Spectrum Sensing: AI, Cognitive Radio e Consapevolezza dello Spettro 5G/6G

Lo spectrum sensing è il processo con cui un sistema osserva l'attività radio nelle vicinanze e stabilisce quali frequenze sono occupate. È la capacità chiave delle reti cognitive radio, dell'accesso dinamico allo spettro e della consapevolezza dello spettro in 5G e 6G.

Che cos'è lo spectrum sensing e perché è così importante?

Lo spectrum sensing, ovvero il rilevamento dello spettro, è quel processo con cui un sistema tiene sotto controllo l'attività in radiofrequenza attorno a sé e stabilisce quali frequenze risultano occupate e quali invece libere. Si tratta della capacità fondamentale alla base delle reti cognitive radio (CRN), dell'accesso dinamico allo spettro e della consapevolezza dello spettro nelle reti 5G e 6G. In pratica, senza una stima affidabile dell'occupazione dello spettro nessun meccanismo di condivisione può reggere: l'utente secondario finirebbe per trasmettere proprio dove è già attivo l'utente primario, creando interferenze.

Il punto di partenza, in pratica, è piuttosto semplice: un utente cognitivo deve individuare i cosiddetti spectrum hole, ossia le porzioni di banda temporaneamente libere, senza però creare interferenze alla rete primaria. Non solo: deve anche capire con precisione qual è lo stato dello spettro che sta osservando e liberarlo nel momento in cui l'utente primario ricomincia a occuparlo. Proprio per questa ragione lo spectrum sensing viene spesso inquadrato come un problema di test di ipotesi binario, in cui l'utente secondario decide se il segnale dell'utente primario è presente o assente. Da qui discendono le due metriche di riferimento, e cioè la probabilità di rilevamento (Pd) e la probabilità di falso allarme (Pfa).

Il gergo del settore è parecchio vasto, e conviene fissarlo bene in testa: spectrum sensing (SS), spectrum awareness, spectrum monitoring, dynamic spectrum sensing (DSS), cognitive radio (CR), cognitive radio network (CRN), primary user (PU), secondary user (SU), spectrum hole, spectrum occupancy, energy detection, cyclostationary feature detection, matched-filter sensing, cooperative spectrum sensing, fusion center, wideband spectrum sensing e Integrated Sensing and Communications (ISAC). Sono termini che saltano fuori di continuo nella letteratura tecnica e nelle specifiche delle reti radiomobili di nuova generazione, quindi vale la pena familiarizzare con ciascuno di essi.

Come funziona lo spectrum sensing nelle reti cognitive radio?

Quando una radio cognitiva fa spectrum sensing, quello che vuole capire è una cosa sola: c'è o non c'è un segnale dell'utente primario? In pratica la questione viene impostata come un test di ipotesi binario, e da lì parte tutta la decisione. Poi, sulla base di quello che osserva in tempo reale, la radio regola i parametri di trasmissione — frequenza, livello di potenza, schema di modulazione — e libera la banda nel momento in cui l'utente primario torna a occuparla. Ma attenzione: il sensing non serve soltanto a stabilire se si può trasmettere oppure no. Serve anche a misurare i livelli di interferenza, la potenza del segnale e il rumore, a riconoscere gli emittenti e i loro pattern d'uso, e a fornire informazioni utili ai meccanismi di coordinamento tra i nodi della rete.

Nelle architetture cooperative, ogni frame riserva periodicamente degli intervalli dedicati al sensing: gli agenti inviano le informazioni raccolte al Fusion Center, che le combina e stabilisce sia l'occupazione dello spettro sia l'assegnazione dei canali. Un meccanismo che riduce l'incertezza del singolo sensore, ma non senza costi: la centralizzazione dei dati post-elaborati comporta infatti un aumento della latenza, un possibile peggioramento dell'accuratezza e un consumo di banda eccessivo. L'elaborazione AI integrata direttamente all'estremità della rete, invece, permette un funzionamento in tempo reale con bassa latenza, e rappresenta oggi una delle direzioni più promettenti per le reti 5G e 6G.

