Spectrum sensing: AI, kognitiv radio og 5G/6G-spektrumbevidsthed

Spectrum sensing lader et system opdage, hvilke frekvenser der er optaget, og er kernen i kognitiv radio, dynamisk spektrumadgang og 5G/6G-bevidsthed. Her gennemgår vi teknikker, AI-metoder, kooperativ sensing og de målinger, der afgør ydeevnen.

Hvad er spectrum sensing, og hvorfor betyder det noget?

Spectrum sensing er den proces, hvor et system observerer radiofrekvensaktiviteten i sine omgivelser og vurderer, hvilke frekvenser der er optaget, og hvilke der er fri. For kognitive radionetværk (CRN) og dynamisk spektrumadgang er det ikke bare rart at have — det er selve forudsætningen for, at sekundære brugere kan finde og bruge ledige spektrumhuller uden at forstyrre det primære netværk. Man hører det ofte beskrevet som "lyt før du taler", og det er faktisk præcis den disciplin, der gør delt spektrum praktisk muligt.

Begrebet favner flere beslægtede aktiviteter: spektrumbevidsthed, spektrumovervågning og dynamisk spektrum-sensing (DSS). Det fælles træk er, at sensoren ikke nøjes med at måle støj – den genkender også emittere, brugsmønstre, signalstyrke og interferensniveauer og sender den viden videre til koordineringsmekanismerne. Og det er her, det bliver alvorligt: Hvis sensing ikke er pålidelig, risikerer en kognitiv radio at sende oven i en primær bruger. Det er både ulovligt og skadeligt for netværket. Sensing er altså ikke kun et teknisk anliggende, men i høj grad også et regulatorisk et, og netop derfor fylder emnet så meget i 5G/6G-forskningen.

Hvordan fungerer spectrum sensing i kognitive radionetværk?

Når en kognitiv radio laver spectrum sensing, handler det i bund og grund om at finde ud af, om der er et primært brugersignal til stede i det bånd, den kigger på. Man stiller det typisk op som et binært hypotesetest-problem: enten er primærbrugeren der, eller også er den der ikke. Ud fra de løbende observationer justerer radioen sine transmissionsparametre — altså frekvens, sendeeffekt og modulationsform — så den hele tiden tilpasser sig omgivelserne. Og i det øjeblik primærbrugeren dukker op igen, er radioen nødt til at afgive båndet. Det er netop denne løbende tilpasning, der gør radioen "kognitiv" og ikke bare programmerbar.

I praksis følger man typisk en fast cyklus: først lyttes der, så rapporteres resultatet, derefter træffes en beslutning, og til sidst tildeles kanaler. I kooperativ sensing afsættes der med jævne mellemrum nogle intervaller i hver ramme til netop spektrum-sensing, hvorefter sensordataene sendes videre til et fusion center (FC). Her samles informationen, og FC træffer beslutning om, hvorvidt spektret er optaget. Denne opdeling i sensing, rapportering, beslutning og kanaltildeling udgør grundskabelonen i langt de fleste CRN-arkitekturer, og den forklarer også, hvorfor selv små forsinkelser i rapporteringen kan få stor betydning.

Traditionelle teknikker: energy detection, matched filtering og cyclostationary detection

De klassiske sensingteknikker bevæger sig fra det ret simple til det statistisk set mere avancerede. Energy detection gør egentlig bare én ting: den måler energien i et frekvensbånd. Det er også derfor, den er den mest udbredte — den er nem at implementere og kræver ikke meget beregningskraft. Men svagheden er velkendt. Ved lavt SNR, altså når signalet er svagt i forhold til støjen, smelter de to nærmest sammen, og ydeevnen dykker. Så er der matched filtering, også kaldet koherent detektion. Den udnytter, at man på forhånd kender noget til signalets egenskaber, og derfor klarer den sig bedre ved lavt SNR. Til gengæld skal man altså have den forhåndsviden — ellers virker den ikke efter hensigten. Endelig findes cyclostationary feature detection, som benytter sig af statistiske egenskaber ved signalet. Den er mere robust end de andre, men det kommer med en pris: den er også mere kompleks at implementere.

Ud over valget af algoritme er der flere smådetaljer, der spiller ind på resultatet. Vinduesfunktioner til spektralanalyse og kernefunktioner til kvadratiske tid-frekvens-repræsentationer påvirker nemlig detektionsevnen direkte. Og hvis man bevæger sig ud over den helt simple energimåling, findes der algoritmer, som udnytter kendte signalegenskaber til at løfte ydeevnen i miljøer med lavt SNR. Man skal dog ikke bilde sig ind, at én teknik er universelt overlegen — valget afhænger i sidste ende af, hvor meget man ved om signalet, og hvor mange regnekræfter man har til rådighed.

