딥 러닝 기반의 이기종 무선 신호 구분을 위한 데이터 수집 효율화 기법
An Efficient Data Collection Method for Deep Learning-based Wireless Signal Identification in Unlicensed Spectrum
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 데이터 기반의 딥러닝 기술을 적용하여 비면허 대역의 다양한 통신 신호를 분류하는 연구가 활발히 수행되고 있다. 하지만,복잡한 신경망 모델 사용을 기반으로 이뤄진 이러한 접근법은 높은 연산 능력을 필요로 하게 되어, 자원 제약적인 무선 인터페이스및 사물인터넷(Internet of Things) 장비에서는 사용이 제약된다. 본 연구에서는 비면허 대역의 무선 이기종 기술을 인지하기 위한데이터 기반의 접근 방법을 살펴보고, 신호의 특징 추출 및 데이터화의 효율화 문제를 다룬다. 구체적으로, 비면허 대역의 다른 종류의 무선 통신 기술을 구분하기 위해 수신 신호 강도 측정을 기반으로 한 시계열 데이터를 이용해 합성곱 신경망(ConvolutionalNeural Network, CNN) 모델을 학습시켜 신호를 분류하는 방법을 살펴본다. 이 과정에서 동일한 구조의 신경망 모델의 경량화를위한 효율적 신호의 시계열 데이터 정보 수집시 주파수 대역의 특징을 함께 특징화하는 방법을 제안하고, 그 효과를 평가한다. Bluetooth 호환의 Ubertooth 장비를 이용한 실측 기반의 실험 결과는 제안된 샘플링 기법이 동일한 신경망에 대해서 10% 수준의샘플링 데이터 이용만으로도 동일한 정확도를 유지함을 보여준다.
Abstract
Recently, there have been many research efforts based on data-based deep learning technologies to deal withthe interference problem between heterogeneous wireless communication devices in unlicensed frequency bands. However, existing approaches are commonly based on the use of complex neural network models, which requirehigh computational power, limiting their efficiency in resource-constrained network interfaces and Internet ofThings (IoT) devices. In this study, we address the problem of classifying heterogeneous wireless technologiesincluding Wi-Fi and ZigBee in unlicensed spectrum bands. We focus on a data-driven approach that employs asupervised-learning method that uses received signal strength indicator (RSSI) data to train Deep ConvolutionalNeural Networks (CNNs). We propose a simple measurement methodology for collecting RSSI training data whichpreserves temporal and spectral properties of the target signal. Real experimental results using an open-source 2.4GHz wireless development platform Ubertooth show that the proposed sampling method maintains the sameaccuracy with only a 10% level of sampling data for the same neural network architecture.
참고문헌 (5)
- Siddhartha Subray, "Towards Enhancing Spectrum Sensing: Signal Classification Using Autoencoders", IEEE Access, 9, pp.82288~82299 (2021), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
- Simone Grimaldi, "Real-Time Interference Identification via Supervised Learning: Embedding Coexistence Awareness in IoT Devices", IEEE Access, 7, pp.835~850 (2019), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
- Y. Su, "Interference source identification for ieee 802.15. 4 wireless sensor networks using deep learning", Proc. IEEE 29th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), pp.1~7 (2018)
- "Project Ubertooth"[URL]
- H. Kaiming, "Deep residual learning for image recognition", Proc. IEEE conference on computer vision and attern recognition, pp.770~778 (2016)