eng
DOI: 10.22184/2070-8963.2024.124.8.40.47
Работа посвящена обзору моделей использования искусственного интеллекта для определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода. Описывается порядок работы моделей захвата и разметки сигналов LTE и 5G NR при спектральном зондировании. Для идентификации сигналов LTE и NR используются модели глубокого обучения нейронной сети семантической сегментации. Рассмотренный комплекс моделей может быть использован для практической реализации спектрального зондирования при динамическом доступе к спектру в перспективных сетях когнитивного радио.
Работа посвящена обзору моделей использования искусственного интеллекта для определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода. Описывается порядок работы моделей захвата и разметки сигналов LTE и 5G NR при спектральном зондировании. Для идентификации сигналов LTE и NR используются модели глубокого обучения нейронной сети семантической сегментации. Рассмотренный комплекс моделей может быть использован для практической реализации спектрального зондирования при динамическом доступе к спектру в перспективных сетях когнитивного радио.
Теги: 5g networks artificial intelligence cognitive radio networks spectrum sensing models искусственный интеллект модели спектрального зондирования сети 5g сети когнитивного радио
Обзор моделей спектрального зондирования сигналов LTE и NR
Г.А.Фокин, д.т.н., проф. СПбГУТ им. проф. М.А. Бонч-Бруевича /grihafokin@gmail.com
УДК 621.396.621.5, DOI: 10.22184/2070-8963.2024.124.8.40.47
Работа посвящена обзору моделей использования искусственного интеллекта для определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода. Описывается порядок работы моделей захвата и разметки сигналов LTE и 5G NR при спектральном зондировании. Для идентификации сигналов LTE и NR используются модели глубокого обучения нейронной сети семантической сегментации. Рассмотренный комплекс моделей может быть использован для практической реализации спектрального зондирования при динамическом доступе к спектру в перспективных сетях когнитивного радио.
Введение
Эффективное управление сетями пятого поколения (5G) связано с широким использованием моделей и методов искусственного интеллекта (ИИ, AI – Artificial Intelligence), что подтверждается публикациями последних лет в отечественном [1–4] и зарубежном [5, 6] научном сообществах. Объектами приложений ИИ в сетях 5G являются вопросы обеспечения информационной безопасности [1], анализа сетевых данных в базовой сети [2], энергосбережения и балансирования нагрузкой [3], радиоинтерфейса NR и функционирования самоорганизующихся сетей SON (Self-Organizing Network) [4], управления сетями интернета вещей (IoT) [5] и транспортных средств IoV (Internet of Vehicles) [6].
С точки зрения радиотехнологий ожидаемое в среднесрочной перспективе в сетях 5G и в долгосрочной – в сетях 6G уплотнение приемопередающих устройств определяет необходимость поиска и обоснования новых методов и средств обеспечения их одновременной работы без помех в общем диапазоне частот [7].
Одним из решений данной проблемы является концепция когнитивного радио (CR – Cognitive Radio) и развиваемый в ее рамках подход динамического доступа к спектру DSA (Dynamic Spectrum Access). Согласно подходу DSA эпизодическое использование участков спектра, изначально выделенных первичным пользователям (PU – Primary Users), возможно вторичными пользователям (SU – Secondary Users) при условии неактивности PU "здесь и сейчас". Для оценки занятости спектра первичными пользователями вторичные пользователи могут использовать методы и средства спектрального зондирования SS (Spectrum Sensing) [8].
Несмотря на то, что сама концепция спектрального зондирования известна уже достаточно давно, ее практическая реализация затруднена необходимостью оперативного и достоверного определения приемником когнитивного радио пользователей SU информации о занятости спектра и структуре целевого сигнала первичных пользователей [9]. Повысить эффективность SS могут модели и методы ИИ [10] машинного обучения (ML – Machine Learning) [11] и глубоких нейронных сетей (DNN – Deep Neural Network) [12]. Помимо спектрального зондирования [13] модели и методы глубокого обучения (DL – Deep Learning) нашли применение в задачах идентификации сигналов сетей подвижной радиосвязи LTE и 5G NR (New Radio) [14], прогнозировании отношения сигнал/шум (SNR) [15] и ситуативном доступе к спектру OSA (Opportunistic Spectrum Access) [16]. В работах [17] и [18] исследуется эффективность реализации процедур оценки занятости частотно-временного ресурса с точностью до ресурсного блока методами глубокого и федеративного обучения (FL – Federated Learning) соответственно.
Задачей настоящей работы является обзор возможностей моделей ИИ при практическом определении приемником когнитивного радио информации о структуре целевого сигнала LTE и 5G NR на основе средств глубоких нейронных сетей DNN. В обзоре использованы примеры [19]−[21] из программной среды Matlab, работающие под управлением пакетов расширения LTE Toolbox [22], 5G Toolbox [23], Communications Toolbox [24], Computer Vision Toolbox [25] и Deep Learning Toolbox [26].
Материал организован следующим образом. Сначала описывается порядок работы моделей захвата и разметки сигналов LTE и NR при приеме. Затем рассматриваются модели спектрального зондирования с глубоким обучением сети семантической для идентификации сигналов LTE и NR.
Модели захвата и разметки сигналов LTE и NR при приеме устройством программно-конфигурируемого радио
Модель [19] описывает порядок сканирования, захвата и записи радиоэфира с последующей разметкой, маркировкой и идентификацией (распознаванием) сигналов стандартов LTE и NR. Под спектральным зондированием будем далее понимать последовательность данных процедур. Запись радиоэфира можно осуществлять с использованием макета приемника когнитивного радио – устройства программно-конфигурируемого радио (ПКР, SDR – Software Defined Radio) USRP (Universal Software Radio Peripheral) [27–29]. При отсутствии SDR-устройства USRP может использоваться предварительно записанный или синтезированный в среде Matlab фрагмент радиоэфира.
Обобщенный порядок апробации моделей ИИ для определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода при спектральном зондировании показан на рис.1 [19].
