[논문 리뷰] DSIC: Deep Learning based Self-Interference Cancellation for In-Band Full Duplex Wireless

Hanqing Guo, Nan Zhang외 2명|arXiv (Cornell University)|2018. 11. 05.

Full-Duplex Wireless Communications참고 문헌 10인용 수 6

한 줄 요약

이 논문은 깊이 학습 기반 자기간섭 제거(DSIC) 방법을 제안하며, 훈련된 딥 네ural 네트워크(DNN)를 사용해 실시간으로 비선형 자기간섭을 모델링하고 제거함으로써 인밴드 풀디럭스(IBFD) 무선 시스템에 적용한다. USRP SDR 테스트베드에서 평가한 결과, 디지털 제거 성능이 최대 17 dB에 도달하였으며, 다양한 환경과 변조 방식(QPSK, 16PSK, 64PSK)에서 평균 비트 오류율(BER)이 8.5%로 감소하였다.

ABSTRACT

In-band full duplex wireless is of utmost interest to future wireless communication and networking due to great potentials of spectrum efficiency. IBFD wireless, however, is throttled by its key challenge, namely self-interference. Therefore, effective self-interference cancellation is the key to enable IBFD wireless. This paper proposes a real-time non-linear self-interference cancellation solution based on deep learning. In this solution, a self-interference channel is modeled by a deep neural network (DNN). Synchronized self-interference channel data is first collected to train the DNN of the self-interference channel. Afterwards, the trained DNN is used to cancel the self-interference at a wireless node. This solution has been implemented on a USRP SDR testbed and evaluated in real world in multiple scenarios with various modulations in transmitting information including numbers, texts as well as images. It results in the performance of 17dB in digital cancellation, which is very close to the self-interference power and nearly cancels the self-interference at a SDR node in the testbed. The solution yields an average of 8.5% bit error rate (BER) over many scenarios and different modulation schemes.

연구 동기 및 목표

• 인밴드 풀디럭스(IBFD) 무선 시스템에서 실질적 구현을 심각하게 제한하는 자기간섭 문제를 해결하기 위해.
• 복잡한 비선형성 풍부한 간섭 채널을 모델링함으로써 전통적인 선형 방법을 초월하는 실시간 비선형 자기간섭 제거 솔루션을 개발하기 위해.
• 다양한 환경 조건과 변조 형식에서 실세계 USRP SDR 테스트베드를 통해 깊이 학습 기반 SIC 프레임워크를 구현하고 평가하기 위해.
• 세 가지 핵심 질문에 답하기 위해: (1) 훈련을 위한 동기화된 채널 데이터를 어떻게 수집할 것인가, (2) DNN를 사용해 무선 채널을 어떻게 모델링할 것인가, (3) 실세계 IBFD 운영을 위한 오픈소스 SDR 프레임워크를 어떻게 구축할 것인가.

제안 방법

• 딥 네ural 네트워크(DNN)는 실시간 자기간섭(SI) 신호 샘플을 USRP SDR 테스트베드에서 수집한 동기화된 데이터를 사용해 자기간섭(SI) 채널을 모델링하도록 훈련된다.
• DNN는 과거 전송 기호 시퀀스(탭 길이 K)를 입력으로 받아 현재 자기간섭 신호를 예측함으로써 실시간 추정 및 제거를 가능하게 한다.
• 예측된 SI 신호와 실제 SI 신호 간의 차이를 최소화하기 위해 평균 제곱오차(MSE) 손실을 사용해 모델을 훈련하며, 다양한 입력 시퀀스 길이(K = 2, 20, 50, 100)에서 수렴 성능를 평가한다.
• 훈련된 DNN는 GNURadio 기반 프로토타입에 구현되어 수신된 복합 신호에서 추정된 SI 신호를 빼는 방식으로 실시간 자기간섭 제거를 수행한다.
• 시스템은 다양한 변조 방식(QPSK, 16PSK, 64PSK)을 지원하며, 실내 방, 실외, 복도 등 다양한 전파 환경에서 작동한다.
• 제거 과정은 전송 신호의 변조, DNN 기반 SI 추정, 수신 신호에서의 차감, 원래 데이터 복원을 위한 복조로 구성된다.

실험 결과

연구 질문

• RQ1 실세계 IBFD 시스템에서 깊이 학습 모델 훈련을 위해 동기화된 자기간섭 채널 데이터를 효과적으로 수집하는 방법은 무엇인가?
• RQ2 딥 네ural 네트워크가 풀디럭스 무선 채널의 복잡한 비선형 자기간섭 특성을 어느 정도 정확히 모델링할 수 있는가?
• RQ3 딥 러닝 기반 디지털 제거 솔루션은 다양한 전파 환경과 변조 형식에서 높은 성능의 자기간섭 억제를 달성할 수 있는가?
• RQ4 입력 시퀀스 길이(탭 수)가 DNN 기반 SI 추정 모델의 수렴 및 정확도에 어떤 영향을 미치는가?
• RQ5 실세계 IBFD 환경에서 제안된 깊이 학습 기반 SIC 솔루션의 비트 오류율(BER) 성능는 얼마인가?

주요 결과

• DNN 기반 자기간섭 제거 모델은 최소 7 dB의 제거 성능를 기록하였으며, 평균 17.8 dB의 제거 성능를 달성하였으며, 실세계 테스트에서 최고 성능로 17 dB를 기록하였다.
• 입력 시퀀스 길이(탭 수)가 100일 경우 모델이 안정적이고 신속하게 수렴하였으며, 낮은 MSE 손실과 높은 추정 정확도를 확보하였다.
• 모든 시나리오와 변조 방식에서 비트 오류율(BER) 평균은 8.5%였으며, 실외 환경에서는 가장 낮은 BER(8.0%)를 기록하였고, 다중 경로 fading 영향을 받는 복도에서는 가장 높은 BER(45.1%)를 기록하였다.
• 고차원 변조 방식(QPSK < 16PSK < 64PSK)일수록 성능가 저하되었으며, 이는 간섭과 노이즈에 더 민감한 특성과 일치하였다.
• 다양한 실세계 환경에서의 뛰어난 내구성과 다양한 변조 형식 지원을 통해 실용적인 IBFD 구현 가능성 확인하였다.
• 오픈소스 GNURadio 기반 SDR 프레임워크를 통해 깊이 학습 기반 SIC를 활용한 실시간 엔드 투 엔드 IBFD 운영이 가능하며, 광범위한 현장 테스트를 통해 검증되었다.