Spectrum Sensing: как ИИ, когнитивное радио и сети 5G/6G распознают занятость частот

Спектр-сенсинг позволяет системе видеть, какие частоты заняты, а какие свободны, и лежит в основе когнитивного радио, динамического доступа к спектру и осведомлённости о спектре в 5G/6G. Разбираю, как это работает, какие есть методы и почему ИИ меняет правила игры.

Что такое спектр-сенсинг и почему это важно?

Спектр-сенсинг (spectrum sensing) — это процесс, при котором система наблюдает радиочастотную активность вокруг себя и определяет, какие частоты заняты, а какие свободны. Это базовая способность когнитивных радиосетей (CRN), механизмов динамического доступа к спектру и систем осведомлённости о спектре в сетях 5G/6G. Без неё вторичный пользователь не может безопасно занять «спектральную дыру» — свободный участок диапазона.

Ключевая идея в том, что когнитивное радио (CR) должно не только найти свободный канал, но и вовремя уступить его, когда возвращается первичный пользователь (PU). Спектр-сенсинг часто формулируют как задачу проверки бинарной гипотезы: вторичный пользователь (SU) решает, присутствует ли сигнал первичного пользователя. От правильности этого решения зависит и пропускная способность, и отсутствие помех чужой сети.

Осведомлённость о спектре нужна не только операторам. Регуляторы и исследовательские организации используют мониторинг спектра для анализа фактической занятости диапазонов, а производители оборудования — для построения адаптивных радиосистем. Именно поэтому тема охватывает определения, методы, метрики, наборы данных и аппаратные платформы.

Как работает спектр-сенсинг в когнитивных радиосетях?

Когнитивное радио выполняет спектр-сенсинг, чтобы определить, присутствует ли сигнал первичного пользователя, — обычно это проверка бинарной гипотезы. Затем оно адаптирует параметры передачи: частоту, мощность, схему модуляции — на основе наблюдений в реальном времени. Когда первичный пользователь возвращается, вторичный обязан освободить диапазон.

Помимо простого обнаружения занятости, сенсинг измеряет уровень помех, силу сигнала и шума, идентифицирует источники излучения и модели использования, а результаты передаются в механизмы координации. Такой цикл «наблюдение — решение — передача» и делает радио когнитивным.

В кооперативных схемах в каждом кадре периодически выделяются интервалы для спектр-сенсинга: агенты сообщают результаты в Fusion Center (центр объединения данных), который принимает решение о занятости и распределяет каналы. Это снижает вероятность ошибки отдельного сенсора.

Традиционные методы: энергетическое, согласованное и циклостационарное обнаружение

Классические техники спектр-сенсинга различаются по сложности и требованиям к априорной информации. Энергетическое обнаружение (energy detection) измеряет энергию сигнала в полосе и не требует знания структуры сигнала, поэтому оно самое простое и распространённое. Его слабое место — плохая работа при низком отношении сигнал/шум (SNR).

Согласованная фильтрация (matched filtering, когерентное обнаружение) использует известные характеристики сигнала и даёт лучшие результаты при низком SNR, но требует предварительного знания формы сигнала. Циклостационарное обнаружение опирается на статистические свойства сигнала, оно устойчивее, но вычислительно сложнее.

На практике выбор метода — это компромисс между точностью, сложностью и доступностью априорных данных. Ниже — сравнение основных подходов по ключевым параметрам.

На производительность обнаружения также влияют оконные функции при спектральном анализе и ядерные функции для квадратичных время-частотных представлений. Эти детали часто недооценивают, хотя они напрямую меняют вероятность правильного решения.

ИИ и машинное обучение в спектр-сенсинге

Методы машинного обучения показывают заметное улучшение по сравнению с классическими детекторами, а главная сложность — выбор наилучших признаков. Глубокое обучение идёт дальше: применяются семантические сегментационные сети для распознавания сигналов 5G и LTE и ConvLSTM для сенсинга при очень низком SNR.

