Spectrum sensing : l'IA, la radio cognitive et la conscience du spectre en 5G/6G
La détection du spectre (spectrum sensing) permet à un système d'observer l'activité radiofréquence autour de lui et d'identifier les fréquences occupées. C'est une brique essentielle des réseaux radio cognitifs, de l'accès dynamique au spectre et de la gestion du spectre en 5G/6G.
Qu'est-ce que la détection du spectre et pourquoi est-ce important ?
La détection du spectre, c'est le fait pour un système d'observer l'activité radiofréquence autour de lui : concrètement, il repère quelles fréquences sont occupées et lesquelles ne le sont pas. Dans un réseau radio cognitif (CRN), cela permet à un utilisateur secondaire (SU) d'identifier les « trous de spectre » sans venir perturber le réseau primaire. C'est aussi une brique essentielle pour l'accès dynamique au spectre, la surveillance du spectre et, plus largement, la conscience situationnelle du spectre en 5G — et demain en 6G.
Un utilisateur secondaire doit donc savoir, à tout instant, si la bande visée est libre ou occupée, et la libérer sans tarder dès qu'un utilisateur primaire (PU) revient s'y installer. C'est précisément ce qui fait de la détection du spectre un problème classique de test d'hypothèses binaires : le récepteur secondaire tranche entre présence et absence d'un signal primaire. De la justesse de cette décision dépendent deux choses à la fois : l'efficacité avec laquelle le spectre est exploité, et la protection des communications déjà en place. Autour de cette question, la littérature couvre un large éventail de sujets, depuis les définitions et le fonctionnement jusqu'aux techniques de détection, aux approches d'IA et d'apprentissage automatique, aux métriques de performance, aux jeux de données et au matériel.
Comment fonctionne la détection du spectre dans les réseaux radio cognitifs ?
La détection du spectre, dans un réseau radio cognitif, c'est d'abord une question d'observation : on surveille la bande visée pendant un certain temps, on relève le niveau d'énergie, la puissance du signal et le bruit, et on confronte ces mesures à un seuil. C'est ce seuil qui permet de trancher — l'utilisateur primaire est-il là, ou pas ? En pratique, on ramène souvent le problème à un test d'hypothèses binaires : l'hypothèse nulle correspond à l'absence de signal primaire, l'hypothèse alternative à sa présence.
La radio cognitive ajuste ensuite ses paramètres de transmission — fréquence, puissance d'émission, schéma de modulation — au fil des observations réalisées en temps réel. Et si l'utilisateur primaire réapparaît ? L'utilisateur secondaire, lui, doit alors libérer la bande. Mais la détection du spectre ne se limite pas à un simple constat d'occupation : la chaîne de traitement peut aussi mesurer les niveaux d'interférence, la force du signal et le bruit, identifier les émetteurs et leurs habitudes d'usage, avant d'alimenter les mécanismes de coordination. À noter que le choix des techniques de fenêtrage pour l'analyse spectrale, tout comme celui des fonctions noyau pour les représentations temps-fréquence quadratiques, pèse directement sur la performance de détection.
Techniques classiques : détection d'énergie, filtre adapté et détection cyclostationnaire
Les techniques de détection du spectre que l’on pourrait qualifier de « classiques » s’articulent autour de trois grandes familles. La première, la détection d’énergie, est de loin la plus utilisée : elle a pour elle sa simplicité et un coût de calcul très faible. Son talon d’Achille, en revanche, est bien connu — dès que le rapport signal/bruit (SNR) chute, ses performances deviennent franchement médiocres. Vient ensuite le filtrage adapté, aussi appelé détection cohérente. Plus performant en milieu bruité, il tire parti de la connaissance préalable de la forme du signal recherché. Mais c’est justement là sa limite : il faut déjà disposer d’informations sur le signal primaire pour pouvoir l’exploiter. Enfin, la détection de caractéristiques cyclostationnaires complète ce trio, en s’appuyant sur les propriétés statistiques du signal plutôt que sur sa forme exacte.
La détection cyclostationnaire, elle, s'appuie sur les propriétés statistiques du signal. C'est ce qui la rend plus résistante au bruit et aux interférences, mais cela se paie par une complexité plus élevée. Le tableau qui suit récapitule les compromis entre ces différentes approches, en y intégrant les méthodes d'apprentissage automatique et profond. Pour ces dernières, le vrai point bloquant reste le même : choisir les bonnes caractéristiques, et disposer de données d'entraînement réellement représentatives.
| Technique | Principe | Avantages | Limites |
|---|---|---|---|
| Détection d'énergie | Mesure de l'énergie reçue sur la bande | Simple, faible complexité | Faible performance à bas SNR |
| Filtre adapté | Corrélation avec un signal connu | Bonne performance à bas SNR | Nécessite une connaissance a priori |
| Détection cyclostationnaire | Propriétés statistiques du signal | Robuste au bruit | Complexité élevée |
| ML / DL | Apprentissage de caractéristiques | Gains de performance | Choix des features, données |
IA et apprentissage automatique pour la détection du spectre
L'apprentissage automatique apporte un gain de performance indéniable, en particulier là où le SNR est faible et où les méthodes classiques atteignent vite leurs limites. Reste que tout se joue en amont, sur le choix des caractéristiques : c'est elles qui déterminent si le modèle saura réellement généraliser. Du côté de l'apprentissage profond, on trouve par exemple des réseaux de segmentation sémantique capables d'identifier les signaux 5G et LTE, ou encore des architectures ConvLSTM conçues pour détecter des signaux à très faible SNR.