AI og maskinlæring til spectrum sensing

Machine learning-metoder klarer sig markant bedre end de traditionelle teknikker, men den helt store udfordring ligger i at vælge de rigtige features. Det kan lyde som en bagatel, men i praksis er det altså ofte featurevalget, der afgør, om en model reelt slår energy detection ude i felten. Inden for deep learning findes der blandt andet semantiske segmenteringsnetværk, der kan identificere 5G- og LTE-signaler, samt ConvLSTM-modeller, som bruges til sensing ved meget lavt SNR. Det, de har til fælles, er, at de opdager mønstre, som en simpel tærskelværdi aldrig ville fange.

DeepSig er et godt, konkret eksempel på, hvordan AI-drevet spektrumbevidsthed kan se ud i praksis. Deres OmniSIG-suite dækker flere dele: Engine, som er et processoragnostisk AI-bibliotek til at detektere og klassificere signaler, Studio til kuratering og træning af RF-data og AI-modeller, Analytics til sanntidsanalyse og visualisering, samt Direction Finding og Model Hub. DeepSig hævder selv, at løsningen giver op til 1000 gange hurtigere detektion, kan identificere ukendte signaler, dækker bred båndbredde og analyserer signaler via neurale netværk i tid-frekvens-domænet – helt uden at der først skal trænes en model. Oveni det har virksomheden modtaget et tilskud fra NTIA til at integrere AI-drevet SDR i kommercielle Open Radio Units (O-RU'er), så der kan leveres bredbånds-sensing i realtid gennem O-RAN-fronthaul-grænsefladen.

Kooperativ og distribueret spectrum sensing

I kooperativ sensing sender alle spektrumagenter deres sensningsresultater til et fusion center, som derefter kombinerer informationen og træffer beslutning om, hvorvidt spektret er optaget. Ideen er, at mange sensorer i fællesskab kan kompensere for de svagheder, en enkelt sensor typisk kæmper med — for eksempel skyggeeffekter og fading. Det giver samlet set både en bedre sandsynlighed for detektion og en lavere sandsynlighed for falsk alarm. Til gengæld kommer der en rapporteringsforsinkelse ind i billedet, og man bliver afhængig af, at kommunikationskanalen mellem agenterne og FC fungerer stabilt.

Distribueret sensing tager det et skridt videre og lægger intelligensen helt ud ved kanten. De centrale metoder, hvor dataene først efterbehandles et centralt sted, skaber latenstid, svækker nøjagtigheden og sluger unødigt meget båndbredde. Indlejret AI-sensing ude ved kanten gør det derimod muligt at køre i realtid med lav latenstid. På University of Notre Dame har man med platformen RadioHound arbejdet med distribueret spektrum-sensing til emitteridentifikation og geolokalisering, ligesom man har beskæftiget sig med distribueret array-beamforming. RadioHound sigter mod ultra-lavpris-sensorer til omkring 1 dollar og med et effektforbrug på få hundrede milliwatt, og man har allerede deployeret 18 bærbare, vejrbestandige sensorenheder, som er forbundet via MANET-radioer.

Ydeevnemålinger: Pd, Pfa og udfordringen ved lavt SNR

Forskningen i spectrum sensing fremhæver typisk to hovedmålinger: sandsynligheden for detektion (Pd) og sandsynligheden for falsk alarm (Pfa). Pd fortæller, hvor ofte man korrekt opdager en primær bruger, mens Pfa fortæller, hvor ofte man fejlagtigt tror, at båndet er optaget. Begge er afgørende, fordi en høj Pd uden kontrol over Pfa blot flytter problemet over til unødigt spildt spektrum. Kooperativ sensing, hvor agenter sender resultater til et fusion center, bruges netop til at forbedre disse målinger.

Den sværeste udfordring er lavt SNR, hvor signalet næsten forsvinder i støjen. Her skiller teknikkerne sig for alvor, og det er også her, deep learning-metoder som ConvLSTM viser sit værd. NIST Communications Technology Laboratory (CTL), Wireless Networks Division, arbejder med sensorteknologi, overvågningsinfrastruktur og analyse af spektrumoptagelse — blandt andet i 3,5 GHz-båndet, med cyclostationary og matched-filter sensing, SDR-platforme, ADC'er, spektrumoptagelsesdatabaser, GUI/API og kalibrering af lavprissensorer. NIST undersøger desuden bredbåndede ADC'er (omkring 1 GHz eller mere) for at kunne koordinere sensorarrays.

