[论文解读] Real-time Interference Identification via Supervised Learning: A Coexistence Framework for Massive IoT Networks

Simone Grimaldi, Aamir Mahmood+1 more|arXiv (Cornell University)|Sep 24, 2018

Bluetooth and Wireless Communication Technologies被引用 1

一句话总结

本文提出了一种轻量级、实时的干扰检测与识别（IDI）方法，适用于大规模物联网网络，基于商用现成（COTS）硬件上的监督学习。通过从单个干扰脉冲中提取包络和频谱特征，并应用基于流形的分类器，该方法在亚毫秒延迟下实现了90–97%的脉冲识别准确率，支持在高并发干扰环境下，IEEE 802.11b/g/n、802.15.4、802.15.1和BLE标准的实时共存。

ABSTRACT

Energy sampling-based interference detection and identification (IDI) methods collide with the limitations of commercial off-the-shelf (COTS) IoT hardware. Moreover, long sensing times, complexity and inability to track concurrent interference strongly inhibit their applicability in most IoT deployments. Motivated by the increasing need for on-device IDI for wireless coexistence, we develop a lightweight and efficient method targeting interference identification already at the level of single interference bursts. Our method exploits real-time extraction of envelope and model-aided spectral features, specifically designed considering the physical properties of signals captured with COTS hardware. We adopt manifold supervised-learning (SL) classifiers ensuring suitable performance and complexity trade-off for IoT platforms with different computational capabilities. The proposed IDI method is capable of real-time identification of IEEE 802.11b/g/n, 802.15.4, 802.15.1 and Bluetooth Low Energy wireless standards, enabling isolation and extraction of standard-specific traffic statistics even in the case of heavy concurrent interference. We perform an experimental study in real environments with heterogeneous interference scenarios, showing 90%-97% burst identification accuracy. Meanwhile, the lightweight SL methods, running online on wireless sensor networks-COTS hardware, ensure sub-ms identification time and limited performance gap from machine-learning approaches.

研究动机与目标

• 解决基于能量采样的IDI方法在COTS物联网硬件上的局限性，包括感知时间过长和并发处理能力差的问题。
• 实现在设备端的实时干扰识别，以支持大规模物联网部署中的无线共存。
• 设计一种轻量级、低复杂度的解决方案，适用于计算能力各异的资源受限物联网平台。
• 在高并发干扰条件下，仍能实现对多种无线标准（802.11、802.15.4、802.15.1、BLE）的高准确率识别。
• 在保持接近更重机器学习方法性能的同时，实现亚毫秒级的识别时间。

提出的方法

• 从单个干扰脉冲中提取实时包络特征及基于模型的频谱特征，针对COTS硬件的物理特性进行定制。
• 采用基于流形的监督学习分类器，在不同物联网平台间实现性能与计算复杂度的平衡。
• 专门针对COTS射频前端设计特征，考虑非理想因素如增益变化和相位噪声。
• 采用两级特征处理流水线：先进行初始包络提取，随后使用短时傅里叶变换（STFT）或类似方法计算频谱特征。
• 训练并部署轻量级分类器（如SVM、随机森林变体），优化嵌入式系统上的低延迟推理。
• 通过最小化内存占用和计算负载，确保在线运行，实现在无线传感器网络上的实时处理。

实验结果

研究问题

• RQ1 能否设计一种轻量级、实时的IDI方法，在计算资源有限的COTS物联网硬件上高效运行？
• RQ2 在并发干扰条件下，能否实时准确识别来自多种无线标准的干扰脉冲？
• RQ3 何种特征提取策略能在嵌入式平台上最小化计算开销的同时最大化识别准确率？
• RQ4 在实际场景中，与更重的机器学习模型相比，所提方法的性能保持程度如何？
• RQ5 该方法是否能在密集干扰环境中成功隔离并提取标准特定的流量统计信息？

主要发现

• 所提方法在真实世界异构干扰环境中实现了90–97%的脉冲识别准确率。
• 识别延迟始终低于1毫秒，支持在COTS无线传感器网络上实现实时运行。
• 该方法在多种标准上均保持高准确率，包括IEEE 802.11b/g/n、802.15.4、802.15.1和蓝牙低能耗（BLE）。
• 尽管计算成本显著降低，轻量级监督学习方法与更重的机器学习模型之间的性能差距极小。
• 系统即使在高并发干扰环境下，也能成功隔离并提取标准特定的流量统计信息。
• 基于流形的分类器设计确保了在计算能力各异的物联网平台上的鲁棒性与可扩展性。