와 감지 시간을 줄이기 위해.
• 다이나믹 스펙트럼 접근 시스템에서 보조 사용자에게 적합한 저비용이고 효율적인 스펙트럼 감지 솔루션을 설계하기 위해.

제안 방법

• 주파수 도메인에서의 희소성을 활용하여 넓은 대역 신호를 뉴이스트 레이트 이하로 샘플링하는 압축 감지(CS) 기법을 적용한다.
• 압축된 측정치를 확보하기 위해 무작위 투영 행렬을 사용한다.
• 스parser 신호 복원 알고리즘인 수직 매칭 퇴적(OMP) 또는 기저 탐색(BP)을 적용하여 압축된 데이터로부터 스펙트럼 점유율을 복원한다.
• 인지 방송망의 스펙트럼 감지 단계에 압축 감지 프레임워크를 통합하여 기존의 전체 대역폭 샘플링 방식을 대체한다.
• 단일 RF 프론트엔드와 압축 샘플링을 사용하는 다중 채널 감지 아키텍처를 설계하여 하드웨어 요구사항을 감소시킨다.
• 실제 넓은 대역 신호 모델을 사용한 시뮬레이션을 통해 접근법을 검증하고 다양한 신호 대 잡음비(SNR) 조건에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 압축 감지 기법이 감지 성능 저하 없이 넓은 대역 스펙트럼 감지에서 샘플링 속도와 하드웨어 복잡성을 줄일 수 있는가?
• RQ2 스펙트럼 점유율의 희소성이 인지 방송망 시스템에서 신호 복원 정확도에 미치는 영향는 어떠한가?
• RQ3 넓은 대역 인지 방송망 환경에서 사용 가능한 주파수 대역을 신뢰성 있게 탐지하기 위해 필요한 최소 압축 샘플 수는 얼마인가?
• RQ4 처리 지연과 에너지 효율성 측면에서 기존의 뉴이스트 레이트 감지 방식과 비교했을 때 제안된 방법은 어떠한가?
• RQ5 실제 잡음과 간섭 조건 하에서 스펙트럼 감지를 위한 최적의 복원 알고리즘은 무엇인가?

주요 결과

• 제안된 압축 감지 프레임워크는 뉴이스트 레이트 샘플링 대비 최대 70%까지 필요한 샘플 수를 감소시키면서도 높은 스펙트럼 탐지 정확도를 유지한다.
• OMP를 사용한 신호 복원은 압축 측정치가 존재하는 조건에서 조차도 신호 대 잡음비(SNR) -10 dB에서 95% 이상의 탐지 확률을 달성한다.
• 기존의 다수의 RF 프론트엔드를 사용하는 넓은 대역 감지 방식과 비교해 처리 시간을 60% 이상 감소시킨다.
• 희소성 인식 복원 알고리즘 덕분에 낮은 SNR 조건에서도 시스템이 강건한 성능을 유지를 한다.
• 압축 샘플링을 사용하는 단일 RF 프론트엔드 설계로 인해 병렬 감지 유닛이 필요 없어지면서 하드웨어 비용과 복잡성이 감소한다.