[논문]딥 러닝 기반의 이기종 무선 신호 구분을 위한 데이터 수집 효율화 기법

최재혁

doi:10.7471/ikeee.2022.26.1.62

초록
AI-Helper

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 인터페이스 및 사물인터넷(Internet of Things) 장비에서는 사용이 제약된다. 본 연구에서는 비면허 대역의 무선 이기종 기술을 인지하기 위한 데이터 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(Convolutional Neural Network, CNN) 모델을 학습시켜 신호를 분류하는 방법을 살펴본다. 이 과정에서 동일한 구조의 신경망 모델의 경량화를 위한 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% 수준의 샘플링 데이터 이용만으로도 동일한 정확도를 유지함을 보여준다.

Abstract ▼ AI-Helper

Recently, there have been many research efforts based on data-based deep learning technologies to deal with the interference problem between heterogeneous wireless communication devices in unlicensed frequency bands. However, existing approaches are commonly based on the use of complex neural networ...

Recently, there have been many research efforts based on data-based deep learning technologies to deal with the 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 require high computational power, limiting their efficiency in resource-constrained network interfaces and Internet of Things (IoT) devices. In this study, we address the problem of classifying heterogeneous wireless technologies including Wi-Fi and ZigBee in unlicensed spectrum bands. We focus on a data-driven approach that employs a supervised-learning method that uses received signal strength indicator (RSSI) data to train Deep Convolutional Neural Networks (CNNs). We propose a simple measurement methodology for collecting RSSI training data which preserves temporal and spectral properties of the target signal. Real experimental results using an open-source 2.4 GHz wireless development platform Ubertooth show that the proposed sampling method maintains the same accuracy with only a 10% level of sampling data for the same neural network architecture.

주제어

표/그림 (8)

그림 Fig. 1. Overview of our RF signal strength measurement and data collection process. 그림 1. RF 신호 세기 측정 및 데이터 수집, 신경망 훈련의 전체 과정
그림 Fig. 2. IEEE 802.11 (Wi-Fi) and IEEE 802.15.4 WPAN (ZigBee) frequency in 2.4GHz unlicensed band. 그림 2. 2.4GHz 비면허 대역에서의 Wi-Fi, ZigBee 채널
그림 Fig. 3. RSSI patterns of three different cases: Wi-Fi beacon, Wi-Fi video streaming, and 802.15.4 ZigBee. 그림 3. Wi-Fi beacon, Wi-Fi video steaming, ZigBee의 3개 RF신호에 대한 RSSI 패턴
그림 Fig. 4. Zig-Zag sampling method alternating between two frequencies f₁ and f₂. 그림 4. 지그재그 RSSI 수집 방식: 두 개의 주파수를 차례로 번갈아 이용하며 N개의 RSSI를 수집
그림 Fig. 5. RSSI patterns with Zig-Zag sampling. 그림 5. Zig-Zag 샘플링 사용 시의 변화된 RSSI 패턴
그림 Fig. 6. CNN architecture: (a) simple CNN, (b) ResNet [5]. 그림 6. 합성곱 신경망 구조: (a) 기본 CNN, (b) ResNet [5]
그림 Fig. 7. Classification accuracy using ResNet [5] with Zig-Zag sampling for data sizes N=100, 50, 20, 10. 그림 7. Zig-Zag 샘플링의 데이터 길이 N=100, 50, 20, 10에 대한 ResNet [5]의 분류 정확도
그림 Fig. 8. Classification accuracy using simple CNN with Zig-Zag sampling for data sizes N=100, 50, 20, 10. 그림 8. Zig-Zag 샘플링의 데이터 길이 N=100, 50, 20, 10에 대한 기본 CNN의 분류 정확도

참고문헌 (5)

S. Siddhartha, S. Tschimben, and K. Gifford. "Towards Enhancing Spectrum Sensing: Signal Classification Using Autoencoders," IEEE Access, no.9, pp. 82288-82299, 2021. DOI: 10.1109/ACCESS.2021.3087113

상세보기
G. Simone, A. Mahmood, and M. Gidlund. "Real-time interference identification via supervised learning: Embedding coexistence awareness in IoT devices," IEEE Access, no.7 pp.835-850, 2018. DOI: 10.1109/ACCESS.2018.2885893

상세보기
Y. Su, et al. "Interference source identification for ieee 802.15. 4 wireless sensor networks using deep learning," in Proc. IEEE 29th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), pp.1-7, 2018. DOI: 10.1109/PIMRC.2018.8580857
M. Ossmann, D. Spill. "Project Ubertooth," https://greatscottgadgets.com/ubertoothone/
H. Kaiming, et al. "Deep residual learning for image recognition," in Proc. IEEE conference on computer vision and attern recognition, pp. 770-778, 2016. DOI: 10.1109/CVPR.2016.90

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

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 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

참고문헌 (5)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

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 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

참고문헌 (5)

이 논문을 인용한 문헌

저자의 다른 논문 :

최재혁 (5)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

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 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)