[논문 리뷰] DeepSense: Enabling Carrier Sense in Low-Power Wide Area Networks Using Deep Learning

Justin Chan, Anran Wang외 2명|arXiv (Cornell University)|2019. 04. 23.

IoT Networks and Protocols인용 수 14

한 줄 요약

DeepSense는 저전력 광역망(LPWAN)에서 변조 및 코딩 방식에 대한 사전 지식 없이 잡음 수준 이하의 신호를 탐지할 수 있는 딥러닝 기반 캐리어 센스 메커니즘을 도입한다. 이는 LoRa, Sigfox, NB-IoT 등을 포함한 26개의 LPWAN 프로토콜 간 공존을 가능하게 하며, 물리 계층 코딩 패턴을 학습함으로써 실제 구현에서 비트레이트를 4배 높이고 연결 가능한 위치 수를 1.7배 증가시킨다.

ABSTRACT

The last few years have seen the proliferation of low-power wide area networks like LoRa, Sigfox and 802.11ah, each of which use a different and sometimes proprietary coding and modulation scheme, work below the noise floor and operate on the same frequency band. We introduce DeepSense, which is the first carrier sense mechanism that enables random access and coexistence for low-power wide area networks even when signals are below the noise floor. Our key insight is that any communication protocol that operates below the noise floor has to use coding at the physical layer. We show that neural networks can be used as a general algorithmic framework that can learn the coding mechanisms being employed by such protocols to identify signals that are hidden within noise. Our evaluation shows that DeepSense performs carrier sense across 26 different LPWAN protocols and configurations below the noise floor and can operate in the presence of frequency shifts as well as concurrent transmissions. Beyond carrier sense, we also show that DeepSense can support multi bit-rate LoRa networks by classifying between 21 different LoRa configurations and flexibly adapting bitrates based on signal strength. In a deployment of a multi-rate LoRa network, DeepSense improves bit rate by 4x for nearby devices and provides a 1.7x increase in the number of locations that can connect to the campus-wide network.

연구 동기 및 목표

• 기존 에너지 감지 방식이 실패하는 잡음 수준 이하에서 작동하는 LPWAN에서 캐리어 센스를 가능하게 하는 도전 과제 해결.
• 기타 프로토콜 설정에 비해 비가역적 또는 수많은 구성이 가능한 프리앰블 기반 탐지 방식의 한계를 극복.
• 신규 LPWAN 프로토콜이 도입될 경우 하드웨어 변경 없이도 확장 가능하고 향후 호환성이 보장되는 솔루션 설계.
• 915 MHz와 같은 공유 대역에서 LoRa 및 Sigfox 등 여러 LPWAN이 공존하는 환경에서의 공존 및 랜덤 액세스 지원.

제안 방법

• 잡음 수준 이하에서 작동하는 모든 LPWAN이 물리 계층 코딩을 사용하므로 신경망을 통해 신호를 학습 가능하다는 사실을 활용.
• 수신 신호의 스펙트로그램을 기반으로 딥 뉴럴 네트워크(CNN 및 확장형 RNN)를 훈련시켜 LPWAN 신호의 존재 및 유형을 분류.
• 프리앰블 구조나 프로토콜 사양에 대한 지식이 없이도 신호의 코딩 및 변조 패턴을 식별하기 위해 엔드 투 엔드 학습을 활용.
• 저전력 하드웨어에서 실시간 동작이 가능하도록 계산 복잡도를 낮춘 모델 설계(예: 인퍼런스당 679K FLOPs).
• ASIC 에너지 소비를 추정하여 저전력 최적화를 수행하여 일반적인 LPWAN 트랜ceiver 예산 내에 수용(12 mW 미만).
• 다중 비트레이트 운영을 지원하기 위해 21개의 LoRa 설정을 분류하고 신호 강도에 따라 동적으로 데이터 레이트를 적응형으로 조정.

실험 결과

연구 질문

• RQ1 딥러닝은 변조 또는 코딩 방식에 대한 사전 지식 없이도 잡음 수준 이하의 LPWAN 신호를 탐지할 수 있는가?
• RQ2 단일 딥러닝 모델이 Sigfox 및 NB-IoT와 같은 독점 프로토콜을 포함한 다양한 LPWAN 프로토콜에 일반화 적용 가능한가?
• RQ3 저전력 라디오 하드웨어에서 낮은 계산 및 전력 오버헤드로 실시간으로 캐리어 센스를 구현할 수 있는가?
• RQ4 신호 조건에 기반해 다중 비트레이트 LoRa 네트워크에서 동적 비트레이트 적응을 지원할 수 있는가?
• RQ5 소프트웨어 업데이트만으로도 신규 LPWAN 프로토콜에 대해 향후 호환성이 보장되는가?

주요 결과

• DeepSense는 LoRa(SF6–SF12), Sigfox, NB-IoT, 802.11ah 등을 포함한 26개의 다른 LPWAN 프로토콜 및 설정에서 잡음 수준 이하의 신호를 성공적으로 탐지한다.
• 주파수 오프셋과 동시 전송이 존재하는 환경에서도 신뢰성 있는 탐지 성능을 유지한다.
• 실제 캠퍼스 환경에서의 구현에서, DeepSense는 기존 ALOHA 기반 MAC 대비 근접 장치의 데이터 전송 속도를 4배 향상시켰다.
• 적응형 비트레이트 선택 덕분에 다중 비트레이트 LoRa 네트워크에서 연결 가능한 위치 수가 1.7배 증가했다.
• 가장 효율적인 모델(dilated CNN + RNN)은 인퍼런스당 단지 679,441 FLOPs만을 소비하며, 28 nm ASIC에서 약 11.08 mW의 에너지 소비를 추정하여 일반적인 LPWAN 전력 예산 내에 완전히 수용된다.
• DeepSense는 딥러닝을 활용해 신호 대 잡음비(SNR)가 -10 dB에 이르는 초파형 스프레드 스펙트럼 신호를 분류하는 데 있어 최초의 방법이다.