Началом спектрального зондирования является сканирование широкого участка спектра радиоэфира, в котором находятся сигналы первичной синхронизации PSS (Primary Synchronization Signal) стандартов LTE и NR. Затем по найденным сигналам PSS выполняется захват, распознавание и идентификация структуры целевого сигнала стандартов LTE и NR, в том числе реализуется разметка участков спектра занимаемыми сигналами с фиксацией несущей частоты f и занимаемой ширины полосы частот ∆F.
Этап обучения глубокой нейронной сети DNN выполняется по размеченным сигналам LTE и NR.
Этап распознавания и идентификации сигналов стандартов LTE и NR с использованием обученной сети DNN выполняется при анализе новых фрагментов записанного радиоэфира или синтезированных в среде Matlab фрагментов.
Порядок работы процедур первого этапа SS, включая захват и постобработку, показан на рис.2.
Инициализация несущих частот и форм первичных сигналов синхронизации PSS стандартов LTE и NR в [19] выполняется функциями hLTEPSSDescriptor и hNRPSSDescriptor соответственно.
Конфигурация детектора сигналов PSS начинается с инициализации максимальной ширины полосы частот функцией hMaxBandwidth и определяется аппаратной платформой USRP. Для захвата сигналов из радиоэфира выполняется инициализация SDR-платы USRP, работающей под управлением Matlab.
Участок спектра для сканирования задается через центральную частоту и ширину полосы частот.
Для обнаружения сигналов в диапазоне сканирования выполняется инициализация расположения сигналов PSS на несущих частотах в заданном диапазоне согласно стандартам LTE и NR посредством функций hLTEPSSDescriptorsInFrequencyBand и hNRPSSDescriptorsInFrequencyBand соответственно.
Инициализация детектора преамбулы сигналов PSS для сканирования с привязкой к конкретной SDR-плате USRP реализуется системным объектом preambleDetector в среде Matlab. Для минимизации ложных срабатываний в детекторе преамбулы указывается адаптивный порог, по которому сигнал PSS считается обнаруженным. Конфигурация детектора преамбулы сигналов PSS к приему на заданной несущей частоте и частоте дискретизации осуществляется функцией configure Detector; в частности, продолжительность обнаружения-детектирования принимается равной 20 мс, что соответствует периоду передачи блоков сигналов синхронизации SSB (Synchronization Signal Block) стандарта 5G NR.
Обнаружение и захват сигналов из радиоэфира реализуются функцией capture. Если при обнаружении и захвате заданной полосы capture Bandwidths детектор преамбулы отработал успешно по заданному порогу, сигнал PSS стандартов LTE и NR считается обнаруженным, записывается как detected Signals с присвоением маркера-дескриптора Signal Descriptors.
Для анализа маркированных сигналов PSS, распознанных на просканированных несущих частотах, конфигурируется объект приемника baseband Receiver. Конфигурация включает инициализацию центральной несущей частоты и частоту дискретизации; значение частоты дискретизации должно превышать ширину полосы частот, занимаемую сигналом.
Инициализация максимальной частоты дискретизации с привязкой к конкретной SDR-плате выполняется функцией hMaxSampleRate. После конфигурации приемника функцией capture выполняется захват пяти кадров NR совокупной длительностью 200 мс.
На этапе постобработки функция hLabelBandwidth выполняет разметку просканированного диапазона с маркировкой центральной несущей частоты и ширины полосы частот для распознанных сигналов.
Модели спектрального зондирования с глубоким обучением для идентификации сигналов LTE и NR
Модель [20] описывает порядок обучения глубокой нейронной сети DNN сети для решения задач спектрального зондирования SS на основе синтезированных в среде Matlab сигналов стандартов LTE и NR. В качестве DNN в [20] для анализа и распознавания сигналов рассматривается сеть семантической сегментации, используемая для анализа и распознавания изображений.
Методы и средства семантической сегментации нашли широкое применение в задачах обнаружения объектов и оценке их расположения при анализе изображений. В приложениях радиосвязи объектами интереса для обнаружения и распознавания являются сигналы стандартов LTE и NR.
Далее рассмотрим особенности использования методов и средств семантической сегментации в задачах спектрального зондирования сигналов с их последующей идентификацией. Модель [20] реализует следующие процедуры:
Преимуществом использованием методов и средств глубоких нейронных сетей DNN в задачах распознавания сигналов является то обстоятельство, что данные для обучения – сигналы стандартов LTE и NR – можно сформировать программно в пакетах расширения LTE Toolbox [22] и 5G Toolbox [23] соответственно и затем на их основе обучить сеть семантической сегментации.
При формировании сигналов в среде Matlab можно использовать различные модели искажений в приемопередающих устройствах и многолучевом радиоканале, доступные в пакете расширения Communications Toolbox [24]. Данные инструменты позволяют обучить нейронную сеть семантической сегментации без необходимости записи и ручной маркировки по несущей частоте и ширине полосы частот реальных радиосигналов из радиоэфира.
Обучать нейронную сеть можно на кадрах, содержащих сигналы стандартов LTE и NR, сдвигая данные сигналы по частоте в заданном диапазоне сканирования. Каждый кадр длительностью 40 мс содержит 40 субкадров. При обучении делается допущение о том, что в течение длительности кадра в заданном диапазоне сканирования могут одновременно присутствовать сигналы обоих стандартов LTE и NR. Для оценки эффективности обучения формируются кадры с сигналами LTE и NR, расположенные на разных несущих частотах в заданном диапазоне.
В модели [20] при приеме и обработке используется частота дискретизации 61,44 МГц. Данная величина достаточна для обработки сигналов стандарта LTE и некоторых сигналов стандарта NR, а также поддерживается на аппаратном уровне некоторыми SDR-платами USRP. Для формирования кадров, на основе которых выполняется обучение, используется функция helperSpecSenseTrainingData. В составе этой функции работает функция helperSpecSenseLTESignal, формирующая кадры стандарта LTE, и функция helperSpecSenseNRSignal, формирующая кадры стандарта NR. Табл.1 и 2 содержат параметры формируемых сигналов стандарта LTE и NR соответственно.
