In questo articolo, viene presentato l'apprendimento end-to-end dai dati dello spettro, un nuovo sofisticato approccio per l'identificazione dei segnali wireless nelle applicazioni di monitoraggio dello spettro basate su reti neurali profonde. L'apprendimento end-to-end consente di apprendere automaticamente le caratteristiche direttamente da semplici rappresentazioni del segnale wireless. Addestrare i classificatori di segnali wireless in un'unica fase end-to-end che elimina la necessità di complesse pipeline di elaborazione. Vedremo quindi una metodologia generica per progettare e implementare facilmente classificatori di segnali wireless e analizzeremo l'importanza della scelta della rappresentazione dei dati wireless per vari compiti di monitoraggio dello spettro. Esamineremo insieme due casi studio: il riconoscimento della modulazione e il rilevamento delle interferenze nelle tecnologie wireless.
Si sta assistendo a un'evoluzione significativa nel panorama delle reti wireless. Si osservano tendenze quali l'aumento considerevole del numero e della varietà dei dispositivi wireless, accompagnati da una crescente domanda di spettro. Purtroppo, lo spettro delle radiofrequenze è una risorsa scarsa. Di conseguenza, alcune parti dello spettro sono molto utilizzate, mentre altre lo sono molto meno. Per esempio, le bande senza licenza sono eccessivamente utilizzate e soffrono di interferenze tra tecnologie diverse. È indiscutibile che il monitoraggio e la comprensione dell'utilizzo delle risorse dello spettro diventeranno una risorsa critica per il 5G, al fine di migliorare e regolare l'utilizzo dello spettro radio. Tuttavia, il monitoraggio dell'uso dello spettro in un sistema wireless complesso richiede un rilevamento distribuito su un'ampia gamma di frequenze, con conseguente "diluvio" di dati sullo spettro radio. L'estrazione di informazioni significative sull'uso dello spettro da insiemi di dati massicci e complessi richiede algoritmi sofisticati. Ciò apre la strada a nuovi schemi innovativi e nuovi meccanismi di identificazione che forniranno informazioni sull'ambiente radio. Ad esempio, l'identificazione della tecnologia, il riconoscimento del tipo di modulazione e il rilevamento delle fonti di interferenza sono essenziali per le strategie di mitigazione delle interferenze, al fine di continuare a utilizzare efficacemente le scarse risorse spettrali e consentire la coesistenza di reti wireless eterogenee.
Le precedenti ricerche nel campo delle comunicazioni wireless relative all'identificazione dei segnali si basano prevalentemente su strumenti di elaborazione del segnale per la comunicazione, come il rilevamento di caratteristiche ciclostazionarie, a volte in combinazione con tecniche tradizionali di apprendimento automatico. La progettazione di queste soluzioni specializzate si è rivelata impegnativa in termini di tempo, poiché in genere si basano sull'estrazione manuale delle caratteristiche del segnale. Motivati dai recenti progressi e dal notevole successo dell'apprendimento profondo, in particolare delle reti neurali convoluzionali (CNN) in un'ampia gamma di problemi come il riconoscimento delle immagini, il riconoscimento del parlato e la traduzione automatica, gli ingegneri delle comunicazioni wireless hanno recentemente utilizzato approcci simili per migliorare lo stato dell'arte nei compiti di identificazione dei segnali nelle reti wireless.
Recentemente, alcuni ingegneri hanno fornito una panoramica dello stato dell'arte e delle potenziali applicazioni future del Deep Learning nelle comunicazioni wireless, proponendo un framework unificato di Deep Learning per i dati di rilevamento mobile. Tuttavia, nessuno di questi studi si concentra sugli scenari di monitoraggio dello spettro e sui modelli di dati sottostanti per l'addestramento dei classificatori di segnali wireless. Per ovviare a queste carenze, alcuni ricercatori dell'Università belga di Ghent presentano un lavoro sull'apprendimento end-to-end dai dati dello spettro: un framework di Deep Learning per risolvere in modo unificato diversi problemi di classificazione dei segnali wireless per applicazioni di monitoraggio dello spettro.