C'è poi un aspetto di cui si parla poco, ma che conta eccome: le prestazioni del sensing dipendono anche da scelte di elaborazione del segnale che sembrano secondarie. Pensiamo alle funzioni finestra utilizzate nell'analisi spettrale o alle funzioni kernel impiegate nelle rappresentazioni tempo-frequenza quadratiche: incidono direttamente sulla capacità di rilevamento, soprattutto quando il rapporto segnale-rumore non è dei migliori. Nelle panoramiche divulgative questo dettaglio viene spesso ignorato, eppure nella progettazione concreta di un ricevitore può fare la differenza.

Le tecniche tradizionali: energy detection, matched filter e cyclostationary detection

Le tecniche classiche di spectrum sensing si possono raggruppare in tre famiglie principali, ognuna con un bilancio diverso tra complessità e prestazioni. L'energy detection è senza dubbio la più usata, proprio perché semplice da implementare, ma ha un difetto evidente: appena il rapporto segnale-rumore scende, le sue prestazioni peggiorano in modo netto. Il matched filtering, noto anche come rilevamento coerente, sfrutta invece le caratteristiche già note del segnale e riesce a lavorare meglio proprio in condizioni di basso SNR, però richiede di conoscere in anticipo la forma d'onda, cosa non sempre possibile. La cyclostationary feature detection, infine, si basa sulle proprietà statistiche del segnale: è più robusta delle altre due, ma paga questo vantaggio con una complessità computazionale decisamente maggiore.

La tabella che segue mette a confronto le tecniche tradizionali e gli approcci basati sul machine learning, riassumendone i principali compromessi. Ed è proprio su quest'ultimo fronte che oggi si gioca la partita più interessante del settore.

Più che la singola tecnica in sé, quello che fa la differenza in un sistema maturo è la capacità di scegliere l'algoritmo giusto a seconda del contesto. Gli algoritmi che non si limitano alla semplice energy detection sfruttano le caratteristiche note del segnale per ottenere prestazioni migliori in ambienti a basso SNR, che poi sono la condizione normale nelle bande congestionate e nelle reti densamente distribuite. Ed è proprio su questo punto che la ricerca continua a concentrarsi, anche in un'ottica di wideband spectrum sensing, un'area di studio tutt'altro che statica per le reti cognitive radio.

L'intelligenza artificiale e il machine learning per lo spectrum sensing

I metodi di machine learning mostrano un miglioramento netto rispetto alle tecniche tradizionali, ma la sfida principale rimane la selezione delle feature migliori. Tra gli approcci di deep learning troviamo le reti di semantic segmentation, usate per identificare segnali 5G e LTE, e le architetture ConvLSTM, pensate per il sensing a SNR molto basso. Combinando le rappresentazioni tempo-frequenza con le reti neurali si riescono a riconoscere pattern che ai rilevatori energetici sfuggono, soprattutto quando i segnali sono sovrapposti o non cooperativi.

Un esempio concreto di applicazione industriale è DeepSig, che propone consapevolezza dello spettro guidata dall'AI. La suite OmniSIG comprende Engine, una libreria di rilevamento e classificazione di segnali indipendente dal processore; Studio, per la curatela dei dati RF e l'addestramento dei modelli; Analytics, per analisi e visualizzazione in tempo reale; Direction Finding; e un Model Hub. L'azienda dichiara un rilevamento fino a 1000 volte più rapido, l'identificazione di segnali sconosciuti, ampia copertura di banda e analisi tempo-frequenza tramite reti neurali, senza necessità di addestramento dedicato.

DeepSig ha inoltre ricevuto un contributo NTIA per integrare capacità SDR potenziate dall'AI nelle Open Radio Unit (O-RU) commerciali, abilitando spectrum sensing wideband in tempo reale attraverso l'interfaccia fronthaul O-RAN. È un segnale importante del fatto che il sensing non è più solo un tema accademico: entra nelle architetture di rete aperte e virtualizzate, dove la classificazione automatica del segnale diventa parte dell'infrastruttura.

