[论文解读] DeepSense: Enabling Carrier Sense in Low-Power Wide Area Networks Using Deep Learning

Justin Chan, Anran Wang+2 more|arXiv (Cornell University)|Apr 23, 2019

IoT Networks and Protocols被引用 14

一句话总结

DeepSense 提出了一种基于深度学习的载波侦测机制，用于低功耗广域网络（LPWAN），可在不了解调制或编码方案的前提下检测低于噪声 floor 的信号。该机制通过学习物理层编码模式，实现了对 26 种 LPWAN 协议（包括 LoRa、Sigfox 和 NB-IoT）的共存支持，在真实部署中实现 4 倍更高的比特率和 1.7 倍更多的可连接位置。

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.

研究动机与目标

• 解决在低于噪声 floor 的 LPWAN 中实现载波侦测的挑战，传统能量检测在此情况下失效。
• 克服基于前导码的检测方法的局限性，该方法在专有或大量协议配置下不可行。
• 设计一种可扩展且向前兼容的解决方案，当引入新型 LPWAN 协议时无需硬件更改。
• 实现在共享频段（如 915 MHz）中多个 LPWAN（如 LoRa 和 Sigfox）共存时的共存与随机接入。

提出的方法

• 利用所有在噪声 floor 以下工作的 LPWAN 均使用物理层编码这一事实，使其信号可通过神经网络学习。
• 在接收信号的 spectrogram 上训练深度神经网络（CNN 和空洞 RNN），以分类 LPWAN 信号的存在及其类型。
• 采用端到端学习方法识别编码和调制模式，无需了解前导结构或协议规范。
• 设计计算复杂度低的模型（例如，每推理仅 679K FLOPs），以确保在低功耗硬件上的实时运行。
• 通过估算 ASIC 能耗低于 12 mW 来优化低功耗，符合典型 LPWAN 收发器的功耗预算。
• 通过分类 21 种 LoRa 配置并根据信号强度动态调整数据速率，支持多比特率运行。

实验结果

研究问题

• RQ1 深度学习能否在不了解调制或编码方案的前提下检测低于噪声 floor 的 LPWAN 信号？
• RQ2 单一深度学习模型能否泛化于包括 Sigfox 和 NB-IoT 等专有协议在内的多种 LPWAN 协议？
• RQ3 能否在低功耗无线电硬件上以低计算和低功耗开销实现实时载波侦测？
• RQ4 该系统能否基于信号条件在多速率 LoRa 网络中实现动态比特率自适应？
• RQ5 该方法能否仅通过软件更新实现对新型 LPWAN 协议的向前兼容？

主要发现

• DeepSense 可成功检测来自 26 种不同 LPWAN 协议和配置的低于噪声 floor 的信号，包括 LoRa（SF6–SF12）、Sigfox、NB-IoT 和 802.11ah。
• 系统在存在频率偏移和并发传输的情况下仍能保持可靠的检测性能。
• 在真实校园部署中，与传统的 ALOHA 基 MAC 相比，DeepSense 使附近设备的数据速率提高了 4 倍。
• 由于自适应比特率选择，能够连接到多速率 LoRa 网络的位置数量增加了 1.7 倍。
• 最高效的模型（空洞 CNN + RNN）每推理仅需 679,441 FLOPs，估算在 28 nm ASIC 上功耗为 11.08 mW，远低于 LPWAN 功耗预算。
• DeepSense 是首个利用深度学习在信噪比低至 -10 dB 的情况下分类 chirp 扩频信号的方法。