Для добавления канальных эффектов к формируемым сигналам LTE и NR используются функции lteFadingChannel [30] и nrCDLChannel [31] соответственно. Добавление эффектов осуществляется согласно параметрам, представленным в табл.3, и включает диапазон отношений сигнал/шум, а также диапазон допплеровского сдвига частот.
Формализуем далее порядок обучения нейронной сети семантической сегментации. Из комплексного сигнала вычисляется спектрограмма посредством быстрого преобразования Фурье (БПФ) размерностью 4096. Затем функция helperSpecSenseSpectrogramImage из спектрограммы создает RGB-образ – изображение размерностью 128 × 128. Такой размер изображения, с одной стороны, вмещает достаточно большой набор образов спектрограмм для обучения, а с другой – обеспечивает достаточное разрешение преобразованной спектрограммы в домене времени и частоты. При необходимости размер обрабатываемого RGB-изображения может быть уменьшен.
Данные для обучения, в зависимости от переменной generateTrainData, могут быть как сформированы в пакетах расширения Matlab, так и загружены из готового шаблона. В примере [20] используется 900 кадров для каждого набора сигналов: только NR; только LTE; NR и LTE.
Переменная imageSize инициализируется размерностью RGB-изображения в пикселях. В примере [20] есть возможность выбора обучения сети семантической сегментации с нуля или использования трансферного обучения к предварительно обученной сети. Обучение с нуля осуществляется по RGB-изображениям размера 128 × 128; для трансферного обучения используются изображения размером 256 × 256.
Загрузка изображений – образов спектрограмм с расширением .png осуществляется функцией imageDatastore. Загрузка изображений – образов спектрограмм с разметкой пикселей с расширением .hdf осуществляется функцией pixelLabelDatastore, входящей в пакет расширения Computer Vision Toolbox [25]. Каждый пиксель такого изображения-образа помечен одним из четырех маркеров классов: "Сигнал NR", "Сигнал LTE", "Шум" или "Не определено" в соответствии с принадлежностью к распознанному сигналу. Пиксельный анализ изображения-образа позволяет выполнить подсчет числа пикселей с заданным маркером посредством функции countEachLabel и затем построить распределение распознанных сигналов (рис.3).
Для сигналов стандартов LTE и NR разница в распределении распознаваемых сигналов, помимо прочего, определяется шириной полосы частот, занимаемой сигналами. Так как ширина полосы частот у сигналов NR в среднем больше, чем у сигналов LTE, то логично предположить, что сигналам NR на изображении-образе спектрограммы соответствует большее число пикселей, которые маркируются классом "NR". При моделировании [20] функция helperSpecSensePartitionData распределяет заготовленные данные изображения-образа в следующей пропорции: 80% – на обучение, 10% – на валидацию и 10% – на тестирование. Данная пропорция может быть скорректирована.
При обучении сети семантической сегментации с нуля обычно требуется понижение разрешения изображения между сверточным и ReLU-слоями [32], а затем повышение разрешения выходных данных до размера входных данных. Во время этого процесса сеть выполняет операции с использованием нелинейных фильтров, оптимизированных для определенного набора классов.
При трансферном обучении предварительно обученной сети можно использовать функцию deeplabv3plus из пакета расширения [25] для создания нейронной сети семантической сегментации. В качестве базового можно выбрать шаблон resnet50 из пакета расширения Deep Learning Toolbox [26], указать размер входного изображения-образа и число искомых классов. Данный размер определяет число пикселей для частотно-временного представления распознаваемых сигналов.
Модели идентификации сигналов LTE и NR на основе обученной сети семантической сегментации
При тестировании глубокой нейронной сети семантической сегментации на предмет распознавания сигналов LTE и NR используются функции пакета расширения Computer Vision Toolbox[25]: функция semanticseg выполняет оценку пикселей на изображении-образе спектрограммы тестируемых данных; функция evaluateSemanticSegmentation – подсчет метрик семантической сегментации. Рис.4 иллюстрирует нормированную матрицу неопределенности, полученную в результате распознавания сигналов и построенную для набора кадров, по которым в примере [20] выполнялся анализ и подсчет пикселей классов в изображении: по вертикальной оси отложены истинные, а по горизонтальной – распознанные классы сигналов.
Квадратная матрица образована строками и столбцами четырех обозначенных ранее классов. Из анализа рис.4 следует, что в примере [20] порядка 0,4% сигналов NR распознать не удалось, из них 0,3% были классифицированы маркерами "LTE" и 0,1% маркерами "Шум". Такой результат можно объяснить низкой энергетикой сигналов NR.
Рис.5 иллюстрирует фрагмент принятой спектрограммы с помеченными цветом на изображении-образе пикселями четырех классов, из которого видно, что незначительная часть ресурсной сетки истинных сигналов NR после распознавания на графике Estimatedsignallabels классифицирована как "LTE" и "Шум".
Заключение
Из анализа представленных результатов моделирования, согласно примеру [20], следует, что в целом модели, методы и средства искусственного интеллекта успешно решают задачу определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода.
Для повышения точности распознавания сигналов обучение сети семантической сегментации следует проводить с использованием дополнительных обучающих данных, полученных как с использованием пакетов расширения Matlab, так и путем записи из радиоэфира реальных сигналов SDR платами USRP.
Благодарность
Данная статья подготовлена в рамках прикладных научных исследований СПбГУТ, регистрационный номер 1023031600087-9-2.2.4;2.2.5;2.2.6;1.2.1;2.2.3 в ЕГИСУ НИОКТР.
Литература
Тихвинский В.О., Девяткин Е.Е., Смирнов Ю.Я., Ахмедиаров В.А. Использование технологий ИИ для обеспечения информационной безопасности в сетях 5G // ПЕРВАЯ МИЛЯ. 2024. № 4 (120). С. 44−50.