Sensing cooperativo e distribuito: il ruolo del Fusion Center

Nelle reti cognitive il sensing cooperativo prevede che tutti gli agenti dello spettro inviino i risultati delle misurazioni a un Fusion Center, il quale combina le informazioni e decide l'occupazione dello spettro. Questo schema mitiga gli effetti di fading e shadowing che affliggono un singolo sensore, ma introduce un compromesso architetturale rilevante: i metodi centralizzati con dati post-elaborati introducono latenza, degradano l'accuratezza e consumano banda in modo eccessivo. Il sensing AI embedded all'estremità, al contrario, consente un funzionamento in tempo reale con bassa latenza.

Un esempio concreto di ricerca distribuita arriva dall'Università di Notre Dame, con la piattaforma RadioHound e attività su sensing distribuito per identificazione e geolocalizzazione degli emittenti, oltre al beamforming distribuito con array. Il progetto punta a sensori a costo ultra-basso (circa 1 dollaro) e basso consumo (centinaia di milliwatt), con 18 pacchetti sensore portatili resistenti alle intemperie interconnessi tramite radio MANET. I sensori girano su single board computer RaspberryPi con RF HAT personalizzati, su BeagleBone Black con RF CAPE e sono compatibili con le piattaforme SDR Ettus, con sintonia da 25 MHz a 6 GHz. La collaborazione con lo US Army Research Laboratory conferma il carattere applicativo di questa linea di ricerca.

Sul versante delle specifiche, RadioHound adotta un misuratore RSSI a 1 bit con obiettivo di costo di 1 dollaro e 100 milliwatt di consumo, una densità di sensori fino a tre volte quella di sensori ideali a dinamica infinita, omette gli LNA, usa mixer a singolo diodo con LO in modalità starved, ammette l'image folding e ricorre a rilevatori a soglia a singolo bit. Il beamforming distribuito di Notre Dame utilizza DAC/ADC SDR complessi wideband a 100 MSPS, sintonizzabili dalla banda S alla banda X tramite moduli X-microwave. Il NIST Communications Technology Laboratory, nella Wireless Networks Division, studia ADC a banda larga (circa 1 GHz o più) per coordinare array di sensori, con focus sulla banda 3,5 GHz, sul sensing cyclostationary e matched-filter, su piattaforme SDR, database di occupazione dello spettro, interfacce GUI/API e calibrazione di sensori a basso costo.

Metriche di prestazione: Pd, Pfa e la sfida del basso SNR

La ricerca sullo spectrum sensing enfatizza tipicamente due metriche principali: la probabilità di rilevamento (Pd) e la probabilità di falso allarme (Pfa). La prima misura quanto spesso il sistema riconosce correttamente la presenza dell'utente primario; la seconda quanto spesso segnala erroneamente un'occupazione inesistente. Un buon rilevatore cerca di massimizzare la Pd mantenendo la Pfa sufficientemente bassa, perché un eccesso di falsi allarmi riduce inutilmente le opportunità di trasmissione per gli utenti secondari.

Il sensing cooperativo, in cui gli agenti inviano i risultati a un Fusion Center, viene usato proprio per migliorare queste metriche. La combinazione delle osservazioni di più sensori distribuiti aumenta la robustezza complessiva e compensa i limiti dei singoli dispositivi, in particolare quando il rapporto segnale-rumore è molto basso. È qui che le tecniche statistiche e di machine learning trovano il loro spazio: sfruttando le caratteristiche del segnale invece della sola energia, riescono a mantenere una Pd accettabile anche in condizioni difficili, dove l'energy detection fallisce.

La sfida del basso SNR resta il vero banco di prova. Le tecniche tradizionali mostrano limiti evidenti, mentre gli approcci di deep learning, come le reti di semantic segmentation per segnali 5G e LTE e le architetture ConvLSTM, sono progettati esplicitamente per operare a SNR molto bassi. La scelta delle feature e la disponibilità di dati di addestramento rappresentativi rimangono però il collo di bottiglia principale, insieme alla necessità di elaborare in tempo reale su hardware a basso consumo. È un equilibrio delicato tra accuratezza, latenza e costo, che determina la fattibilità pratica di ogni soluzione.

