[论文解读] A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge

Hsuan-Tung Peng, Joshua C. Lederman+6 more|arXiv (Cornell University)|Jun 25, 2021

Neural Networks and Reservoir Computing参考文献 18被引用 6

一句话总结

该论文提出了一种受光子电路启发的紧凑型深度神经网络（PRNN），结合循环神经网络（RNN）与简化的卷积神经网络（CNN），用于在边缘设备上实现无线射频（RF）信号的实时分类。该方法在30个ZigBee设备上实现了96.32%的准确率，参数量比以往CNN模型减少50倍，可在低功耗FPGA上实现亚毫秒级分类（219 μs延迟），功耗降低413倍。

ABSTRACT

Machine learning (ML) methods are ubiquitous in wireless communication systems and have proven powerful for applications including radio-frequency (RF) fingerprinting, automatic modulation classification, and cognitive radio. However, the large size of ML models can make them difficult to implement on edge devices for latency-sensitive downstream tasks. In wireless communication systems, ML data processing at a sub-millisecond scale will enable real-time network monitoring to improve security and prevent infiltration. In addition, compact and integratable hardware platforms which can implement ML models at the chip scale will find much broader application to wireless communication networks. Toward real-time wireless signal classification at the edge, we propose a novel compact deep network that consists of a photonic-hardware-inspired recurrent neural network model in combination with a simplified convolutional classifier, and we demonstrate its application to the identification of RF emitters by their random transmissions. With the proposed model, we achieve 96.32% classification accuracy over a set of 30 identical ZigBee devices when using 50 times fewer training parameters than an existing state-of-the-art CNN classifier. Thanks to the large reduction in network size, we demonstrate real-time RF fingerprinting with 0.219 ms latency using a small-scale FPGA board, the PYNQ-Z1.

研究动机与目标

• 解决在边缘网络中实现低延迟、实时无线信号分类且硬件占用面积最小的挑战。
• 克服大型、高功耗深度神经网络在边缘设备上部署用于RF指纹识别时的局限性。
• 实现在小型、低功耗边缘设备（如FPGA）上机器学习的实用化部署。
• 仅利用制造公差引起的统计波动，实现高精度的RF发射源识别。
• 通过降低功耗、延迟和参数数量，展示硬件效率的提升，以支持实时处理。

提出的方法

• 设计一种受光子硬件启发的循环神经网络（PRNN），以极低参数量从原始I/Q信号流中提取具有表现力的时间特征。
• 将PRNN与轻量化、简化的卷积神经网络（CNN）结合，实现高效分类。
• 优化网络架构，使模型大小相比最先进的RF指纹识别CNN减少50倍。
• 在PYNQ-Z1 FPGA上实现PRNN-CNN模型，实现亚毫秒级延迟的实时推理。
• 使用Vivado HLS进行硬件综合与延迟估计，并通过实时数据流测试验证性能。
• 基于乘加（MAC）操作估算功耗，假设高效FPGA的每MAC操作功耗为170 pJ。

实验结果

研究问题

• RQ1 受光子电路启发的RNN是否能在保持高分类准确率的同时显著减小模型尺寸，用于RF指纹识别？
• RQ2 在边缘硬件上，PRNN-CNN架构相较于传统CNN在参数数量、延迟和能效方面表现如何？
• RQ3 紧凑型深度学习模型是否可成功部署于小型FPGA上，实现无线射频信号的实时分类？
• RQ4 PRNN在低信噪比（SNR）和稀疏RF指纹特征条件下，对特征表示的提升程度如何？
• RQ5 与现有技术相比，该方法在延迟、吞吐量和能效方面可实现多大程度的性能提升？

主要发现

• PRNN-CNN模型在SNR ≥15 dB条件下，对30个相同ZigBee设备的分类准确率达到96.32%。
• 该模型的训练参数量比文献[1]中报道的最先进CNN减少50倍，显著降低模型大小。
• 在PYNQ-Z1 FPGA上实现219 μs的实时分类延迟，相比基线网络降低119倍。
• 功耗相比基线网络降低413倍，单次推理功耗为6,194 μJ vs. 15 μJ。
• 吞吐量提升244倍，达到每秒12,192次分类。
• 实验验证表明，实际延迟与估计值偏差极小，证明了其可靠的实时性能。