[논문 리뷰] Deep Learning Interference Cancellation in Wireless Networks

Yiming Zhou, Ashkan Samiee외 2명|arXiv (Cornell University)|2020. 09. 11.

Wireless Signal Modulation Classification참고 문헌 19인용 수 6

한 줄 요약

이 논문은 QAM-OFDM 무선 네트워크에서 동일 대역 간섭을 완화하기 위해 컨volutional LSTM 오토에인코더를 사용하는 딥러닝 기반 간섭 제거 기법을 제안한다. 신경망을 기초 신호 처리에 직접 통합함으로써 피드백이 필요 없이도 상당한 심볼 오류율(SER) 감소를 달성하며, 자율 시스템 및 증강현실과 같은 저지연, 고-throughput 응용 분야에 적합하다.

ABSTRACT

With the crowding of the electromagnetic spectrum and the shrinking cell size in wireless networks, crosstalk between base stations and users is a major problem. Although hand-crafted functional blocks and coding schemes are proven effective to guarantee reliable data transfer, currently deep learning-based approaches have drawn increasing attention in the communication system modeling. In this paper, we propose a Neural Network (NN) based signal processing technique that works with traditional DSP algorithms to overcome the interference problem in realtime. This technique doesn't require any feedback protocol between the receiver and transmitter which makes it very suitable for low-latency and high data-rate applications such as autonomy and augmented reality. While there has been recent work on the use of Reinforcement Learning (RL) in the control layer to manage and control the interference, our approach is novel in the sense that it introduces a neural network for signal processing at baseband data rate and in the physical layer. We demonstrate this "Deep Interference Cancellation" technique using a convolutional LSTM autoencoder. When applied to QAM-OFDM modulated data, the network produces significant improvement in the symbol error rate (SER). We further discuss the hardware implementation including latency, power consumption, memory requirements, and chip area.

연구 동기 및 목표

• 현대 무선 네트워크에서 스펙트럼 혼잡도 및 소셀 기반 배치로 인한 증가하는 동일 대역 간섭을 해결한다.
• 동적 간섭 환경에서 전통적인 수작업으로 설계된 신호 처리 및 코딩 기법의 한계를 극복한다.
• 물리 계층 간섭 제거를 위한 실시간, 피드백 없는 신경 신호 처리 솔루션을 개발한다.
• 증강현실 및 자율 시스템과 같은 신규 응용 분야에 적합한 저지연, 고데이터 전송 속도 통신을 가능하게 한다.
• 실제 구현을 위한 면적, 전력 소비 및 지연 분석을 통해 하드웨어 구현 가능성을 입증한다.

제안 방법

• 간섭이 존재하는 상황에서 손상된 QAM-OFDM 신호를 모델링하고 재구성하기 위해 컨volutional LSTM 오토에인코더 아키텍처를 설계한다.
• 합성 또는 시뮬레이션된 간섭 데이터를 사용해 엔드 투 엔드로 오토에인코더를 훈련시켜 간섭 패tern과 신호 재구성 능력을 학습한다.
• 훈련된 신경망을 기존 디지털 신호 처리(DSP) 블록과 통합하여 수신기 성능을 향상시킨다.
• 피드백 없이 수신기에서의 피드백 없이 기초 대역 데이터 속도에서 네트워크를 적용하여 실시간 간섭 제거를 가능하게 한다.
• 지연, 메모리 및 전력 효율성에 중점을 두어 하드웨어 구현을 위한 네트워크 아키텍처를 최적화한다.
• 다양한 간섭 조건 하에서 SER 향상도 평가하기 위해 QAM-OFDM 변조 신호를 입력으로 사용한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 피드백 없이 QAM-OFDM 시스템에서 동일 대역 간섭을 효과적으로 학습하고 제거할 수 있는가?
• RQ2 제안된 딥 간섭 제거 기법은 전통적인 DSP 방법에 비해 SER 성능에서 어떻게 비교되는가?
• RQ3 실시간 기초 대역 처리에 네트워크를 구현하기 위해 필요한 하드웨어 자원 요구사항(면적, 전력 소비, 지연)은 무엇인가?
• RQ4 CNN-LSTM 오토에인코더는 밀도 높은 무선 네트워크에서 다양한 간섭 상황에 대해 얼마나 일반화되는가?
• RQ5 기존 DSP와의 딥러닝 통합은 고속 이동성 또는 고밀도 환경에서 실시간 통신 신뢰성을 어떻게 향상시키는가?

주요 결과

• 제안된 딥 간섭 제거 기법은 동일 대역 간섭 하에서 QAM-OFDM 신호에 적용했을 때 상당한 심볼 오류율(SER) 감소를 달성한다.
• 컨볼루션 LSTM 오토에인코더는 피드백 없이도 복잡한 간섭 패턴을 효과적으로 학습하고 깨끗한 신호를 재구성할 수 있다.
• 기초 대역 데이터 속도에서 실시간 처리가 가능하여 증강현실 및 자율 시스템과 같은 저지연 응용 분야에 적합하다.
• 하드웨어 분석 결과 네트워크는 관리 가능한 전력 소비, 메모리 사용량 및 칩 면적으로 실제 구현이 가능하며, 실용적 구현을 뒷받침한다.
• 기존 DSP와의 딥러닝 통합은 특히 동적이고 고밀도 네트워크 환경에서 고전적 방법을 뛰어넘는 간섭 완화 성능을 향상시킨다.
• 이 방법은 다양한 간섭 조건에 대해 뛰어난 강건성을 보이며, 실제 무선 환경에서의 적응 가능성과 유연성을 시사한다.