[논문 리뷰] Deep Learning for RF Signal Classification in Unknown and Dynamic Spectrum Environments

Yi Shi, Kemal Davaslıoğlu외 4명|arXiv (Cornell University)|2019. 09. 25.

Wireless Signal Modulation Classification참고 문헌 29인용 수 4

한 줄 요약

이 논문은 지속적 학습, 이상치 탐지, 위상 인식 컨볼루션 네트워크(CNN), 블라인드 소스 분리 기법을 활용하여 변화하는, 알 수 없는, 위조된, 겹쳐진 신호를 처리하는 딥러닝 기반의 RF 신호 분류 프레임워크를 제안한다. 분산 스케줄링 환경에서 최대 40,578의 네트워크 내 사용자 스루풋과 100%의 네트워크 외 성공 비율을 달성하여 기준 TDMA 기반 기법들보다 뚜렷이 뛰어난 성능을 보인다.

ABSTRACT

Dynamic spectrum access (DSA) benefits from detection and classification of interference sources including in-network users, out-network users, and jammers that may all coexist in a wireless network. We present a deep learning based signal (modulation) classification solution in a realistic wireless network setting, where 1) signal types may change over time; 2) some signal types may be unknown for which there is no training data; 3) signals may be spoofed such as the smart jammers replaying other signal types; and 4) different signal types may be superimposed due to the interference from concurrent transmissions. For case 1, we apply continual learning and train a Convolutional Neural Network (CNN) using an Elastic Weight Consolidation (EWC) based loss. For case 2, we detect unknown signals via outlier detection applied to the outputs of convolutional layers using Minimum Covariance Determinant (MCD) and k-means clustering methods. For case 3, we extend the CNN structure to capture phase shifts due to radio hardware effects to identify the spoofing signal sources. For case 4, we apply blind source separation using Independent Component Analysis (ICA) to separate interfering signals. We utilize the signal classification results in a distributed scheduling protocol, where in-network (secondary) users employ signal classification scores to make channel access decisions and share the spectrum with each other while avoiding interference with out-network (primary) users and jammers. Compared with benchmark TDMA-based schemes, we show that distributed scheduling constructed upon signal classification results provides major improvements to in-network user throughput and out-network user success ratio.

연구 동기 및 목표

• 기존의 신호 분류 기법이 동적이고 알 수 없으며 간섭이 많은 무선 네트워크 환경에서 겪는 한계를 해결하기 위해.
• 신호 유형이 시간이 지남에 따라 변화하거나, 알 수 없거나, 스마트 잼머에 의해 위조된 경우에도 정확한 RF 신호 분류를 가능하게 하기 위해.
• 겹쳐진 신호와 실시간 스펙트럼 동적 변화 조건 하에서도 작동하는 강력한 신호 분류 시스템을 개발하기 위해.
• 신호 분류를 분산 스케줄링 프로토콜에 통합하여 네트워크 내 사용자 스루풋을 향상시키고 네트워크 외 사용자를 보호하기 위해.
• 실제이고 현실적인 무선 환경에서 기준 TDMA 기반 기법들에 비해 뛰어난 성능을 입증하기 위해.

제안 방법

• 새로운 신호 유형이 등장할 때 기존 모델의 파손을 방지하기 위해, 컨볼루션 신경망(CNN)에 지속적 학습 기법인 탄성 가중치 통합(EWC)을 적용한다.
• CNN의 특징 출력에 최소 공분산 행렬(MCD)과 k-means 군집화를 활용한 이상치 탐지를 적용하여, 사전 학습 데이터 없이도 알 수 없는 신호를 식별한다.
• 무선 하드웨어 효과로 인한 위상 이동을 모델링하기 위해 CNN 아키텍처를 확장하여 스마트 잼머가 위조한 신호를 효과적으로 탐지할 수 있도록 한다.
• 블라인드 소스 분리에 대해 독립성 분석(ICA)을 적용하여, 분류 이전에 겹쳐진 신호를 분리한다.
• 신호 분류 점수를 활용하여 분산 스케줄링 프로토콜이 보조 사용자가 스펙트럼을 공유할 수 있도록 하되, 주 사용자 및 잼머와의 간섭을 피한다.
• 가중치 기반 융합 방식을 통해 딥러닝 출력 결과와 트래픽 프로파일 데이터를 통합하여 의사결정 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 동적 스펙트럼 환경에서 새로운 변조 유형이 시간이 지남에 따라 등장할 때, 딥러닝 모델이 높은 정확도를 유지할 수 있는 방법은 무엇인가?
• RQ2 사전 학습 데이터 없이도 알 수 없는 신호 유형을 정확하게 탐지할 수 있는 접근 방식은 무엇인가?
• RQ3 딥러닝을 활용해 스마트 잼머가 위조한 신호와 정상 신호를 어떻게 구분할 수 있는가?
• RQ4 겹쳐진 신호 존재 조건에서 블라인드 소스 분리 기법이 신호 분류 정확도에 얼마나 기여하는가?
• RQ5 신호 분류를 트래픽 인식 스케줄링과 통합할 경우, 기존의 TDMA 기반 기법에 비해 전체 네트워크 성능이 어떻게 향상되는가?

주요 결과

• 제안된 EWC 기반 지속적 학습 기법은 새로운 신호 유형이 등장할 때도 이상적인 경우에 가까운 분류 성능 유지를 가능하게 하여 치명적 기억 상실 문제를 방지한다.
• CNN 특징에 MCD와 k-means 기반 이상치 탐지를 적용함으로써, 레이블이 없는 학습 데이터 조건에서도 알 수 없는 신호를 높은 정확도로 식별할 수 있었다.
• 하드웨어에 의해 유도되는 위상 이동을 모델링하기 위해 CNN 아키텍처를 확장함으로써 스마트 잼머의 위조 신호를 효과적으로 탐지할 수 있었다.
• ICA 기반 블라인드 소스 분리 기법은 겹쳐진 신호의 분류 정확도를 향상시켜 개별 신호 유형을 별도로 분류할 수 있도록 했다.
• 딥러닝 기반 분류를 활용한 분산 스케줄링은 네트워크 내 사용자 스루풋 40,578과 네트워크 외 사용자 성공 비율 100%를 달성하여 기준 TDMA 기반 기법들보다 뚜렷이 뛰어난 성능을 보였다.
• 트래픽 프로파일을 통합함으로써 스케줄링 성능는 약간 향상되었고, 성공 비율 70%를 기록했으며, 이상치 및 신호 겹침 상황에서도 스루풋 약간 감소에도 불구하고 뛰어난 성능를 유지했다.