[论文解读] DeepWiPHY: Deep Learning-based Receiver Design and Dataset for IEEE 802.11ax Systems

Yi Zhang, Akash Doshi+5 more|arXiv (Cornell University)|Oct 19, 2020

Wireless Signal Modulation Classification参考文献 29被引用 5

一句话总结

DeepWiPHY 提出了一种基于深度学习的 OFDM 接收器，用于 IEEE 802.11ax（Wi-Fi 6）系统，可联合替代信道估计、CPE、SRO 和均衡模块。该模型在合成数据集上进行训练，并使用基于 USRP 的测试平台采集的真实空中信号数据进行微调，在多种信道条件和调制方案下，其 BER 和 PER 性能与传统接收器相当或更优。

ABSTRACT

In this work, we develop DeepWiPHY, a deep learning-based architecture to replace the channel estimation, common phase error (CPE) correction, sampling rate offset (SRO) correction, and equalization modules of IEEE 802.11ax based orthogonal frequency division multiplexing (OFDM) receivers. We first train DeepWiPHY with a synthetic dataset, which is generated using representative indoor channel models and includes typical radio frequency (RF) impairments that are the source of nonlinearity in wireless systems. To further train and evaluate DeepWiPHY with real-world data, we develop a passive sniffing-based data collection testbed composed of Universal Software Radio Peripherals (USRPs) and commercially available IEEE 802.11ax products. The comprehensive evaluation of DeepWiPHY with synthetic and real-world datasets (110 million synthetic OFDM symbols and 14 million real-world OFDM symbols) confirms that, even without fine-tuning the neural network's architecture parameters, DeepWiPHY achieves comparable performance to or outperforms the conventional WLAN receivers, in terms of both bit error rate (BER) and packet error rate (PER), under a wide range of channel models, signal-to-noise (SNR) levels, and modulation schemes.

研究动机与目标

• 设计一种基于深度学习的基带接收器，以替代 IEEE 802.11ax 系统中的传统物理层模块。
• 通过开发一种被动嗅探测试平台，解决真实无线数据集有限的挑战，用于采集真实空中 OFDM 符号。
• 使用合成数据和真实数据评估深度学习接收器的泛化能力与性能，确保符合 Wi-Fi 6 标准。
• 探究在深度学习无线接收器中，真实数据是否能提升泛化能力，超越仅使用合成数据的效果。
• 通过利用成功解码数据包的 CRC/FCS 校验，实现实时、设备特定的接收器自适应，支持本地再训练。

提出的方法

• 通过端到端训练的深度神经网络，实现 OFDM 系统中联合信道估计、CPE 校正、SRO 补偿和均衡。
• 使用真实的室内信道模型和常见的射频畸变（如 I/Q 不平衡和相位噪声）生成全面的合成数据集。
• 利用 USRP 和商用 802.11ax 设备构建的被动嗅探测试平台，捕获了 1400 万个真实空中 OFDM 符号，用于训练和评估。
• 网络架构处理频域信号，采用卷积层和全连接层，以建模频率选择性衰落和硬件畸变。
• 使用真实数据对在合成数据上预训练的模型进行微调，提升其对未见硬件和信道条件的泛化能力。
• 提出一种在线训练框架，接收器利用 CRC 和 FCS 识别正确解码的符号，并生成标签以实现增量式模型更新。

实验结果

研究问题

• RQ1 基于深度学习的接收器是否能在多种信道和信噪比（SNR）条件下，实现与传统 802.11ax 接收器相当或更优的性能？
• RQ2 与仅使用合成数据相比，将合成数据与真实数据结合是否能提升深度学习无线接收器的泛化能力？
• RQ3 设备特定的射频畸变在多大程度上影响基于深度学习的接收器性能？这些畸变是否可通过真实数据进行补偿？
• RQ4 在动态环境中，对预训练的深度学习模型进行在线、本地再训练，是否能提升接收器性能？
• RQ5 是否可行开发一种符合标准、端到端的基于深度学习的 IEEE 802.11ax 接收器，以替代多个传统物理层模块？

主要发现

• 仅使用合成数据训练的 DeepWiPHY 在 BER 和 PER 性能上与传统接收器相当，但略逊于后者（未使用频率平滑处理）。
• 在训练中引入真实数据后，性能显著提升，DeepWiPHY 在多个 SNR 水平和调制方案下，其 BER 表现优于传统接收器。
• 真实数据带来的性能提升证实了合成模型未能完全捕捉的设备特定和环境依赖的射频畸变的存在。
• 使用真实数据有助于模型更好地泛化到未见过的硬件和信道条件，验证了真实数据微调的必要性。
• 在线训练框架支持设备特定的自适应，使模型能基于本地观测到的数据包解码成功率持续优化。
• 结果表明，基于深度学习的接收器不仅符合标准，且在真实部署中表现有效，尤其在使用真实空中数据训练时效果更佳。