Applicazioni, hardware e prospettive per 5G e 6G

Lo spectrum sensing non è un esercizio teorico: alimenta direttamente applicazioni come l'accesso dinamico allo spettro, il monitoraggio dell'occupazione, l'identificazione di emittenti e la geolocalizzazione, oltre alle comunicazioni integrate con il sensing (ISAC). Nel contesto 5G e 6G la consapevolezza dello spettro diventa un requisito infrastrutturale, perché le reti devono convivere con un numero crescente di dispositivi e di bande condivise, spesso in modo dinamico e non coordinato a priori.

Sul piano dell'hardware, il settore si muove su due binari paralleli. Da un lato ci sono le piattaforme SDR e gli array di sensori distribuiti, con ADC a banda larga e moduli RF sintonizzabili; dall'altro i sensori a bassissimo costo, pensati per essere distribuiti in grandi quantità e interconnessi in rete. MathWorks, ad esempio, fornisce esempi di spectrum sensing con deep learning per identificare segnali 5G e LTE e per applicazioni radar e di comunicazione wireless, utili sia in ambito didattico sia in fase di prototipazione.

La direzione è chiara: spostare l'intelligenza il più vicino possibile al sensore, ridurre la dipendenza da infrastrutture centralizzate e rendere il sensing una funzione nativa delle reti. La combinazione di AI, hardware a basso costo e architetture aperte come O-RAN è ciò che renderà la consapevolezza dello spettro una capacità di sistema, e non più un'aggiunta opzionale. Per chi progetta reti e dispositivi, comprendere questi compromessi è ormai parte del mestiere.

Domande frequenti sullo spectrum sensing

Le domande più comuni riguardano la definizione, il funzionamento nelle reti cognitive, le tecniche disponibili e le metriche di valutazione. Le risposte seguenti riassumono i punti essenziali trattati nell'articolo, con l'obiettivo di offrire un riferimento rapido e operativo per chi si avvicina al tema o deve scegliere un approccio progettuale.

Quali sono i principali compromessi nella scelta di una tecnica di sensing?

La scelta dipende dal contesto operativo. L'energy detection è semplice e a bassa complessità, ma soffre a basso SNR. Il matched filtering offre prestazioni migliori in condizioni difficili, ma richiede conoscenza a priori della forma d'onda del segnale primario. La cyclostationary detection è più robusta grazie alle proprietà statistiche, ma è più complessa da implementare. I metodi di machine learning e deep learning migliorano le prestazioni, ma la sfida principale resta la selezione delle feature e la disponibilità di dati di addestramento rappresentativi. Non esiste una soluzione unica: il compromesso tra accuratezza, latenza, costo hardware e consumo energetico guida ogni decisione progettuale.

Domande frequenti

Che cos'è lo spectrum sensing?

Lo spectrum sensing è il processo con cui un sistema osserva l'attività in radiofrequenza nel proprio intorno, rilevando quali frequenze sono occupate e quali libere. È centrale nelle reti cognitive radio, perché consente agli utenti secondari di individuare e usare gli spectrum hole senza interferire con gli utenti primari.

Come funziona lo spectrum sensing nelle reti cognitive radio?

Una radio cognitiva esegue lo spectrum sensing per determinare se è presente un segnale dell'utente primario, tipicamente come test di ipotesi binario. Adatta poi frequenza, potenza e modulazione in base alle osservazioni in tempo reale, rilasciando la banda quando l'utente primario ritorna.

Quali sono le principali tecniche di spectrum sensing?

Le tecniche più comuni includono l'energy detection, il matched filtering o rilevamento coerente e la cyclostationary feature detection. L'energy detection è la più semplice ma rende male a basso SNR, mentre i metodi statistici e di machine learning sfruttano le caratteristiche del segnale per migliorare l'accuratezza.

Quali metriche si usano per valutare le prestazioni dello spectrum sensing?

La ricerca sullo spectrum sensing si concentra su due metriche principali: la probabilità di rilevamento (Pd) e la probabilità di falso allarme (Pfa). Il sensing cooperativo, in cui gli agenti inviano i risultati a un Fusion Center, viene impiegato proprio per migliorare queste metriche.