DeepSig s'inscrit dans cette mouvance avec OmniSIG, une suite logicielle qui regroupe plusieurs briques : un moteur de détection et de classification de signaux compatible avec n'importe quel processeur, un studio dédié à la curation des données RF et à l'entraînement des modèles IA, des outils d'analyse et de visualisation en temps réel, des fonctions de radiogoniométrie, et enfin un hub de modèles. L'éditeur avance des chiffres ambitieux : une détection jusqu'à 1000 fois plus rapide, la capacité d'identifier des signaux inconnus, une couverture large bande, et une analyse temps-fréquence reposant sur des réseaux de neurones, le tout sans entraînement préalable. Cerise sur le gâteau, DeepSig a décroché une subvention de la NTIA pour intégrer ces capacités SDR pilotées par IA directement dans des unités radio ouvertes (O-RU) du commerce, avec à la clé une détection large bande en temps réel passant par l'interface fronthaul O-RAN.
Détection coopérative et distribuée : le rôle du centre de fusion
La détection coopérative repose sur un principe simple : plusieurs agents du spectre effectuent des mesures, puis transmettent leurs résultats à un centre de fusion (Fusion Center). Celui-ci se charge de combiner l'ensemble de ces informations pour décider si le spectre est occupé ou non. Concrètement, chaque trame réserve régulièrement des intervalles dédiés à la détection, puis à la remontée des données vers le centre de fusion, avant que ce dernier ne prenne sa décision et procède à l'allocation des canaux. L'intérêt de cette agrégation est double : elle améliore la probabilité de détection tout en réduisant les fausses alarmes. En contrepartie, elle implique une signalisation supplémentaire entre les agents et le centre de fusion.
La détection large bande constitue un domaine de recherche actif pour les réseaux radio cognitifs. Toutefois, les méthodes centralisées qui reposent sur des données post-traitées introduisent de la latence, dégradent la précision et consomment une bande passante excessive. À l'inverse, l'IA embarquée en périphérie permet une exploitation en temps réel à faible latence. L'université de Notre Dame, avec sa plateforme RadioHound, explore cette voie : capteurs distribués pour l'identification et la géolocalisation d'émetteurs, et formation de faisceaux distribuée. RadioHound vise des capteurs ultra-basse coût (objectif 1 dollar), basse consommation (quelques centaines de milliwatts) et un indicateur RSSI 1 bit.
Plateformes matérielles et spécifications comparables
Plusieurs acteurs académiques et institutionnels ont développé des plateformes de détection aux caractéristiques contrastées. RadioHound cible un coût unitaire de 1 dollar, une consommation de l'ordre de 100 milliwatts, un indicateur RSSI 1 bit et une accordabilité de 25 MHz à 6 GHz. Sa conception omet les amplificateurs à faible bruit, utilise des mélangeurs à diode unique à oscillateur local affamé, autorise le repliement d'image et recourt à des détecteurs à seuil 1 bit. La densité de capteurs peut atteindre trois fois celle de capteurs idéaux à dynamique infinie.
La formation de faisceaux distribuée de Notre Dame s'appuie sur un SDR large bande de 100 MSPS en conversion numérique-analogique complexe, accordable des bandes S à X, à base de modules X-microwave. Le NIST, via son Communications Technology Laboratory et sa Wireless Networks Division, mène des travaux de R&D sur les technologies de capteurs, les infrastructures de surveillance et l'analyse de l'occupation du spectre. Ses axes incluent la bande 3,5 GHz, la détection cyclostationnaire et par filtre adapté, les plateformes SDR, les convertisseurs analogique-numérique, les bases de données d'occupation du spectre, les interfaces GUI/API et la calibration de capteurs à bas coût.
| Plateforme | Caractéristique clé | Bande / débit |
|---|---|---|
| RadioHound (Notre Dame) | Objectif 1 $, ~100 mW, RSSI 1 bit | 25 MHz à 6 GHz |
| Beamforming distribué (Notre Dame) | SDR complexe 100 MSPS | Bandes S à X |
| NIST CTL | ADC large bande, bases d'occupation | ~1 GHz et plus |
| DeepSig OmniSIG | Détection/classification IA | Large bande instantanée |
Métriques de performance : Pd, Pfa et défis à faible SNR
La recherche sur la détection du spectre met en avant deux métriques principales : la probabilité de détection (Pd) et la probabilité de fausse alarme (Pfa). La Pd mesure la capacité à identifier correctement la présence d'un utilisateur primaire, tandis que la Pfa quantifie le risque de déclarer une occupation inexistante. Un bon détecteur cherche à maximiser la Pd tout en maintenant la Pfa à un niveau acceptable, ce qui revient à arbitrer entre protection du réseau primaire et efficacité d'utilisation du spectre.
