[논문 리뷰] Deep Learning Network Based Spectrum Sensing Methods for OFDM Systems

Qingqing Cheng, Zhenguo Shi외 2명|arXiv (Cornell University)|2018. 07. 25.

Cognitive Radio Networks and Spectrum Sensing참고 문헌 46인용 수 13

한 줄 요약

이 논문은 주파수 도메인 신호 구조에 대한 사전 지식이 없는 OFDM 시스템에서 주 사용자 활동을 탐지하기 위해 스택드 오토에인커를 사용하는 두 가지 딥러닝 기반 스펙트럼 센싱 기법—SAE-SS 및 SAE-TF—을 제안한다. 수신된 신호에서 직접 은닉 특징을 학습함으로써, 특히 노이즈 불확실성, 타이밍 지연 및 로컬러 주파수 오프셋 상황에서 기존 기법보다 훨씬 높은 탐지 정확도를 달성한다.

ABSTRACT

Spectrum sensing plays a critical role in dynamic spectrum sharing, a promising technology to address the radio spectrum shortage. In particular, sensing of Orthogonal frequency division multiplexing (OFDM) signals, a widely accepted multi-carrier transmission paradigm, has received paramount interest. Despite various efforts, most conventional OFDM sensing methods suffer from noise uncertainty, timing delay and carrier frequency offset (CFO) that significantly degrade the sensing accuracy. To address these challenges, this work develops two novel OFDM sensing frameworks drawing support from deep learning networks. Specifically, we first propose a stacked autoencoder based spectrum sensing method (SAE-SS), in which a stacked autoencoder network is designed to extract the inherent features of OFDM signals. Using these features to classify the OFDM user's activities, SAE-SS is much more robust to noise uncertainty, timing delay, and CFO than the conventional OFDM sensing methods. Moreover, SAE-SS doesn't require any prior information of signals (e.g., signal structure, pilot tones, cyclic prefix) which are essential for the conventional feature-based OFDM sensing methods. To further improve the sensing accuracy of SAE-SS, especially under low SNR conditions, we propose a stacked autoencoder based spectrum sensing method using time-frequency domain signals (SAE-TF). SAE-TF achieves higher sensing accuracy than SAW-SS at the cost of higher computational complexity. Extensive simulation results show that both SAE-SS and SAE-TF can achieve significantly higher sensing accuracy, compared with state of the art approaches that suffer from noise uncertainty, timing delay and CFO.

연구 동기 및 목표

• 기존 OFDM 스펙트럼 센싱 기법의 한계를 해결하기 위해, 노이즈 불확실성, 타이밍 지연 및 로컬러 주파수 오프셋(CFO) 상황에서 성능이 열 劣한 문제를 해결한다.
• 주 사용자 신호의 사전 지식(예: 파ilot 톤, 순환 접두사, 신호 구조 등)이 필요 없는 스펙트럼 센싱 프레임워크를 개발한다.
• 딥러닝을 활용해 OFDM 신호에서 은닉 특징을 자동으로 추출하여 탐지 정확도를 향상시킨다.
• 시간-주파수 도메인 신호를 활용한 향상된 특징 표현을 통해 저 SNR 조건에서도 탐지 성능을 향상시킨다.

제안 방법

• 원시 수신 신호에서 신호 구조 지식 없이도 OFDM 신호의 은닉 특징을 학습하는 스택드 오토에인커 기반 스펙트럼 센싱 기법인 SAE-SS를 제안한다.
• 다중 레이어로 구성된 스택드 오토에인커를 설계하여 입력 신호에서 계층적 특징을 추출하고, 그 후 분류기로 주 사용자 활동을 탐지한다.
• SAE-SS의 향상된 버전인 SAE-TF를 도입하여, 시간-주파수 도메인 표현을 입력으로 사용함으로써 특징 추출 및 탐지 정확도를 향상시킨다.
• 분류를 위한 레이블이 있는 데이터를 사용해 사전 훈련 단계를 비지도 학습 방식으로 수행한 후, 미세 조정을 실시한다.
• 학습된 특징을 활용해 신호 존재 여부를 분류함으로써, 기존 기법이 동기화 오류나 노이즈 불확실성으로 인해 실패할 수 있는 상황에서도 강건한 탐지가 가능하다.
• 감지 정확도와 계산 복잡도의 균형을 맞추기 위해 은닉 유닛 수와 레이어 수를 조정하여 네트워크 아키텍처를 최적화한다.

실험 결과

연구 질문

• RQ1 노이즈 불확실성, 타이밍 지연 및 로컬러 주파수 오프셋 상황에서 딥러닝 기반 접근 방식이 기존 OFDM 스펙트럼 센싱 기법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 파일 톤이나 순환 접두사와 같은 신호 구조에 대한 사전 지식 없이 스택드 오토에인커가 OFDM 신호의 은닉 특징을 얼마나 잘 학습할 수 있는가?
• RQ3 SAE-TF에서 시간-주파수 도메인 신호를 사용할 경우, 특히 저 SNR 영역에서 SAE-SS에 비해 탐지 정확도는 얼마나 향상되는가?
• RQ4 오토에인커의 OFDM 블록 수나 은닉 유닛 수를 늘릴 경우, 감지 정확도와 계산 복잡도 사이의 상충 관계는 어떻게 나타나는가?
• RQ5 순환 접두사의 길이가 제안된 딥러닝 기반 센싱 기법의 성능에 어떤 영향을 미치는가?

주요 결과

• SAE-SS는 노이즈 불확실성, 타이밍 지연 및 CFO 상황에서 기존 기법보다 훨씬 낮은 오류 탐지 확률(PM)을 기록하며, -10 dB SNR에서 M가 1에서 3으로 증가할 경우 PM이 최대 0.0402 감소한다.
• SAE-TF는 저 SNR 조건에서 SAE-SS를 능가하며, -12 dB SNR에서 순환 접두사 길이가 0에서 16으로 증가할 경우 PM이 SAE-SS의 0.0498에서 SAE-TF의 0.0211로 감소한다.
• SAE-TF의 오프라인 훈련 시간은 SAE-SS보다 OFDM 블록 수 M의 증가에 따라 더 급격히 증가하여 M=3일 때 451.24분에 이를 것으로 나타나, 더 높은 계산 비용을 유발한다.
• 추가 특징(예: 순환 접두사 또는 시간-주파수 콘텐츠)을 추가하면 SAE-SS 및 SAE-TF 양쪽 모두 PM이 감소하지만, 이는 온라인 계산 복잡도 증가를 수반한다.
• 더 긴 순환 접두사 길이(Nc = 16)는 두 기법 모두에서 탐지 정확도를 향상시키며, PM을 SAE-SS의 0.0301과 SAE-TF의 0.0211로 감소시켜 순환 접두사 콘텐츠로부터 효과적인 특징 추출이 가능함을 입증한다.
• 제안된 기법들은 특히 저 SNR 및 고간섭 조건에서 최신 기술보다 뛰어난 성능을 보이며, 알려지지 않은 은닉 신호 특징을 학습할 수 있는 능력 덕분이다.