[논문 리뷰] Emitter Identification Using CNN IQ Imbalance Estimators

Lauren J. Wong, William C. Headley외 1명|arXiv (Cornell University)|2018. 08. 07.

Wireless Signal Modulation Classification참고 문헌 21인용 수 8

한 줄 요약

이 논문은 동기화, 로터리 주파수 추적 또는 복조가 필요 없이 원시 IQ 데이터를 사용하여 특정 발신기 식별(Specific Emitter Identification, SEI)을 위한 새로운 CNN 기반 접근법을 제안한다. 이 방법은 송신기의 IQ 불균형 파rameter(이득 및 위상 불균형)를 추정하며, 더 적은 데이터 샘플과 더 적은 가정으로 기존의 특징 기반 접근법보다 높은 정확도를 달성한다. 특히 훈련 데이터가 현실적인 불균형 범위에 국한될 경우 성능이 크게 향상된다.

ABSTRACT

Specific Emitter Identification is the association of a received signal to a unique emitter, and is made possible by the naturally occurring and unintentional characteristics an emitter imparts onto each transmission, known as its radio frequency fingerprint. This work presents an approach for identifying emitters using Convolutional Neural Networks to estimate the IQ imbalance parameters of each emitter, using only raw IQ data as input. Because an emitter's IQ imbalance parameters will not change as it changes modulation schemes, the proposed approach has the ability to track emitters, even as they change modulation scheme. The performance of the developed approach is evaluated using simulated quadrature amplitude modulation and phase-shift keying signals, and the impact of signal-to-noise ratio, imbalance value, and modulation scheme are considered. Further, the developed approach is shown to outperform a comparable feature-based approach, while making fewer assumptions and using less data.

연구 동기 및 목표

• 동기화 및 복조와 같은 복잡한 사전 처리 단계가 필요 없는 딥러닝 기반의 발신기 식별 방법을 개발하는 것.
• 학습된 컨volutional 신경망(CNN)이 원시 IQ 샘플에서 직접 이득 및 위상 불균형과 같은 IQ 불균형 파rameter를 정확하게 추정할 수 있는지 조사하는 것.
• SNR, 변조 방식(QAM 및 PSK), 데이터 샘플 수의 변화에 따라 CNN 기반의 IQ 불균형 추정 성능이 어떻게 영향을 받는지 평가하는 것.
• 기존의 특징 기반 SEI 방법과 비교하여 제안된 엔드 투 엔드 CNN 접근법의 정확도, 데이터 효율성, 신호 왜곡에 대한 강건성 측면에서의 성능을 평가하는 것.
• 훈련 데이터 분포(예: 불균형 파rameter의 범위)가 모델의 일반화 능력과 식별 정확도에 미치는 영향을 규명하는 것.

제안 방법

• AWGN 채널 상에서 시뮬레이션된 QAM 및 PSK 신호를 사용하여 원시 IQ 샘플에서 직렬(이상) 및 직각(직각) 불균형 파rameter를 직접 추정하는 CNN을 훈련한다.
• 송신기에서 유도되는 IQ 불균형을 고려한 신호 모델을 사용하여 제어된 이득 및 위상 불균형 값으로 합성 훈련 및 테스트 데이터를 생성한다.
• 이득 및 위상 불균형 추정을 위한 별도의 CNN 아키텍처를 설계하며, 입력 크기와 네트워크 깊이를 조정하여 편향과 분산을 최소화한다.
• 훈련된 CNN을 사용하여 원시 IQ 캡처에서 IQ 불균형 파rameter를 추정하고, 이를 발신기 분류를 위한 특징으로 활용한다.
• 여러 개의 원시 IQ 캡처(예: 1024개 샘플의 10개 캡처)를 통합하여 추정 정확도와 분류 성능을 향상시킨다.
• 동일한 테스트 조건에서 CNN 기반 SEI 방법과 SNR 추정 및 완벽한 동기화에 의존하는 벤치마크 특징 기반 방법을 비교한다.

실험 결과

연구 질문

• RQ1 CNN이 동기화 또는 복조 없이 원시 IQ 데이터에서 IQ 불균형 파rameter(이득 및 위상)를 정확하게 추정할 수 있는가?
• RQ2 CNN 기반 SEI 방법의 정확도와 데이터 효율성 측면에서 기존의 특징 기반 접근법과 비교하여 성능가 어떻게 다른가?
• RQ3 SNR, 변조 유형(QAM 대비 PSK), 불균형 파rameter의 범위가 IQ 불균형 추정 및 이어지는 발신기 식별 정확도에 어떤 영향을 미치는가?
• RQ4 훈련 불균형 파rameter의 범위를 좁힐 경우 CNN 기반 SEI 시스템의 일반화 능력과 정확도가 얼마나 향상되는가?
• RQ5 IQ 불균형이 변조에 무관하므로, 변조가 변경되더라도 CNN 기반 접근법이 높은 식별 정확도를 유지할 수 있는가?

주요 결과

• CNN 기반 접근법은 원시 IQ 데이터에서 이득 및 위상 불균형을 성공적으로 추정하며, 이론적으로 이득 불균형 추정은 위상 불균형 추정보다 훨씬 낮은 편향과 분산을 보인다.
• 10개의 1024개 샘플로 구성된 원시 IQ 캡처만으로도 제안된 SEI 방법이 유사한 특징 기반 방법보다 더 높은 식별 정확도를 달성하며, 더 적은 가정을 수반한다.
• 넓은 불균형 파arameter 범위로 훈련할 경우 CNN 기반 SEI 방법은 신뢰할 수 있는 식별을 위해 매우 큰 이득 불균형 분리가 필요하지만, 훈련 범위를 좁힐 경우 성능이 크게 향상된다.
• 10개의 1024개 샘플을 사용할 때, CNN 기반 접근법은 단지 이득 불균형 추정만을 사용하고 SNR 추정이나 완벽한 동기화를 요구하지 않음에도 불구하고, 벤치마크 방법 [28]보다 더 높은 정확도를 달성한다.
• CNN 기반 접근법은 변조에 무관한 성능를 보이며, 변조 유형이 알려져 있으면서 QAM 및 PSK와 같은 다양한 변조 체계에서도 발신기 추적을 가능하게 한다.
• 현재의 네트워크 아키텍처에서는 위상 불균형 추정이 여전히 도전 과제로 남아 있으며, 이는 이득 불균형 추정 수준에 도달하기 위해 더 복잡한 모델이나 추가 데이터가 필요함을 시사한다.