[论文解读] Multi-Label Wireless Interference Identification with Convolutional Neural Networks

Sergej Grunau, Dimitri Block+1 more|arXiv (Cornell University)|Apr 12, 2018

Respiratory viral infections research被引用 11

一句话总结

本论文提出一种用于免许可2.4 GHz ISM频段中无线干扰识别（WII）的多标签卷积神经网络（CNN），在10 MHz带宽和12.8 µs快照时间内，可对多达六种干扰信号与一种主用信号进行分类。该方法在窄带IEEE 802.15.1和802.15.4技术的同类型干扰下实现接近完美的准确率（≈100%），在涉及IEEE 802.11b/g的跨技术干扰下也达到至少90%的准确率，展现出在真实共存场景下的鲁棒性。

ABSTRACT

The steadily growing use of license-free frequency bands require reliable coexistence management and therefore proper wireless interference identification (WII). In this work, we propose a WII approach based upon a deep convolutional neural network (CNN) which classifies multiple IEEE 802.15.1, IEEE 802.11 b/g and IEEE 802.15.4 interfering signals in the presence of a utilized signal. The generated multi-label dataset contains frequency- and time-limited sensing snapshots with the bandwidth of 10 MHz and duration of 12.8 $μ$s, respectively. Each snapshot combines one utilized signal with up to multiple interfering signals. The approach shows promising results for same-technology interference with a classification accuracy of approximately 100 % for IEEE 802.15.1 and IEEE 802.15.4 signals. For IEEE 802.11 b/g signals the accuracy increases for cross-technology interference with at least 90 %.

研究动机与目标

• 解决由异构无线技术使用的拥挤免许可2.4 GHz ISM频段中可靠共存管理的挑战。
• 通过在主用信号存在下实现对多种干扰信号的同时检测，克服先前单标签WII系统存在的局限性。
• 开发一种受现实感知参数约束的实用WII解决方案：10 MHz带宽和12.8 µs快照时长，反映真实硬件能力。
• 为缺乏控制信道的遗留工业无线通信系统提供非合作共存管理能力。
• 生成一个全面的多标签数据集，以模拟真实干扰场景，用于训练和评估基于CNN的WII系统。

提出的方法

• 设计一种深度卷积神经网络（CNN），从无线信号的同相和 quadrature（IQ）样本中实现端到端特征学习。
• 在包含45万张频带和时域受限快照的多标签数据集上训练CNN，每张快照包含一种主用信号与最多六种干扰信号的组合。
• 采用10 MHz带宽和每张快照12.8 µs的时长，以模拟工业无线系统实时、低延迟感知约束。
• 通过将IEEE 802.15.1、IEEE 802.11b/g和IEEE 802.15.4技术的单标签快照在每个15个频段上组合，构建数据集。
• 对所有干扰信号应用1的信干比（SIR），以模拟具有相等功率电平的真实共存条件。
• 实施多标签分类，每张快照标注所有存在的活跃干扰技术，从而实现对多个干扰源的同时检测。

实验结果

研究问题

• RQ1 在严格感知约束下，深度CNN能否有效识别主用信号存在下的多种干扰无线信号？
• RQ2 在同类型干扰与跨技术干扰场景下，分类性能如何变化？
• RQ3 谱重叠程度和信号带宽（窄带与宽带）在多标签干扰检测中对准确率的影响有多大？
• RQ4 干扰信号数量如何影响检测性能，特别是对IEEE 802.11b/g宽带信号的影响？
• RQ5 主用信号的频段是否显著影响干扰信号的检测准确率？

主要发现

• 由于同类型干扰（STI）中IEEE 802.15.1和IEEE 802.15.4窄带信号的谱重叠极小且在10 MHz感知带宽内完全覆盖，所提出的CNN在该类干扰中实现约100%的分类准确率。
• 对于涉及IEEE 802.11b/g宽带信号的同类型干扰，分类准确率下降至最低78%，主要由于信号覆盖不全和显著的信号间谱重叠。
• 在跨技术干扰（CTI）中，当主用信号为IEEE 802.11b/g时，该方法实现至少90%的准确率，得益于干扰信号的窄带特性，降低了谱混淆。
• 当主用信号为IEEE 802.15.1或IEEE 802.15.4时，准确率略有下降至至少95%，原因在于与IEEE 802.11b/g干扰信号存在部分谱重叠。
• 检测性能在不同频段间表现出显著差异，表明其对主用信号中心频率有强依赖性，尤其在IEEE 802.11b/g信号中更为明显。
• IEEE 802.11b/g干扰器数量为三时真正率（TPR）意外上升，可能源于组合概率效应或模型过拟合，提示需在真实环境中进一步验证。