Тихвинский В.О., Девяткин Е.Е., Савочкин А.А., Смирнов Ю.Я., Новикова Т.В. Использование технологий искусственного интеллекта для анализа сетевых данных в базовой сети 5G // ПЕРВАЯ МИЛЯ. 2023. № 5 (113). С. 46−55.
Тихвинский В.О., Терентьев С.В., Девяткин Е.Е. Применение технологий искусственного интеллекта в сетях 5G // ПЕРВАЯ МИЛЯ. 2023. № 3 (111). С. 52−61.
Тихвинский В., Девяткин Е., Белявский В. По пути от 5G к 5G Advanced: Релизы 17 и 18 // ПЕРВАЯ МИЛЯ. 2021. № 6 (98). С. 38−47.
Olfati M., Parmar K. Deep Learning and AI for 5G Technology: Paradigms // Artificial Intelligence Applications and Innovations (AIAI) 2021. Springer International Publishing Proceedings, 2021. PP. 398−407.
Almutairi M.S. Deep Learning-Based Solutions for 5G Network and 5G-Enabled Internet of Vehicles: Advances, Meta-Data Analysis and Future Direction // Mathematical Problems in Engineering. 2022. Vol. 1. P. 6855435.
Aslam M.M., Du L., Zhang X., Chen Y., Ahmed Z., Qureshi B. Sixth generation (6G) cognitive radio network (CRN) application requirements security issues and key challenges // Wireless Communications and Mobile Computing. 2021. Vol. 1. P. 1331428.
Zhang Y., Luo Z. A Review of Research on Spectrum Sensing Based on Deep Learning // Electronics. 2023. Vol. 12. Iss. 21. P. 4514.
Ivanov A., Tonchev K., Poulkov V., Manolova A. Probabilistic Spectrum Sensing Based on Feature Detection for 6G Cognitive Radio: A Survey // IEEE Access. 2021. Vol. 9. PP. 116994–117026.
Zappone A., Di Renzo M., Debbah M. Wireless Networks Design in the Era of Deep Learning: Model-Based, AI-Based, or Both? // IEEE Transactions on Communications. 2019. Vol. 67. Iss. 10. PP. 7331–7376.
Morocho-Cayamcela M.E., Lee H., Lim W. Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions // IEEE Access. 2019. Vol. 7. PP. 137184–137206.
Syed S.N. et al. Deep Neural Networks for Spectrum Sensing: A Review // IEEE Access. 2023. Vol. 11. PP. 89591−89615.
Tekbıyık K., Akbunar Ö., Ekti A.R., Görçin A., Kurt G.K., Qaraqe K.A. Spectrum Sensing and Signal Identification With Deep Learning Based on Spectral Correlation Function // IEEE Transactions on Vehicular Technology. 2021. Vol. 70. Iss. 10. PP. 10514−10527.
Alhazmi M.H., Alymani M., Alhazmi H., Almarhabi A., Samarkandi A., Yao Y. 5G Signal Identification Using Deep Learning // 2020 29th Wireless and Optical Communications Conference (WOCC) (Newark, NJ, USA). IEEE, 2020. PP. 1−5.
Ngo T., Kelley B., Rad P. Deep Learning Based Prediction of Signal-to-Noise Ratio (SNR) for LTE and 5G Systems // 2020 8th International Conference on Wireless Networks and Mobile Communications (WINCOM) (Reims, France). IEEE, 2020. PP. 1−6.
Ahmed R., Chen Y., Hassan B. Deep learning-driven opportunistic spectrum access (OSA) framework for cognitive 5G and beyond 5G (B5G) networks // Ad Hoc Networks. 2021. Vol. 123. P. 102632.
Wasilewska M., Bogucka H., Kliks A. Spectrum sensing and prediction for 5g radio // International Conference on Big Data Technologies and Applications. Cham: Springer International Publishing, 2020. PP. 176−194.
Wasilewska M., Bogucka H., Kliks A. Federated learning for 5G radio spectrum sensing // Sensors. 2021. Vol. 22. Iss. 1. PP. 198.
Capture and Label NR and LTE Signals for AI Training. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/wireless-testbench/ug/capture-and-label-nr-and-lte-signals-for-ai-training.html (дата обращения 23.09.2024).
Spectrum Sensing with Deep Learning to Identify 5G and LTE Signals. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/comm/ug/spectrum-sensing-with-deep-learning-to-identify-5g-and-lte-signals.html (дата обращения 23.09.2024).
Identify LTE and NR Signals from Captured Data Using SDR and Deep Learning. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/wireless-testbench/ug/identify-lte-and-nr-signals-from-captured-data-using-sdr-and-deep-learning.html (дата обращения 23.09.2024).
LTE Toolbox. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/products/lte.html (дата обращения 23.09.2024).
Toolbox. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/products/5g.html (дата обращения 23.09.2024).
Communications Toolbox. MathWorks. [Электронныйресурс]. URL: https://www.mathworks.com/products/communications.html (дата обращения 23.09.2024).
Computer Vision Toolbox. MathWorks. [Электронныйресурс]. URL: https://www.mathworks.com/products/computer-vision.html (дата обращения 23.09.2024).
Deep Learning Toolbox. MathWorks. [Электронныйресурс]. URL: https://www.mathworks.com/products/deep-learning.html (дата обращения 23.09.2024).
Фокин Г.А., Буланов Д.В., Волгушев Д.Б. Модельно-ориентированное проектирование систем радиосвязи на основе ПКР // Вестник связи. 2015. № 6. С. 26−30.
Фокин Г.А., Лаврухин В.А., Волгушев Д.А., Киреев А.В. Модельно-ориентированное проектирование на основе SDR // Системы управления и информационные технологии. 2015. № 2 (60). С. 94−99.
Фокин Г.А., Волгушев Д.Б., Харин В.Н. Использование SDR технологии для задач сетевого позиционирования. Формирование опорных сигналов LTE // T-Comm: Телекоммуникации и транспорт. 2022. Т. 16. № 5. С. 28−47.
lteFadingChannel. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/lte/ref/ltefadingchannel.html (дата обращения 23.09.2024).
nrCDLChannel. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/5g/ref/nrcdlchannel-system-object.html (дата обращения 23.09.2024).
