[论文解读] DSIC: Deep Learning based Self-Interference Cancellation for In-Band Full Duplex Wireless

Hanqing Guo, Nan Zhang+2 more|arXiv (Cornell University)|Nov 5, 2018

Full-Duplex Wireless Communications参考文献 10被引用 6

一句话总结

该论文提出了一种基于深度学习的自干扰消除（DSIC）方法，用于带内全双工（IBFD）无线系统，利用训练好的深度神经网络（DNN）实时建模并消除非线性自干扰。在USRP SDR测试平台上评估，该方案实现了高达17 dB的数字域自干扰消除，将误码率降低至多个环境和调制方式（QPSK、16PSK、64PSK）下的平均8.5%。

ABSTRACT

In-band full duplex wireless is of utmost interest to future wireless communication and networking due to great potentials of spectrum efficiency. IBFD wireless, however, is throttled by its key challenge, namely self-interference. Therefore, effective self-interference cancellation is the key to enable IBFD wireless. This paper proposes a real-time non-linear self-interference cancellation solution based on deep learning. In this solution, a self-interference channel is modeled by a deep neural network (DNN). Synchronized self-interference channel data is first collected to train the DNN of the self-interference channel. Afterwards, the trained DNN is used to cancel the self-interference at a wireless node. This solution has been implemented on a USRP SDR testbed and evaluated in real world in multiple scenarios with various modulations in transmitting information including numbers, texts as well as images. It results in the performance of 17dB in digital cancellation, which is very close to the self-interference power and nearly cancels the self-interference at a SDR node in the testbed. The solution yields an average of 8.5% bit error rate (BER) over many scenarios and different modulation schemes.

研究动机与目标

• 为解决带内全双工（IBFD）无线系统中自干扰这一关键挑战，该挑战严重限制了实际部署。
• 开发一种实时、非线性自干扰消除解决方案，通过建模复杂、非线性强的干扰信道，超越传统线性方法。
• 在真实世界的USRP SDR测试平台上，针对多种环境条件和调制格式，实现并评估基于深度学习的SIC框架。
• 回答三个核心问题：(1) 如何为训练收集同步的信道数据，(2) 如何使用DNN建模无线信道，(3) 如何构建一个开源的SDR框架以支持真实世界中的IBFD运行。

提出的方法

• 使用从USRP SDR测试平台采集的同步实时自干扰信号样本，训练深度神经网络（DNN）以建模自干扰（SI）信道。
• DNN以过去传输符号序列（时延抽头长度K）作为输入，预测当前自干扰信号，从而实现实时估计与消除。
• 采用均方误差（MSE）损失函数进行模型训练，以最小化预测与实际SI信号之间的差异，并在不同输入序列长度（K = 2, 20, 50, 100）下评估收敛性。
• 将训练好的DNN部署于基于GNURadio的原型系统中，通过从接收的复合信号中减去估计的自干扰信号，实现实时自干扰消除。
• 系统支持多种调制方式（QPSK、16PSK、64PSK），并在多种传播环境（室内房间、室外、走廊）中运行。
• 消除过程包括：发送信号的调制、基于DNN的自干扰估计、从接收信号中减去估计的自干扰信号，以及解调以恢复原始数据。

实验结果

研究问题

• RQ1 如何在真实世界的IBFD系统中有效收集用于训练深度学习模型的同步自干扰信道数据？
• RQ2 深度神经网络在多大程度上能够建模全双工无线信道中复杂且非线性的自干扰特性？
• RQ3 基于深度学习的数字域自干扰消除方案是否能在多种传播环境和调制格式下实现高性能的自干扰抑制？
• RQ4 输入序列长度（抽头数）如何影响基于DNN的自干扰估计模型的收敛性与准确性？
• RQ5 所提出的深度学习SIC方案在真实世界IBFD场景下的可实现误码率（BER）性能如何？

主要发现

• 基于DNN的自干扰消除模型在真实测试中实现了最低7 dB的消除性能，平均达到17.8 dB，最佳性能达到17 dB。
• 当输入序列长度（抽头数）为100时，模型收敛稳定且迅速，实现了低MSE损失和高估计精度。
• 所有场景和调制方式下的误码率（BER）平均为8.5%，其中室外环境最低（8.0%），走廊环境最高（45.1%），主要受多径衰落影响。
• 随着调制阶数升高（64PSK > 16PSK > QPSK），性能下降，符合对干扰与噪声更敏感的预期。
• 该方案在多种真实环境条件下表现出鲁棒性，并支持多种调制格式，证实其在实际IBFD部署中的可行性。
• 开源的基于GNURadio的SDR框架实现了基于深度学习的SIC的实时端到端IBFD运行，通过大量实地测试得到验证。