[논문 리뷰] DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE 802.11ax Systems

Yi Zhang, Akash Doshi외 5명|arXiv (Cornell University)|2020. 10. 19.

Wireless Signal Modulation Classification참고 문헌 29인용 수 5

한 줄 요약

DeepWiPHY는 IEEE 802.11ax(와이파이 6) 시스템을 위한 딥러닝 기반 OFDM 수신기로, 채널 추정, CPE 보정, SRO 보상 및 일괄 등화 모듈을 동시에 대체한다. 합성 데이터셋으로 훈련하고, USRP 기반 테스트베드에서 확보한 실세계 실외 데이터로 미세조정한 결과, 다양한 채널 조건과 변조 방식에서 기존 수신기와 비교해 BER 및 PER 성능이 유사하거나 뛰어나다.

ABSTRACT

In this work, we develop DeepWiPHY, a deep learning-based architecture to replace the channel estimation, common phase error (CPE) correction, sampling rate offset (SRO) correction, and equalization modules of IEEE 802.11ax based orthogonal frequency division multiplexing (OFDM) receivers. We first train DeepWiPHY with a synthetic dataset, which is generated using representative indoor channel models and includes typical radio frequency (RF) impairments that are the source of nonlinearity in wireless systems. To further train and evaluate DeepWiPHY with real-world data, we develop a passive sniffing-based data collection testbed composed of Universal Software Radio Peripherals (USRPs) and commercially available IEEE 802.11ax products. The comprehensive evaluation of DeepWiPHY with synthetic and real-world datasets (110 million synthetic OFDM symbols and 14 million real-world OFDM symbols) confirms that, even without fine-tuning the neural network's architecture parameters, DeepWiPHY achieves comparable performance to or outperforms the conventional WLAN receivers, in terms of both bit error rate (BER) and packet error rate (PER), under a wide range of channel models, signal-to-noise (SNR) levels, and modulation schemes.

연구 동기 및 목표

• IEEE 802.11ax 시스템의 기존 물리계층 모듈을 대체하는 딥러닝 기반 베이스밴드 수신기 설계.
• 실세계 무선 데이터셋의 부족 문제를 해결하기 위해 실외 OFDM 심벌을 캡처하기 위한 피아스티브 스니핑 테스트베드 개발.
• 합성 및 실세계 데이터를 사용하여 딥러닝 기반 수신기의 일반화 능력과 성능 평가를 수행하고, 와이파이 6 표준 준수 여부 확보.
• 실세계 데이터가 딥러닝 기반 무선 수신기의 일반화 능력 향상에 합성 데이터만으로는 충분하지 않은가를 탐구.
• CRC/FCS 검증을 통한 성공적으로 디코딩된 패킷을 활용해 현장에서의 로컬 재학습을 통해 수신기의 기기별 맞춤형 적응을 가능하게 함.

제안 방법

• 종단간 딥 네트워크를 사용해 OFDM 시스템에서 채널 추정, CPE 보정, SRO 보상 및 등화를 동시에 수행하도록 훈련.
• 실제 실내 채널 모델과 I/Q 불균형, 위상 노이즈 등의 일반적인 RF 임파이먼트를 반영한 포괄적인 합성 데이터셋 생성.
• USRPs와 상용 802.11ax 기기를 사용한 피아스티브 스니핑 테스트베드를 통해 1,400만 개의 실세계 OFDM 심벌을 캡처해 훈련 및 평가에 활용.
• 신호가 주파수 도메인에서 처리되며, 주로 주파수 선택성 fading과 하드웨어 임파이먼트를 모델링하기 위해 컨볼루션 및 완전연결층을 사용하는 네트워크 아키텍처 설계.
• 합성 데이터로 사전 훈련한 모델을 실세계 데이터로 미세조정하여, 예상치 못한 하드웨어 및 채널 조건에 대한 일반화 능력 향상.
• 실제 패킷 디코딩 성공 여부를 CRC 및 FCS를 통해 확인하고, 이를 바탕으로 레이블을 생성해 점진적인 모델 업데이트를 위한 온라인 훈련 프레임워크 제안.

실험 결과

연구 질문

• RQ1 딥러닝 기반 수신기가 다양한 채널 및 신호대임계비(SNR) 조건에서 기존 802.11ax 수신기와 유사하거나 뛰어난 성능을 달성할 수 있는가?
• RQ2 딥러닝 기반 무선 수신기에서 합성 데이터에 실세계 데이터를 추가로 활용할 경우, 합성 데이터만 사용하는 경우보다 일반화 능력이 향상되는가?
• RQ3 기기별 RF 임파이먼트가 딥러닝 기반 수신기 성능에 미치는 영향은 어느 정도이며, 실세계 데이터로 이를 보완할 수 있는가?
• RQ4 사전 훈련된 딥러닝 모델을 현장에서 로컬 재학습함으로써 다이나믹한 환경에서 수신기 성능을 향상시킬 수 있는가?
• RQ5 IEEE 802.11ax 표준 준수를 보장하면서도 기존 물리계층 모듈을 다수 대체할 수 있는 종단간 딥러닝 기반 수신기 개발이 가능한가?

주요 결과

• 합성 데이터로만 훈련된 DeepWiPHY는 주파수 스무딩 기능이 없는 기존 수신기와 비교해 BER 및 PER 성능이 유사하지만 略로 떨어지는 성능을 보였다.
• 실세계 데이터를 훈련에 포함시킴으로써 성능 향상이 뚜렷하게 나타났으며, 다양한 신호대임계비 수준과 변조 방식에서 DeepWiPHY가 기존 수신기보다 BER 성능이 뛰어났다.
• 실세계 데이터를 통한 성능 향상은 합성 모델이 충분히 반영하지 못한 기기별 및 환경에 의존적인 RF 임파이먼트가 존재함을 확인시켜 주었다.
• 실세계 데이터 활용은 예상치 못한 하드웨어 및 채널 조건에 대한 모델의 일반화 능력을 향상시키며, 실데이터로의 미세조정의 필요성을 입증하였다.
• 온라인 훈련 프레임워크는 기기별 맞춤형 적응을 가능하게 하여, 현장에서 관측된 패킷 디코딩 성공률에 기반해 모델이 시간이 지남에 따라 향상될 수 있도록 하였다.
• 결과적으로 딥러닝 기반 수신기가 표준 준수 가능하고 실제 환경에서 효과적으로 작동할 수 있음을 입증하였으며, 실외 데이터로 훈련된 경우 尤히 뛰어난 성능을 발휘함을 보였다.