La détection coopérative, où les agents transmettent leurs résultats à un centre de fusion, est utilisée pour améliorer ces métriques. Les défis restent importants à faible SNR, en particulier pour la détection d'énergie. Les algorithmes qui exploitent des caractéristiques connues du signal améliorent la performance dans ces environnements bruités. Les fonctions de fenêtrage pour l'analyse spectrale et les fonctions noyau pour les représentations temps-fréquence quadratiques ont également un impact mesurable sur la performance de détection. Dans les réseaux 5G et 6G, ces métriques conditionnent la capacité à cohabiter avec des services prioritaires tout en exploitant les opportunités spectrales.
Quelles perspectives pour la détection du spectre en 5G/6G ?
La détection du spectre s'inscrit désormais dans un contexte plus large, celui de la détection et communication intégrées (ISAC), où le même front radio sert à la fois aux communications et à l'observation de l'environnement. Le NIST étudie des convertisseurs analogique-numérique à large bande (environ 1 GHz ou plus) pour coordonner des réseaux de capteurs, tandis que des acteurs comme DeepSig poussent l'IA au plus près de la radio, jusque dans les unités radio ouvertes. La tendance est à l'analyse temps-fréquence par réseaux de neurones, à la couverture large bande et à la détection de dizaines de types de signaux simultanément.
Les compromis restent structurants : les méthodes centralisées apportent de la puissance de calcul mais introduisent de la latence et consomment de la bande passante, tandis que l'IA embarquée en périphérie offre un fonctionnement temps réel à faible latence. La calibration de capteurs à bas coût, la qualité des bases de données d'occupation du spectre et la sélection des caractéristiques pour l'apprentissage automatique demeurent des chantiers ouverts. Pour les opérateurs et les intégrateurs, la maîtrise de ces briques détermine la capacité à exploiter le spectre de manière dynamique, sans compromettre les utilisateurs primaires.
Quels enseignements retenir pour les professionnels du spectre ?
Pour un ingénieur radio ou un architecte réseau, la détection du spectre n'est pas un simple module logiciel : c'est une chaîne complète allant du capteur à la décision, en passant par la remontée d'information et la coordination. Le choix entre détection d'énergie, filtre adapté, détection cyclostationnaire et apprentissage profond dépend du SNR cible, de la connaissance a priori du signal, du budget de calcul et du coût du matériel. Les plateformes à bas coût comme RadioHound montrent qu'une densité élevée de capteurs peut compenser une dynamique limitée.
La coopération et la fusion de données restent les leviers les plus directs pour améliorer la Pd et réduire la Pfa, à condition de maîtriser la latence et la bande passante de signalisation. Les approches IA, qu'elles soient embarquées ou centralisées, apportent des gains significatifs mais exigent des données d'entraînement représentatives et une sélection rigoureuse des caractéristiques. En 5G et au-delà, la détection du spectre devient une fonction de conscience situationnelle au service de la coexistence, de l'efficacité spectrale et de la résilience des réseaux.
Questions fréquentes
Qu'est-ce que la détection du spectre ?
La détection du spectre est le processus par lequel un système observe l'activité radiofréquence dans son environnement afin d'identifier les fréquences occupées et les fréquences libres. Elle est essentielle aux réseaux radio cognitifs, car elle permet aux utilisateurs secondaires de trouver et d'exploiter les trous de spectre sans interférer avec les utilisateurs primaires.
Comment fonctionne la détection du spectre dans les réseaux radio cognitifs ?
Une radio cognitive effectue une détection du spectre pour déterminer si un signal d'utilisateur primaire est présent, généralement sous la forme d'un test d'hypothèses binaires. Elle adapte ensuite ses paramètres de transmission, comme la fréquence, la puissance et la modulation, en fonction des observations en temps réel, et libère la bande lorsque l'utilisateur primaire revient.
Quelles sont les principales techniques de détection du spectre ?
Les techniques courantes incluent la détection d'énergie, le filtrage adapté ou détection cohérente, et la détection de caractéristiques cyclostationnaires. La détection d'énergie est la plus simple mais peu performante à faible SNR, tandis que les méthodes statistiques et d'apprentissage automatique exploitent des caractéristiques du signal pour améliorer la précision de détection.
Quelles métriques évaluent la performance de la détection du spectre ?
La recherche sur la détection du spectre met surtout en avant deux métriques : la probabilité de détection (Pd) et la probabilité de fausse alarme (Pfa). La détection coopérative, où les agents transmettent leurs résultats à un centre de fusion, est utilisée pour améliorer ces métriques et renforcer la fiabilité des décisions d'occupation du spectre.