Выбор слоя активации в нейронных сетях: как правильно выбрать для вашей задачи. [Электронный ресурс]. URL: https://habr.com/ru/articles/727506/ (дата обращения 23.09.2024).
Г.А.Фокин, д.т.н., проф. СПбГУТ им. проф. М.А. Бонч-Бруевича /grihafokin@gmail.com
УДК 621.396.621.5, DOI: 10.22184/2070-8963.2024.124.8.40.47
Работа посвящена обзору моделей использования искусственного интеллекта для определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода. Описывается порядок работы моделей захвата и разметки сигналов LTE и 5G NR при спектральном зондировании. Для идентификации сигналов LTE и NR используются модели глубокого обучения нейронной сети семантической сегментации. Рассмотренный комплекс моделей может быть использован для практической реализации спектрального зондирования при динамическом доступе к спектру в перспективных сетях когнитивного радио.
Введение
Эффективное управление сетями пятого поколения (5G) связано с широким использованием моделей и методов искусственного интеллекта (ИИ, AI – Artificial Intelligence), что подтверждается публикациями последних лет в отечественном [1–4] и зарубежном [5, 6] научном сообществах. Объектами приложений ИИ в сетях 5G являются вопросы обеспечения информационной безопасности [1], анализа сетевых данных в базовой сети [2], энергосбережения и балансирования нагрузкой [3], радиоинтерфейса NR и функционирования самоорганизующихся сетей SON (Self-Organizing Network) [4], управления сетями интернета вещей (IoT) [5] и транспортных средств IoV (Internet of Vehicles) [6].
С точки зрения радиотехнологий ожидаемое в среднесрочной перспективе в сетях 5G и в долгосрочной – в сетях 6G уплотнение приемопередающих устройств определяет необходимость поиска и обоснования новых методов и средств обеспечения их одновременной работы без помех в общем диапазоне частот [7].
Одним из решений данной проблемы является концепция когнитивного радио (CR – Cognitive Radio) и развиваемый в ее рамках подход динамического доступа к спектру DSA (Dynamic Spectrum Access). Согласно подходу DSA эпизодическое использование участков спектра, изначально выделенных первичным пользователям (PU – Primary Users), возможно вторичными пользователям (SU – Secondary Users) при условии неактивности PU "здесь и сейчас". Для оценки занятости спектра первичными пользователями вторичные пользователи могут использовать методы и средства спектрального зондирования SS (Spectrum Sensing) [8].
Несмотря на то, что сама концепция спектрального зондирования известна уже достаточно давно, ее практическая реализация затруднена необходимостью оперативного и достоверного определения приемником когнитивного радио пользователей SU информации о занятости спектра и структуре целевого сигнала первичных пользователей [9]. Повысить эффективность SS могут модели и методы ИИ [10] машинного обучения (ML – Machine Learning) [11] и глубоких нейронных сетей (DNN – Deep Neural Network) [12]. Помимо спектрального зондирования [13] модели и методы глубокого обучения (DL – Deep Learning) нашли применение в задачах идентификации сигналов сетей подвижной радиосвязи LTE и 5G NR (New Radio) [14], прогнозировании отношения сигнал/шум (SNR) [15] и ситуативном доступе к спектру OSA (Opportunistic Spectrum Access) [16]. В работах [17] и [18] исследуется эффективность реализации процедур оценки занятости частотно-временного ресурса с точностью до ресурсного блока методами глубокого и федеративного обучения (FL – Federated Learning) соответственно.
Задачей настоящей работы является обзор возможностей моделей ИИ при практическом определении приемником когнитивного радио информации о структуре целевого сигнала LTE и 5G NR на основе средств глубоких нейронных сетей DNN. В обзоре использованы примеры [19]−[21] из программной среды Matlab, работающие под управлением пакетов расширения LTE Toolbox [22], 5G Toolbox [23], Communications Toolbox [24], Computer Vision Toolbox [25] и Deep Learning Toolbox [26].
Материал организован следующим образом. Сначала описывается порядок работы моделей захвата и разметки сигналов LTE и NR при приеме. Затем рассматриваются модели спектрального зондирования с глубоким обучением сети семантической для идентификации сигналов LTE и NR.
Модели захвата и разметки сигналов LTE и NR при приеме устройством программно-конфигурируемого радио
Модель [19] описывает порядок сканирования, захвата и записи радиоэфира с последующей разметкой, маркировкой и идентификацией (распознаванием) сигналов стандартов LTE и NR. Под спектральным зондированием будем далее понимать последовательность данных процедур. Запись радиоэфира можно осуществлять с использованием макета приемника когнитивного радио – устройства программно-конфигурируемого радио (ПКР, SDR – Software Defined Radio) USRP (Universal Software Radio Peripheral) [27–29]. При отсутствии SDR-устройства USRP может использоваться предварительно записанный или синтезированный в среде Matlab фрагмент радиоэфира.
Обобщенный порядок апробации моделей ИИ для определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода при спектральном зондировании показан на рис.1 [19].
Началом спектрального зондирования является сканирование широкого участка спектра радиоэфира, в котором находятся сигналы первичной синхронизации PSS (Primary Synchronization Signal) стандартов LTE и NR. Затем по найденным сигналам PSS выполняется захват, распознавание и идентификация структуры целевого сигнала стандартов LTE и NR, в том числе реализуется разметка участков спектра занимаемыми сигналами с фиксацией несущей частоты f и занимаемой ширины полосы частот ∆F.
Этап обучения глубокой нейронной сети DNN выполняется по размеченным сигналам LTE и NR.
Этап распознавания и идентификации сигналов стандартов LTE и NR с использованием обученной сети DNN выполняется при анализе новых фрагментов записанного радиоэфира или синтезированных в среде Matlab фрагментов.
Порядок работы процедур первого этапа SS, включая захват и постобработку, показан на рис.2.
