[论文解读] Deep Learning for Interference Identification: Band, Training SNR, and Sample Selection

Xiwen Zhang, Tolunay Seyfi+4 more|arXiv (Cornell University)|May 16, 2019

Wireless Signal Modulation Classification参考文献 8被引用 4

一句话总结

本文提出了一种快速、准确的深度学习方法，用于使用2.4 GHz ISM频段中的10 MHz进行无线干扰识别，四种深度神经网络（CNN、ResNet、CLDNN、LSTM）的分类准确率约为89.5%。通过应用带宽选择（4 MHz）、信噪比（SNR）选择（-2 dB）以及主成分分析（PCA）/亚奈奎斯特采样，训练时间最多减少30倍，且准确率损失极小，从而实现了在实时认知无线电系统中的实际部署。

ABSTRACT

We study the problem of interference source identification, through the lens of recognizing one of 15 different channels that belong to 3 different wireless technologies: Bluetooth, Zigbee, and WiFi. We employ deep learning algorithms trained on received samples taken from a 10 MHz band in the 2.4 GHz ISM Band. We obtain a classification accuracy of around 89.5% using any of four different deep neural network architectures: CNN, ResNet, CLDNN, and LSTM, which demonstrate the generality of the effectiveness of deep learning at the considered task. Interestingly, our proposed CNN architecture requires approximately 60% of the training time required by the state of the art while achieving slightly larger classification accuracy. We then focus on the CNN architecture and further optimize its training time while incurring minimal loss in classification accuracy using three different approaches: 1- Band Selection, where we only use samples belonging to the lower and uppermost 2 MHz bands, 2- SNR Selection, where we only use training samples belonging to a single SNR value, and 3- Sample Selection, where we try various sub-Nyquist sampling methods to select the subset of samples most relevant to the classification task. Our results confirm the feasibility of fast deep learning for wireless interference identification, by showing that the training time can be reduced by as much as 30x with minimal loss in accuracy.

研究动机与目标

• 在保持高分类准确率的前提下，减少基于深度学习的无线干扰识别的训练时间。
• 评估带宽选择、信噪比（SNR）选择和采样选择对模型训练效率与性能的影响。
• 针对同一数据集，优化卷积神经网络（CNN）架构，实现比当前最先进方法更快的训练速度。
• 评估在降维和亚奈奎斯特采样技术下，分类准确率的鲁棒性。
• 通过训练时间加速，实现深度学习在实时认知无线电系统中的实际部署。

提出的方法

• 在2.4 GHz ISM频段中15个无线信道的225,225个带标签样本上，训练了四种深度神经网络架构（CNN、ResNet、CLDNN、LSTM）。
• 使用中心频率为2422–2432 MHz的10 MHz带宽子带，信号来自蓝牙、Zigbee和WiFi，信噪比（SNR）从-20 dB到20 dB，步长为2 dB。
• 通过限制训练仅在低频和高频2 MHz子带内进行，实现带宽选择，将有效带宽减少至4 MHz。
• 通过仅使用单一SNR值（例如-2 dB）进行训练，实现SNR选择，从而最小化数据多样性并缩短训练时间。
• 采用主成分分析（PCA）和亚奈奎斯特采样（随机、均匀、高幅值排序）来降低输入维度和样本数量，同时保留与分类相关的关键特征。
• 在不同配置下比较每轮训练时间与总训练时间，测试集准确率在不同SNR值下进行评估。

实验结果

研究问题

• RQ1 通过选择性数据采样，深度学习模型是否能以显著减少的训练时间实现高干扰分类准确率？
• RQ2 与完整10 MHz带宽相比，将频率带宽限制在4 MHz对分类准确率和训练效率有何影响？
• RQ3 在多种测试SNR条件下，何种SNR值最适合训练，以在准确率与训练速度之间实现最佳平衡？
• RQ4 PCA与亚奈奎斯特采样在多大程度上可减少模型训练时间，同时保持最小的准确率损失？
• RQ5 结合带宽选择、SNR选择与降维技术，是否能实现30倍的训练时间减少，同时在高SNR信号下保持高准确率？

主要发现

• 所提出的CNN架构在15个信道上的平均测试准确率达约89.5%，训练时间仅为文献[8]中当前最先进CNN方法所需时间的40%。
• 仅使用单一SNR值（-2 dB）进行训练，与使用所有SNR值相比，总训练时间减少了92.3%，同时在高SNR测试数据上保持了超过90%的准确率。
• 仅使用4 MHz外侧频带（低频和高频2 MHz）进行训练，使训练时间减少74.8%，准确率维持在86.14%，总训练时间减少90.9%。
• 在10 MHz数据集上应用16倍压缩率的PCA，高SNR下准确率仅下降5.3%（从89.62%降至84.11%），表明对降维具有强鲁棒性。
• 以1/4采样率进行随机子采样，在高SNR下仍保持约83%的准确率；而1/8压缩率的PCA将每轮训练时间从16.37秒减少至1.33秒，准确率仅损失2.5%。
• 将4 MHz带宽选择与8倍PCA压缩结合使用，与基线相比，训练时间最多减少30倍，且在SNR > -4 dB条件下准确率损失可忽略。