Sammenligning af teknikker og afvejninger

Når man vælger sensingteknik, er der ingen gratis frokost. Energy detection er enkel og billig, men svag ved lavt SNR. Matched filtering udnytter kendte signalegenskaber og klarer lavt SNR bedre, men kræver forhåndsviden. Cyclostationary feature detection er mere robust takket være signalets statistiske egenskaber, men koster mere kompleksitet. ML/DL-metoder løfter ydeevnen, men udfordringen er featurevalg og adgang til tilstrækkelige træningsdata. Centraliserede, efterbehandlede datametoder giver latenstid, lavere nøjagtighed og højt båndbreddeforbrug, mens edge-indlejret AI-sensing muliggør sanntidsdrift med lav latenstid.

Nedenstående tabel opsummerer de vigtigste afvejninger mellem de traditionelle teknikker og de AI-baserede tilgange. Tabellen er tænkt som et hurtigt beslutningsgrundlag, ikke som en endelig rangering — det afhænger i høj grad af det konkrete scenarie, af SNR-niveauet og af, hvor meget regnekraft og forhåndsviden man råder over.

Hardware, platforme og konkrete specifikationer

Bag algoritmerne ligger hardware, og her er der stor forskel på, hvad der er praktisk muligt. RadioHound-platformen fra University of Notre Dame er et godt eksempel på en ultra-lavpris tilgang: målet er 1 dollar i kostpris, få hundrede milliwatt i effektforbrug og en 1-bit RSSI-måler. Frekvensindstillingen går fra 25 MHz til 6 GHz, og sensordensiteten kan være tre gange så høj som med ideelle sensorer med uendelig dynamikområde. For at nå dertil udelades LNA'er, der bruges starved-LO enkeltdiode-mixere, billedfoldning tillades, og der anvendes enkeltbit-tærskeldetektorer.

Notre Dames distribuerede beamforming bruger en bredbåndet 100 MSPS kompleks DAC/ADC-SDR, der kan tunes fra S- til X-båndet ved hjælp af X-microwave-moduler. Sensorerne kører på RaspberryPi SBC med et specialbygget RF HAT og på BeagleBone Black med RF CAPE og er kompatible med Ettus SDR-platforme. Arbejdet er sket i samarbejde med US Army Research Laboratory. DeepSig oplyser på sin side, at OmniSIG kan detektere og klassificere snesevis af signaltyper samtidigt på tværs af brede øjeblikkelige båndbredder. MathWorks bidrager med eksempler på spektrum-sensing med deep learning til identifikation af 5G- og LTE-signaler samt til radar- og trådløs kommunikation.

For 5G/6G er perspektivet bredere end klassisk kognitiv radio. Integrated Sensing and Communications (ISAC) smelter sensing og kommunikation sammen i samme system, og bredbåndet spectrum sensing er fortsat et aktivt forskningsområde for kognitive radionetværk. Det betyder, at kravene til ADC'er, sensorarrays og databehandling vokser i takt med, at båndbredderne bliver større. For mig at se er det netop i spændingsfeltet mellem billig hardware, avanceret AI og regulatoriske krav, at de mest interessante fremskridt sker lige nu.

Ofte stillede spørgsmål om spectrum sensing

Hvad er spectrum sensing?

Spectrum sensing er den proces, hvor et system observerer radiofrekvensaktivitet i sit nærområde og afgør, hvilke frekvenser der er optagede, og hvilke der er ledige. Det er centralt for kognitive radionetværk, fordi det gør sekundære brugere i stand til at finde og bruge spektrumhuller uden at forstyrre primære brugere.

Hvordan fungerer spectrum sensing i kognitive radionetværk?

En kognitiv radio udfører spectrum sensing for at afgøre, om et primært brugersignal er til stede, typisk formuleret som et binært hypotesetest. Derefter tilpasser den transmissionsparametre som frekvens, effekt og modulation baseret på sanntidsobservationer og afgiver båndet, når primærbrugeren vender tilbage.

Hvilke teknikker findes der til spectrum sensing?

Almindelige teknikker omfatter energy detection, matched filtering eller koherent detektion samt cyclostationary feature detection. Energy detection er simplest, men fungerer dårligt ved lavt SNR, mens statistiske metoder og maskinlæringsmetoder udnytter signalegenskaber til at forbedre detektionsnøjagtigheden.

Hvilke målinger bruges til at evaluere spectrum sensing?

Forskningen i spectrum sensing fremhæver typisk to hovedmålinger: sandsynligheden for detektion (Pd) og sandsynligheden for falsk alarm (Pfa). Kooperativ sensing, hvor agenter sender resultater til et fusion center, bruges til at forbedre disse målinger, især i miljøer med lavt SNR.