Hardware implementation for 802.11b/g/n signal classification

Abstract

Kablosuz olarak haberleşebilen cihaz sayısı, gelişen teknolojiyle birlikte gün geçtikçe artmaktadır. Bu durum elektromanyetik RF spektrumda sıkışıklığa yol açar. RF spektrum kısıtlı olduğundan dolayı verimli bir şekilde kullanılmalıdır. Bili¸ssel radyo (BR), birincil kullanıcıları tespit eder ve ikincil kullanıcıların spektrum boş olduğu anda sinyallerini göndermelerine olanak sağlar. BR, enerji algılama, çevrimsel durağan özellik algılama, uyumlu süzgeç, radyo tanımlama ve algılama gibi metodları kullanarak birincil kullanıcıların tespitini sağlar. Radyo tanımlama, gönderilen sinyalin teknolojisini tespit ettiğinden dolayı diğer metodlara göre daha fazla bilgi sağlar. Son yıllarda, makina öğrenmesi ve derin öğrenme metodları spektrum sezme uygulamalarında kullanılmaktadır. Derin öğrenme Yazılım Tabanlı Radyo(YTR) ile sağlanan çok büyük miktarda veri sayesinde, radyo tanımlama uygulamalarında güçlü performans sergilemektedir. Bu çalışmada, USRP E310 gömülü YTR'si kullanılarak CNN tabanlı sinyal sınıflandırıcı bir donanım tasarlanmıştır. Literatürdeki birçok çalışmada YTR'ler bilgisayara bağlı köle cihazlar olarak kullanılmaktadır. Buna karşılık, gömülü donanım boyut olarak oldukça küçüktür ve bağımsız olarak çalışarak saha dağıtımına olanak sağlar. Tasarlanan donanım 802.11b/g/n sinyallerini sınıflandırır. Sınıflandırma işlemi spektrum tarama ve spektrumun zaman-frekans dönüşümü olan spektrogram resimlerini elde etme ile başlar. Bazı işlem adımlarından sonra, oluşturulan spektrogram resimleri CNN tabanlı sınıflandırıcıya giriş olarak verilir ve girişin tahmini yapılır. Derin öğrenme tekniklerini kullanmak, sistemin adaptasyonunu güçlendirir. Örneğin, CNN tabanlı sınıflandırıcı uygun sinyallerle eğitilerek, çalışmanın LTE, GSM veya diğer sinyalleri sınıflandırması kolayca sağlanabilir.

The number of devices which can communicate wirelessly are increasing with the technological improvements day by day. This situation causes congestion on electromagnetic RF spectrum. RF spectrum should be utilized efficiently due to the fact that it is highly limited. Cognitive Radio (CR) detects primary user signals in spectrum and lets secondary users transmit their signals when spectrum is free. CR achieves detection of primary user signals by spectrum sensing techniques such as energy detection, cyclostationary, matching filter, radio identification and classification based methods. Radio identification provides more information than the others by detectingtransmission technology of signal. In last years, machine learning and deep learning based methods are also used in spectrum sensing tasks. Success possibility of deep learning extremely depends on data. Therefore, deep learning shows strong performance on radio identification applications due to obtaining huge amount of data from Software Defined Radios (SDR). In this work, Convolutional Neural Network (CNN) based radio signal classifier hardware is designed using Universal Software Radio Peripheral (USRP) E310 embedded SDR. Most of the works in literature use SDRs as slave devices that run connected to computer. However, embedded hardware is small sized and brings opportunity of field deployments by running standalone. Designed hardware can classify 802.11b/g/n signals blindly. Classification process starts with scanning spectrum and obtaining spectrogram image which is time-frequency transformation of spectrum. Generated spectrograms are fed into the CNN based classifier and prediction of input is achieved. CNN based classifier is trained previously by collecting 802.11b/g/n signals from wireless modem. Our work can classify LTE, GSM or other signals due to adaptivity of deep learning by training CNN with those signal samples.