[논문 리뷰] Robust Deep Sensing Through Transfer Learning in Cognitive Radio

Qihang Peng, Andrew Gilman외 3명|arXiv (Cornell University)|2019. 08. 01.

Cognitive Radio Networks and Spectrum Sensing참고 문헌 14인용 수 8

한 줄 요약

이 논문은 컨volutional 신경망(CNN)을 사용해 원시 신호 샘플을 직접 처리하는 딥러닝 기반 스펙트럼 감지 프레임워크를 제안한다. 전이 학습을 통해 강인성을 향상시키며, 새로운 무선 환경에 적용할 경우, 라벨이 부여된 타겟 데이터의 소량으로 피니튜닝을 수행하면, 초기 학습부터 시작하는 것이나 전통적인 에너지 감지보다 성능이 크게 향상된다. 특히 다양한 신호 유형과 전파 조건에서 두드러진 성능 향상을 보인다.

ABSTRACT

We propose a robust spectrum sensing framework based on deep learning. The received signals at the secondary user's receiver are filtered, sampled and then directly fed into a convolutional neural network. Although this deep sensing is effective when operating in the same scenario as the collected training data, the sensing performance is degraded when it is applied in a different scenario with different wireless signals and propagation. We incorporate transfer learning into the framework to improve the robustness. Results validate the effectiveness as well as the robustness of the proposed deep spectrum sensing framework.

연구 동기 및 목표

• 학습 시나리오와 다른 무선 환경에 적용했을 때 딥러닝 기반 스펙트럼 감지의 강인성 부족 문제를 해결한다.
• 시험 조건과 동일하게 분포된 대량의 라벨이 부여된 데이터가 필요로 하는 한계를 극복한다.
• 사전에 학습된 딥 모델을 최소한의 라벨 데이터로 새로운 신호 유형과 전파 환경에 적응시키기 위해 전이 학습을 탐색한다.
• 무 supervision(라벨이 없는 타겟 데이터) 및 supervision(적은 수의 타겟 예시) 설정 모두에서 전이 학습의 효과성을 입증한다.
• 수작업 특징 추출 없이 원시 신호 입력을 사용하는 강인하고 엔드 투 엔드의 딥 스펙트럼 감지를 위한 프레임워크를 수립한다.

제안 방법

• 원시 실수부 및 허수부 신호 성분을 처리하기 위해 두 개의 컨volutional 레이어(커널 크기 1×9, 필터 수 256 및 80), ReLU 활성화 함수, 드롭아웃(0.5), 배치 정규화를 사용한 2D-CNN을 사용한다.
• 이산 시간 복소수 신호 시퀀스(2×N)를 특징 공학 없이 직접 네트워크에 입력한다.
• 이진 교차 엔트로피 손실을 사용해, 신호 감지기 존재 여부(y=1) 또는 부재 여부(y=0)를 시그모이드 출력 레이어를 통해 예측하도록 네트워크를 학습시킨다.
• 피니튜닝을 통한 전이 학습을 적용: 예를 들어 QPSK 또는 가우시안 신호에서 사전에 학습된 가중치로 네트워크를 초기화한 후, 타겟 도메인의 소량의 라벨이 부여된 예시로 피니튜닝한다.
• 감지 성공 확률(pd)과 위험 경고 확률(pfa)을 사용해 성능을 평가하며, 확률적 특성에 기인한 변동성을 고려하기 위해 10번의 랜덤 초기화 평균을 취한다.
• 에너지 감지(ED) 및 타겟 도메인 데이터만으로 초기 학습하는 것과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 원시 신호 샘플에서 학습된 딥러닝 모델이 다양한 무선 신호 유형과 전파 환경에서 강인한 스펙트럼 감지를 달성할 수 있는가?
• RQ2 타겟 환경의 라벨이 없는 경우 전이 학습이 얼마나 효과적으로 딥 스펙트럼 감지 성능을 향상시키는가?
• RQ3 소량의 타겟 도메인 라벨 예시로 피니튜닝을 수행할 경우, 초기 학습부터 시작하는 것보다 감지 성능 향상 정도는 어느 정도인가?
• RQ4 원천 도메인과 타겟 도메인의 선택(예: QPSK 대 가우시안 신호)이 스펙트럼 감지에서 전이 학습의 강인성에 영향을 미치는가?
• RQ5 다양하고 동일하지 않은 신호 및 채널 조건에서 전이 학습 기반 딥 감지 기술이 기존의 에너지 감지 기술을 능가할 수 있는가?

주요 결과

• 라벨이 부여된 타겟 데이터가 전혀 없는 경우, 전이 학습은 신뢰할 수 없으며 성능은 원천-타겟 도메인 쌍에 크게 의존하며, 기본 성능 향상이 일관되게 이루어지지 않는다.
• 단 300개의 라벨가진 가우시안 신호 예시만으로도 피니튜닝된 딥 감지 기술이 pfa=0.1일 때 에너지 감지 기술보다 감지 성공 확률(pd)에서 뛰어난 성능을 보인다.
• 소량의 라벨 예시(예: 100개)로도 여러 신호 유형과 채널 모델에서 초기 학습보다 항상 뛰어난 성능을 보이며, 피니튜닝이 일관되게 우월하다.
• QPSK + PL → BPSK + PL,R 케이스에서 피니튜닝은 ROC 곡선 아래 면적(AUC)을 938.72로 기록했고, 초기 학습의 경우 849.61로 낮은 성능를 보였다.
• 사전 학습된 모델(예: QPSK에서 학습)은 강력한 인덕티브 바이어스를 제공하여, 가우시안 데이터가 전혀 없을 때도 pd > 0.55를 달성하지만, 무작위 초기화의 경우 pd < 0.1에 머문다.
• 모든 테스트된 신호 및 채널 조합(예: QPSK에서 16QAM, BPSK에서 QPSK)에서 피니튜닝은 초기 학습보다 항상 감지 성능 향상을 보이며, 충분한 데이터가 있을 경우 에너지 감지 기술을 능가한다.