Inferência adaptativa para classificação automática de modulação 5G

Abstract

A correta classificação de modulações de sinais de rádio é um aspecto crucial no uso efi ciente do espectro de radiofrequência em aplicações modernas, como em sistemas IoT baseados na tecnologia 5G. Soluções estado-da-arte para o problema de classificação de sinais são baseadas em métodos de Aprendizado Profundo (e.g. Redes Neurais Artifici ais). No entanto, esses métodos possuem um alto custo computacional e energético, ao ponto de aceleradores dedicados (e.g. FPGA) serem utilizados para desempenhar o processamento. Baseando-se na noção de que a classificação se torna computacionalmente mais fácil ou difícil dependendo da quantidade de ruído que o sinal está submetido (i.e. Signal-to-Noise Ratio - SNR), este trabalho propõe um método de inferência adaptativa baseado em Redes Neurais Artificiais para classificar sinais de rádio 5G. Ao desenvolver um sistema de inferência adaptativo embarcado baseado em FPGA, que seleciona o mo delo de Rede Neural Artificial mais apropriado de acordo com a qualidade atual do sinal (nível de SNR), foram obtidos ganhos em eficiência energética e desempenho conside rando cenários reais quando comparado a soluções estado-da-arte.

Correct classification of radio signal modulation is a core enabler to the efficient use of the radio frequency spectrum in modern applications, like 5G-based IoT systems. State-of the-art solutions to the signal classification problem are based on Deep Learning methods (e.g. Artificial Neural Networks). However, these methods require heavy processing and high energy consumption up to the point that accelerators (e.g., FPGA) are used to carry out such computations. Based on the observation that the classification becomes computationally harder or easier depending on the amount of noise the signal is subject to (i.e., Signal-to-Noise Ratio - SNR), this work proposes an adaptive inference method using Artificial Neural Networks to classify 5G radio signals. By developing a fully adaptive FPGA-based inference system that selects the most appropriate Artificial Neural Network model according to the current signal quality (SNR level), we achieved increased energy efficiency and greater overall performance on practical scenarios compared to a state-of-the-art approach.