L'approccio End-to-End
L'apprendimento end-to-end dai dati dello spettro è un nuovo approccio in grado di apprendere automaticamente le caratteristiche direttamente da semplici rappresentazioni del segnale wireless, senza richiedere la progettazione di caratteristiche esperte create a mano, come i moti ciclici di ordine superiore. Il termine end-to-end si riferisce al fatto che la procedura di apprendimento può addestrare classificatori di segnali wireless in un'unica fase finale, eliminando la necessità di complesse pipeline di elaborazione dell'apprendimento automatico esperto in più fasi. Questa metodologia può essere utilizzata come approccio unificato per affrontare varie sfide legate ai problemi di gestione, utilizzo e regolamentazione dello spettro. Il termine end-to-end implica che il processo di estrazione delle caratteristiche del segnale wireless e l'apprendimento di un classificatore di segnale wireless consistono in un'unica procedura di apprendimento. Più in generale, l'apprendimento end-to-end si riferisce ad architetture di elaborazione in cui l'intera pipeline che collega l'ingresso, cioè la rappresentazione dei dati di un segnale wireless rilevato, all'uscita desiderata, quindi il tipo di segnale previsto, viene appresa esclusivamente dai dati. Questa metodologia risulta applicabile in due contesti specifici: primo, quando è essenziale identificare lo spettro e consentirne la condivisione, come ad esempio nelle tecnologie radio cognitive e nelle reti emergenti dell'Internet delle Cose (IoT); secondo, quando è necessario identificare gli emettitori radio, come nel caso della regolamentazione dello spettro.
Radio Cognitiva
La domanda di spettro radio in costante aumento, combinata con la politica di assegnazione dello spettro fisso attualmente dominante, ha ispirato i concetti di radio cognitiva (CR) e accesso dinamico allo spettro con l'obiettivo di migliorare l'utilizzo dello spettro radio. Una rete CR (CRN) è un sistema di comunicazione wireless intelligente che è consapevole del suo ambiente radio, cioè delle opportunità spettrali, e può adattare in modo intelligente i suoi parametri operativi interagendo e imparando dall'ambiente. In questo modo, la rete CRN può dedurre l'occupazione dello spettro per identificare le bande di frequenza non occupate e condividerle con gli utenti autorizzati in modo opportuno.
La Figura 1a) mostra il processo operativo di base di una CRN guidata dai dati. In primo luogo, gli utenti rilevano a intermittenza l'ambiente radio circostante e comunicano i risultati del rilevamento tramite un canale di controllo a una stazione base vicina. Quindi, la stazione base inoltra la richiesta a un centro dati back-end (DC), che combina le informazioni di rilevamento crowdsourcing di diversi utenti in una mappa dello spettro. Il DC deduce l'uso dello spettro per determinare la presenza di un segnale wireless caratteristico e diffonde le informazioni sulla disponibilità dello spettro agli utenti cognitivi. A questo scopo, il DC impara prima un modello offline basato sui rapporti di rilevamento e poi utilizza il modello per discriminare tra un "buco" di spettro e un canale di frequenza occupato.
ATTENZIONE: quello che hai appena letto è solo un estratto, l'Articolo Tecnico completo è composto da ben 2417 parole ed è riservato agli ABBONATI. Con l'Abbonamento avrai anche accesso a tutti gli altri Articoli Tecnici che potrai leggere in formato PDF per un anno. ABBONATI ORA, è semplice e sicuro.
Articolo molto interessante.
Suppongo ci sia qualcosa di simile in ambito militare, come per le classificazioni di segnali sonar per identificare i bersagli.
Sarebbe molto carino veder funzionare un modello del genere anche solo come PoC …
Secondo me c’è davvero bisogno di un classificatore di questo tipo in molti campi di applicazione.
Ciao Mariano!
L’ambito militare è un po’ più difficile da sondare, anche se immagino anche io ci sia qualcosa di simile.
Probabilmente con l’aumentare della varietà delle tecnologie wireless questi classificatori diventeranno sempre più utilizzati