[论文解读] Deep Learning for RF Signal Classification in Unknown and Dynamic Spectrum Environments

Yi Shi, Kemal Davaslıoğlu+4 more|arXiv (Cornell University)|Sep 25, 2019

Wireless Signal Modulation Classification参考文献 29被引用 4

一句话总结

本文提出了一种基于深度学习的射频信号分类框架，用于动态频谱接入，通过持续学习、异常检测、相位感知卷积神经网络（CNN）以及盲源分离技术，处理不断演变、未知、伪造及叠加的信号。在分布式调度中，该框架实现了高达40,578的网络内用户吞吐量和100%的网络外成功率，显著优于基准TDMA方案。

ABSTRACT

Dynamic spectrum access (DSA) benefits from detection and classification of interference sources including in-network users, out-network users, and jammers that may all coexist in a wireless network. We present a deep learning based signal (modulation) classification solution in a realistic wireless network setting, where 1) signal types may change over time; 2) some signal types may be unknown for which there is no training data; 3) signals may be spoofed such as the smart jammers replaying other signal types; and 4) different signal types may be superimposed due to the interference from concurrent transmissions. For case 1, we apply continual learning and train a Convolutional Neural Network (CNN) using an Elastic Weight Consolidation (EWC) based loss. For case 2, we detect unknown signals via outlier detection applied to the outputs of convolutional layers using Minimum Covariance Determinant (MCD) and k-means clustering methods. For case 3, we extend the CNN structure to capture phase shifts due to radio hardware effects to identify the spoofing signal sources. For case 4, we apply blind source separation using Independent Component Analysis (ICA) to separate interfering signals. We utilize the signal classification results in a distributed scheduling protocol, where in-network (secondary) users employ signal classification scores to make channel access decisions and share the spectrum with each other while avoiding interference with out-network (primary) users and jammers. Compared with benchmark TDMA-based schemes, we show that distributed scheduling constructed upon signal classification results provides major improvements to in-network user throughput and out-network user success ratio.

研究动机与目标

• 解决传统信号分类在动态、未知且易受干扰的无线网络中的局限性。
• 在信号类型随时间变化、未知或被智能干扰器伪造的情况下，实现对射频信号的准确分类。
• 开发一种在叠加信号和实时频谱动态环境下仍能稳定运行的鲁棒信号分类系统。
• 将信号分类集成到分布式调度协议中，以提升网络内用户吞吐量并保护网络外用户。
• 在实际、真实的无线场景中，证明其性能显著优于基于基准TDMA的方案。

提出的方法

• 采用弹性权重巩固（EWC）的持续学习方法应用于卷积神经网络（CNN），以防止在新信号类型出现时发生灾难性遗忘。
• 在CNN特征输出上应用最小协方差确定（MCD）和k-means聚类进行异常检测，以识别未知信号。
• 扩展CNN架构以建模由无线电硬件效应引起的相位偏移，从而实现对智能干扰器伪造信号的有效检测。
• 采用独立成分分析（ICA）进行盲源分离，以在分类前隔离叠加信号。
• 分布式调度协议利用信号分类得分，使次用户能够共享频谱，同时避免对主用户和干扰器造成干扰。
• 通过加权融合方法将深度学习输出与业务流量特征数据结合，以提升决策质量。

实验结果

研究问题

• RQ1 在动态频谱环境中，当新调制类型随时间出现时，深度学习模型如何保持高精度？
• RQ2 何种方法可在无先验训练数据的情况下，实现对未知信号类型的准确检测？
• RQ3 如何利用深度学习技术区分智能干扰器产生的伪造信号与合法信号？
• RQ4 在存在叠加信号的情况下，盲源分离在多大程度上能提升信号分类的准确性？
• RQ5 将信号分类与流量感知调度相结合，相较于传统TDMA方案，如何显著提升整体网络性能？

主要发现

• 所提出的结合EWC的持续学习方法在新信号类型出现时，能将分类性能保持在接近理想情况的水平，有效避免灾难性遗忘。
• 在CNN特征上应用MCD与k-means的异常检测方法，即使在无标注训练数据的情况下，也能高精度识别未知信号。
• 通过扩展CNN以建模硬件引起的相位偏移，可有效检测智能干扰器生成的伪造信号。
• 基于ICA的盲源分离技术显著提升了叠加信号的分类准确性，使各类信号可被独立分类。
• 基于深度学习分类的分布式调度方案实现了40,578的网络内用户吞吐量和100%的网络外用户成功率，显著优于基准TDMA方案。
• 引入业务流量特征可略微提升调度性能（网络外成功率达70%），同时在处理异常值和信号叠加时，尽管吞吐量略有下降，系统仍保持强劲性能。