Инициализация несущих частот и форм первичных сигналов синхронизации PSS стандартов LTE и NR в [19] выполняется функциями hLTEPSSDescriptor и hNRPSSDescriptor соответственно.
Конфигурация детектора сигналов PSS начинается с инициализации максимальной ширины полосы частот функцией hMaxBandwidth и определяется аппаратной платформой USRP. Для захвата сигналов из радиоэфира выполняется инициализация SDR-платы USRP, работающей под управлением Matlab.
Участок спектра для сканирования задается через центральную частоту и ширину полосы частот.
Для обнаружения сигналов в диапазоне сканирования выполняется инициализация расположения сигналов PSS на несущих частотах в заданном диапазоне согласно стандартам LTE и NR посредством функций hLTEPSSDescriptorsInFrequencyBand и hNRPSSDescriptorsInFrequencyBand соответственно.
Инициализация детектора преамбулы сигналов PSS для сканирования с привязкой к конкретной SDR-плате USRP реализуется системным объектом preambleDetector в среде Matlab. Для минимизации ложных срабатываний в детекторе преамбулы указывается адаптивный порог, по которому сигнал PSS считается обнаруженным. Конфигурация детектора преамбулы сигналов PSS к приему на заданной несущей частоте и частоте дискретизации осуществляется функцией configure Detector; в частности, продолжительность обнаружения-детектирования принимается равной 20 мс, что соответствует периоду передачи блоков сигналов синхронизации SSB (Synchronization Signal Block) стандарта 5G NR.
Обнаружение и захват сигналов из радиоэфира реализуются функцией capture. Если при обнаружении и захвате заданной полосы capture Bandwidths детектор преамбулы отработал успешно по заданному порогу, сигнал PSS стандартов LTE и NR считается обнаруженным, записывается как detected Signals с присвоением маркера-дескриптора Signal Descriptors.
Для анализа маркированных сигналов PSS, распознанных на просканированных несущих частотах, конфигурируется объект приемника baseband Receiver. Конфигурация включает инициализацию центральной несущей частоты и частоту дискретизации; значение частоты дискретизации должно превышать ширину полосы частот, занимаемую сигналом.
Инициализация максимальной частоты дискретизации с привязкой к конкретной SDR-плате выполняется функцией hMaxSampleRate. После конфигурации приемника функцией capture выполняется захват пяти кадров NR совокупной длительностью 200 мс.
На этапе постобработки функция hLabelBandwidth выполняет разметку просканированного диапазона с маркировкой центральной несущей частоты и ширины полосы частот для распознанных сигналов.
Модели спектрального зондирования с глубоким обучением для идентификации сигналов LTE и NR
Модель [20] описывает порядок обучения глубокой нейронной сети DNN сети для решения задач спектрального зондирования SS на основе синтезированных в среде Matlab сигналов стандартов LTE и NR. В качестве DNN в [20] для анализа и распознавания сигналов рассматривается сеть семантической сегментации, используемая для анализа и распознавания изображений.
Методы и средства семантической сегментации нашли широкое применение в задачах обнаружения объектов и оценке их расположения при анализе изображений. В приложениях радиосвязи объектами интереса для обнаружения и распознавания являются сигналы стандартов LTE и NR.
Далее рассмотрим особенности использования методов и средств семантической сегментации в задачах спектрального зондирования сигналов с их последующей идентификацией. Модель [20] реализует следующие процедуры:
- формирование в среде Matlab обучающих сигналов;
- идентификация сигналов в домене частоты и времени с использованием сети семантической сегментации. Обучение сети возможно как с нуля, так и с применением трансферного обучения к предварительно обученной сети;
- тестирование обученной сети на сформированных в пакетах расширения Matlab сигналах;
- тестирование обученной сети на сигналах, принятых из радиоэфира SDR-платой USRP.
Преимуществом использованием методов и средств глубоких нейронных сетей DNN в задачах распознавания сигналов является то обстоятельство, что данные для обучения – сигналы стандартов LTE и NR – можно сформировать программно в пакетах расширения LTE Toolbox [22] и 5G Toolbox [23] соответственно и затем на их основе обучить сеть семантической сегментации.
При формировании сигналов в среде Matlab можно использовать различные модели искажений в приемопередающих устройствах и многолучевом радиоканале, доступные в пакете расширения Communications Toolbox [24]. Данные инструменты позволяют обучить нейронную сеть семантической сегментации без необходимости записи и ручной маркировки по несущей частоте и ширине полосы частот реальных радиосигналов из радиоэфира.
Обучать нейронную сеть можно на кадрах, содержащих сигналы стандартов LTE и NR, сдвигая данные сигналы по частоте в заданном диапазоне сканирования. Каждый кадр длительностью 40 мс содержит 40 субкадров. При обучении делается допущение о том, что в течение длительности кадра в заданном диапазоне сканирования могут одновременно присутствовать сигналы обоих стандартов LTE и NR. Для оценки эффективности обучения формируются кадры с сигналами LTE и NR, расположенные на разных несущих частотах в заданном диапазоне.
В модели [20] при приеме и обработке используется частота дискретизации 61,44 МГц. Данная величина достаточна для обработки сигналов стандарта LTE и некоторых сигналов стандарта NR, а также поддерживается на аппаратном уровне некоторыми SDR-платами USRP. Для формирования кадров, на основе которых выполняется обучение, используется функция helperSpecSenseTrainingData. В составе этой функции работает функция helperSpecSenseLTESignal, формирующая кадры стандарта LTE, и функция helperSpecSenseNRSignal, формирующая кадры стандарта NR. Табл.1 и 2 содержат параметры формируемых сигналов стандарта LTE и NR соответственно.
Для добавления канальных эффектов к формируемым сигналам LTE и NR используются функции lteFadingChannel [30] и nrCDLChannel [31] соответственно. Добавление эффектов осуществляется согласно параметрам, представленным в табл.3, и включает диапазон отношений сигнал/шум, а также диапазон допплеровского сдвига частот.
