[논문 리뷰] Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression

Anu Jagannath, Jithin Jagannath|arXiv (Cornell University)|2022. 02. 26.

Wireless Signal Modulation Classification인용 수 4

한 줄 요약

이 논문은 5G 및 그 이상의 네트워크를 위한 경량 다중 작업 학습(MTL) 프레임워크를 제안하며, 조건부 변조 방식과 무선 신호 유형(예: 레이더 및 통신 웨이브폼)을 동시에 분류함으로써 모델 압축을 통해 효율적인 엣지 배포를 가능하게 한다. MTL 모델은 10 dB SNR에서 99.2%의 신호 분류 정확도와 98.9%의 변조 정확도를 달성하며, INT8 양자화 이후 모델 크기가 11.8배 작아진다(251.6 kB)로, 자원이 제한된 엣지 디바이스에서 높은 정확도와 효율성을 입증한다.

ABSTRACT

Future communication networks must address the scarce spectrum to accommodate extensive growth of heterogeneous wireless devices. Wireless signal recognition is becoming increasingly more significant for spectrum monitoring, spectrum management, secure communications, among others. Consequently, comprehensive spectrum awareness on the edge has the potential to serve as a key enabler for the emerging beyond 5G networks. State-of-the-art studies in this domain have (i) only focused on a single task - modulation or signal (protocol) classification - which in many cases is insufficient information for a system to act on, (ii) consider either radar or communication waveforms (homogeneous waveform category), and (iii) does not address edge deployment during neural network design phase. In this work, for the first time in the wireless communication domain, we exploit the potential of deep neural networks based multi-task learning (MTL) framework to simultaneously learn modulation and signal classification tasks while considering heterogeneous wireless signals such as radar and communication waveforms in the electromagnetic spectrum. The proposed MTL architecture benefits from the mutual relation between the two tasks in improving the classification accuracy as well as the learning efficiency with a lightweight neural network model. We additionally include experimental evaluations of the model with over-the-air collected samples and demonstrate first-hand insight on model compression along with deep learning pipeline for deployment on resource-constrained edge devices. We demonstrate significant computational, memory, and accuracy improvement of the proposed model over two reference architectures. In addition to modeling a lightweight MTL model suitable for resource-constrained embedded radio platforms, we provide a comprehensive heterogeneous wireless signals dataset for public use.

연구 동기 및 목표

• 밀도 높고 이종적인 무선 환경에서 레이더 및 통신 신호가 공존하는 상황에서 증가하는 스펙트럼 인식의 필요성을 해결하기 위해.
• 기존의 단일 작업 모델이 단지 변조 또는 프로토콜 분류에만 집중하고 일반적으로 동일한 신호 도메인에서만 작동하는 한계를 극복하기 위해.
• 정확도가 높고 자원이 제한된 엣지 디바이스에 배포 가능한 딥 러닝 모델을 설계하기 위해, 초기 단계부터 모델 압축을 통합하기 위해.
• 다중 작업 학습을 통해 변조 및 신호 분류 작업을 동시에 학습시켜 일반화 능력과 효율성을 향상시키기 위해.
• 향후 연구를 지원하기 위해 실외 측정을 통해 수집한 공개 가능한 이종 무선 신호 데이터셋(RadComOta)을 배포하기 위해.

제안 방법

• 변조 및 신호 분류 헤드 간에 초기 합성곱 특징을 공유하는 가벼운 MTL 신경망 아키텍처를 설계하기 위해.
• 다양한 레이더 및 통신 웨이브폼을 포함한 시뮬레이션 및 실외 측정(OTA) 데이터셋을 사용하여 모델을 훈련하기 위해.
• TensorFlow Lite를 사용하여 양자화 인식 훈련(QAT)을 적용하여 FP32 모델을 INT8 양자화 모델로 변환하여 엣지 배포를 위해.
• 정확도 손실을 최소화하기 위해 검증 세트를 사용한 캘리브레이션을 통한 훈련 후 양자화를 수행하기 위해.
• TensorFlow Lite의 기본 최적화 정책을 사용하여 8비트 가중치 정밀도를 달성하고 모델 크기를 줄이기 위해.
• Intel Core i5-3230M CPU에서 FLOPs, 파라미터 수, 메모리 사용량, 지연 시간 등의 관점에서 추론 성능 평가하기 위해.

실험 결과

연구 질문

• RQ1 이종 스펙트럼 환경에서 변조 방식과 무선 신호 유형을 동시에 분류하는 데 다중 작업 학습 프레임워크가 정확도와 효율성을 동시에 향상시킬 수 있는가?
• RQ2 INT8 양자화를 통한 모델 압축이 엣지 디바이스에서의 정확도와 배포 가능성에 어떤 영향을 미치는가?
• RQ3 기존 아키텍처인 VTCNN 및 DRCNN에 비해 제안된 MTL 모델이 계산 및 메모리 오버헤드를 얼마나 줄이는가?
• RQ4 실외 환경에서 다양한 신호 유형(레이더 및 통신)에 대해 모델이 높은 정확도를 유지할 수 있는가?
• RQ5 추가적인 신호 특성화 작업으로의 확장 시, 공유 표현 학습이 일반화 능력과 확장성에 어떤 영향을 미치는가?

주요 결과

• 제안된 MTL 모델은 VTCNN 및 DRCNN의 MTL 버전 대비 각각 FLOPs를 91.06% 감소시키고 파라미터 수를 약 75% 감소시킨다.
• 10 dB SNR에서 변조 분류 정확도가 98.9%, 신호 분류 정확도가 99.2%이며, 0 dB 이상에서는 98% 이상의 정확도를 달성한다.
• INT8 양자화로 인해 모델 크기가 FP32 기준 2.97 MB에서 251.6 kB로 감소하여 압축 비율이 11.8배에 이르며, 정확도 손실는 거의 없어진다.
• Intel Core i5-3230M CPU에서 추론 지연 시간은 8.4 ms이며, VTCNN-MTL 및 DRCNN-MTL 대비 각각 90.5% 및 73.8%의 메모리 사용량 감소를 기록한다.
• 모델은 강력한 일반화 및 확장성을 보이며, 향후 발신기 분류, 대역폭 회귀, 샘플링 속도 추정과 같은 작업으로의 확장이 가능하다.
• 실외 측정을 통해 수집한 레이더 및 통신 신호로 구성된 RadComOta 데이터셋을 공개하여 향후 무선 신호 인식 분야의 연구를 지원한다.