Формализуем далее порядок обучения нейронной сети семантической сегментации. Из комплексного сигнала вычисляется спектрограмма посредством быстрого преобразования Фурье (БПФ) размерностью 4096. Затем функция helperSpecSenseSpectrogramImage из спектрограммы создает RGB-образ – изображение размерностью 128 × 128. Такой размер изображения, с одной стороны, вмещает достаточно большой набор образов спектрограмм для обучения, а с другой – обеспечивает достаточное разрешение преобразованной спектрограммы в домене времени и частоты. При необходимости размер обрабатываемого RGB-изображения может быть уменьшен.
Данные для обучения, в зависимости от переменной generateTrainData, могут быть как сформированы в пакетах расширения Matlab, так и загружены из готового шаблона. В примере [20] используется 900 кадров для каждого набора сигналов: только NR; только LTE; NR и LTE.
Переменная imageSize инициализируется размерностью RGB-изображения в пикселях. В примере [20] есть возможность выбора обучения сети семантической сегментации с нуля или использования трансферного обучения к предварительно обученной сети. Обучение с нуля осуществляется по RGB-изображениям размера 128 × 128; для трансферного обучения используются изображения размером 256 × 256.
Загрузка изображений – образов спектрограмм с расширением .png осуществляется функцией imageDatastore. Загрузка изображений – образов спектрограмм с разметкой пикселей с расширением .hdf осуществляется функцией pixelLabelDatastore, входящей в пакет расширения Computer Vision Toolbox [25]. Каждый пиксель такого изображения-образа помечен одним из четырех маркеров классов: "Сигнал NR", "Сигнал LTE", "Шум" или "Не определено" в соответствии с принадлежностью к распознанному сигналу. Пиксельный анализ изображения-образа позволяет выполнить подсчет числа пикселей с заданным маркером посредством функции countEachLabel и затем построить распределение распознанных сигналов (рис.3).
Для сигналов стандартов LTE и NR разница в распределении распознаваемых сигналов, помимо прочего, определяется шириной полосы частот, занимаемой сигналами. Так как ширина полосы частот у сигналов NR в среднем больше, чем у сигналов LTE, то логично предположить, что сигналам NR на изображении-образе спектрограммы соответствует большее число пикселей, которые маркируются классом "NR". При моделировании [20] функция helperSpecSensePartitionData распределяет заготовленные данные изображения-образа в следующей пропорции: 80% – на обучение, 10% – на валидацию и 10% – на тестирование. Данная пропорция может быть скорректирована.
При обучении сети семантической сегментации с нуля обычно требуется понижение разрешения изображения между сверточным и ReLU-слоями [32], а затем повышение разрешения выходных данных до размера входных данных. Во время этого процесса сеть выполняет операции с использованием нелинейных фильтров, оптимизированных для определенного набора классов.
При трансферном обучении предварительно обученной сети можно использовать функцию deeplabv3plus из пакета расширения [25] для создания нейронной сети семантической сегментации. В качестве базового можно выбрать шаблон resnet50 из пакета расширения Deep Learning Toolbox [26], указать размер входного изображения-образа и число искомых классов. Данный размер определяет число пикселей для частотно-временного представления распознаваемых сигналов.
Модели идентификации сигналов LTE и NR на основе обученной сети семантической сегментации
При тестировании глубокой нейронной сети семантической сегментации на предмет распознавания сигналов LTE и NR используются функции пакета расширения Computer Vision Toolbox[25]: функция semanticseg выполняет оценку пикселей на изображении-образе спектрограммы тестируемых данных; функция evaluateSemanticSegmentation – подсчет метрик семантической сегментации. Рис.4 иллюстрирует нормированную матрицу неопределенности, полученную в результате распознавания сигналов и построенную для набора кадров, по которым в примере [20] выполнялся анализ и подсчет пикселей классов в изображении: по вертикальной оси отложены истинные, а по горизонтальной – распознанные классы сигналов.
Квадратная матрица образована строками и столбцами четырех обозначенных ранее классов. Из анализа рис.4 следует, что в примере [20] порядка 0,4% сигналов NR распознать не удалось, из них 0,3% были классифицированы маркерами "LTE" и 0,1% маркерами "Шум". Такой результат можно объяснить низкой энергетикой сигналов NR.
Рис.5 иллюстрирует фрагмент принятой спектрограммы с помеченными цветом на изображении-образе пикселями четырех классов, из которого видно, что незначительная часть ресурсной сетки истинных сигналов NR после распознавания на графике Estimatedsignallabels классифицирована как "LTE" и "Шум".
Заключение
Из анализа представленных результатов моделирования, согласно примеру [20], следует, что в целом модели, методы и средства искусственного интеллекта успешно решают задачу определения приемником когнитивного радио информации о структуре целевого сигнала на основе нейросетевого подхода.
Для повышения точности распознавания сигналов обучение сети семантической сегментации следует проводить с использованием дополнительных обучающих данных, полученных как с использованием пакетов расширения Matlab, так и путем записи из радиоэфира реальных сигналов SDR платами USRP.
Благодарность
Данная статья подготовлена в рамках прикладных научных исследований СПбГУТ, регистрационный номер 1023031600087-9-2.2.4;2.2.5;2.2.6;1.2.1;2.2.3 в ЕГИСУ НИОКТР.
Литература
Тихвинский В.О., Девяткин Е.Е., Смирнов Ю.Я., Ахмедиаров В.А. Использование технологий ИИ для обеспечения информационной безопасности в сетях 5G // ПЕРВАЯ МИЛЯ. 2024. № 4 (120). С. 44−50.
Тихвинский В.О., Девяткин Е.Е., Савочкин А.А., Смирнов Ю.Я., Новикова Т.В. Использование технологий искусственного интеллекта для анализа сетевых данных в базовой сети 5G // ПЕРВАЯ МИЛЯ. 2023. № 5 (113). С. 46−55.
Тихвинский В.О., Терентьев С.В., Девяткин Е.Е. Применение технологий искусственного интеллекта в сетях 5G // ПЕРВАЯ МИЛЯ. 2023. № 3 (111). С. 52−61.
Тихвинский В., Девяткин Е., Белявский В. По пути от 5G к 5G Advanced: Релизы 17 и 18 // ПЕРВАЯ МИЛЯ. 2021. № 6 (98). С. 38−47.
Olfati M., Parmar K. Deep Learning and AI for 5G Technology: Paradigms // Artificial Intelligence Applications and Innovations (AIAI) 2021. Springer International Publishing Proceedings, 2021. PP. 398−407.
Almutairi M.S. Deep Learning-Based Solutions for 5G Network and 5G-Enabled Internet of Vehicles: Advances, Meta-Data Analysis and Future Direction // Mathematical Problems in Engineering. 2022. Vol. 1. P. 6855435.
Aslam M.M., Du L., Zhang X., Chen Y., Ahmed Z., Qureshi B. Sixth generation (6G) cognitive radio network (CRN) application requirements security issues and key challenges // Wireless Communications and Mobile Computing. 2021. Vol. 1. P. 1331428.
Zhang Y., Luo Z. A Review of Research on Spectrum Sensing Based on Deep Learning // Electronics. 2023. Vol. 12. Iss. 21. P. 4514.
Ivanov A., Tonchev K., Poulkov V., Manolova A. Probabilistic Spectrum Sensing Based on Feature Detection for 6G Cognitive Radio: A Survey // IEEE Access. 2021. Vol. 9. PP. 116994–117026.
Zappone A., Di Renzo M., Debbah M. Wireless Networks Design in the Era of Deep Learning: Model-Based, AI-Based, or Both? // IEEE Transactions on Communications. 2019. Vol. 67. Iss. 10. PP. 7331–7376.
Morocho-Cayamcela M.E., Lee H., Lim W. Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions // IEEE Access. 2019. Vol. 7. PP. 137184–137206.
Syed S.N. et al. Deep Neural Networks for Spectrum Sensing: A Review // IEEE Access. 2023. Vol. 11. PP. 89591−89615.
Tekbıyık K., Akbunar Ö., Ekti A.R., Görçin A., Kurt G.K., Qaraqe K.A. Spectrum Sensing and Signal Identification With Deep Learning Based on Spectral Correlation Function // IEEE Transactions on Vehicular Technology. 2021. Vol. 70. Iss. 10. PP. 10514−10527.
Alhazmi M.H., Alymani M., Alhazmi H., Almarhabi A., Samarkandi A., Yao Y. 5G Signal Identification Using Deep Learning // 2020 29th Wireless and Optical Communications Conference (WOCC) (Newark, NJ, USA). IEEE, 2020. PP. 1−5.
Ngo T., Kelley B., Rad P. Deep Learning Based Prediction of Signal-to-Noise Ratio (SNR) for LTE and 5G Systems // 2020 8th International Conference on Wireless Networks and Mobile Communications (WINCOM) (Reims, France). IEEE, 2020. PP. 1−6.
Ahmed R., Chen Y., Hassan B. Deep learning-driven opportunistic spectrum access (OSA) framework for cognitive 5G and beyond 5G (B5G) networks // Ad Hoc Networks. 2021. Vol. 123. P. 102632.
Wasilewska M., Bogucka H., Kliks A. Spectrum sensing and prediction for 5g radio // International Conference on Big Data Technologies and Applications. Cham: Springer International Publishing, 2020. PP. 176−194.
Wasilewska M., Bogucka H., Kliks A. Federated learning for 5G radio spectrum sensing // Sensors. 2021. Vol. 22. Iss. 1. PP. 198.
Capture and Label NR and LTE Signals for AI Training. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/wireless-testbench/ug/capture-and-label-nr-and-lte-signals-for-ai-training.html (дата обращения 23.09.2024).
Spectrum Sensing with Deep Learning to Identify 5G and LTE Signals. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/comm/ug/spectrum-sensing-with-deep-learning-to-identify-5g-and-lte-signals.html (дата обращения 23.09.2024).
Identify LTE and NR Signals from Captured Data Using SDR and Deep Learning. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/wireless-testbench/ug/identify-lte-and-nr-signals-from-captured-data-using-sdr-and-deep-learning.html (дата обращения 23.09.2024).
LTE Toolbox. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/products/lte.html (дата обращения 23.09.2024).
Toolbox. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/products/5g.html (дата обращения 23.09.2024).
Communications Toolbox. MathWorks. [Электронныйресурс]. URL: https://www.mathworks.com/products/communications.html (дата обращения 23.09.2024).
Computer Vision Toolbox. MathWorks. [Электронныйресурс]. URL: https://www.mathworks.com/products/computer-vision.html (дата обращения 23.09.2024).
Deep Learning Toolbox. MathWorks. [Электронныйресурс]. URL: https://www.mathworks.com/products/deep-learning.html (дата обращения 23.09.2024).
Фокин Г.А., Буланов Д.В., Волгушев Д.Б. Модельно-ориентированное проектирование систем радиосвязи на основе ПКР // Вестник связи. 2015. № 6. С. 26−30.
Фокин Г.А., Лаврухин В.А., Волгушев Д.А., Киреев А.В. Модельно-ориентированное проектирование на основе SDR // Системы управления и информационные технологии. 2015. № 2 (60). С. 94−99.
Фокин Г.А., Волгушев Д.Б., Харин В.Н. Использование SDR технологии для задач сетевого позиционирования. Формирование опорных сигналов LTE // T-Comm: Телекоммуникации и транспорт. 2022. Т. 16. № 5. С. 28−47.
lteFadingChannel. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/lte/ref/ltefadingchannel.html (дата обращения 23.09.2024).
nrCDLChannel. MathWorks. [Электронный ресурс]. URL: https://www.mathworks.com/help/5g/ref/nrcdlchannel-system-object.html (дата обращения 23.09.2024).
Выбор слоя активации в нейронных сетях: как правильно выбрать для вашей задачи. [Электронный ресурс]. URL: https://habr.com/ru/articles/727506/ (дата обращения 23.09.2024).
Отзывы читателей