Компания DeepSig развивает ИИ-осведомлённость о спектре. Её пакет OmniSIG включает Engine (библиотека ИИ-обнаружения и классификации сигналов, не зависящая от процессора), Studio (подготовка RF-данных и обучение моделей), Analytics (аналитика и визуализация в реальном времени), Direction Finding и Model Hub. Заявлены обнаружение в 1000 раз быстрее, идентификация неизвестных сигналов, широкополосное покрытие и анализ время-частотных нейросетей без необходимости обучения.

DeepSig получила грант NTIA на интеграцию ИИ-возможностей SDR в коммерческие Open Radio Units (O-RU) с доставкой широкополосного спектр-сенсинга в реальном времени через интерфейс fronthaul O-RAN. Это пример того, как ИИ-сенсинг переходит из лабораторий в серийное оборудование.

Кооперативный и распределённый спектр-сенсинг

В кооперативном сенсинге все спектральные агенты отправляют результаты в Fusion Center, который объединяет информацию и принимает решение о занятости спектра. Это повышает вероятность обнаружения и снижает ложные срабатывания по сравнению с одиночным сенсором.

Однако централизованная постобработка данных вносит задержку, снижает точность и потребляет избыточную полосу. Альтернатива — ИИ-сенсинг, встроенный на периферию (edge), который обеспечивает работу в реальном времени с низкой задержкой.

Распределённые системы также применяются для идентификации и геолокации излучателей и распределённого формирования лучей. Например, проект RadioHound в University of Notre Dame нацелен на сверхдешёвые сенсоры (около $1) с низким энергопотреблением (сотни милливатт).

Аппаратные платформы и параметры сенсоров

Аппаратная часть спектр-сенсинга — это отдельное поле для инженерных компромиссов. Проект RadioHound использует 1-битный измеритель RSSI, настройку частоты от 25 МГц до 6 ГГц и допускает плотность сенсоров в три раза выше, чем у идеальных сенсоров с бесконечным динамическим диапазоном.

Ради упрощения в таких сенсорах опускают LNA, применяют смесители на одной диоде со «starved-LO», допускают зеркальное сворачивание спектра и используют однобитные пороговые детекторы. Ниже — сводка ключевых параметров.

NIST Communications Technology Laboratory (CTL), Wireless Networks Division ведёт R&D в области сенсорных технологий, инфраструктуры мониторинга и анализа занятости спектра. В фокусе — диапазон 3,5 ГГц, циклостационарный и согласованный сенсинг, платформы SDR, ADC, базы данных занятости спектра, GUI/API и калибровка недорогих сенсоров.

Метрики производительности: Pd, Pfa и вызов низкого SNR

Исследования спектр-сенсинга обычно опираются на две главные метрики: вероятность обнаружения (Pd) и вероятность ложной тревоги (Pfa). Высокая Pd означает, что сигнал первичного пользователя будет замечен, а низкая Pfa — что свободный канал не будет ошибочно объявлен занятым.

Основной вызов — работа при низком SNR, где энергетическое обнаружение теряет эффективность. Здесь помогают методы, использующие известные характеристики сигнала, статистические свойства и машинное обучение.

Кооперативный сенсинг, при котором агенты отправляют результаты в Fusion Center, применяется именно для улучшения этих метрик. Централизованная постобработка при этом добавляет задержку, поэтому всё чаще ставка делается на встроенный ИИ-сенсинг на периферии.

Широкополосный сенсинг и ISAC: куда движется область

Широкополосный спектр-сенсинг остаётся активной областью исследований для когнитивных радиосетей. Он требует анализа больших мгновенных полос, что предъявляет высокие требования к ADC и вычислительным ресурсам.

Отдельное направление — Integrated Sensing and Communications (ISAC), где одна система одновременно и передаёт данные, и «ощущает» среду. Это сближает задачи связи, радиолокации и мониторинга спектра.

Институты и компании, включая NIST, DeepSig, University of Notre Dame и MathWorks, публикуют примеры и инструменты для спектр-сенсинга с глубоким обучением, в том числе для распознавания сигналов 5G и LTE и для радиолокации. MathWorks, например, предлагает примеры для сенсинга с глубоким обучением и для радарных и беспроводных систем.

Практические выводы для инженеров и операторов

Если вы проектируете систему спектр-сенсинга, начните с постановки задачи: что важнее — максимальная Pd, минимальная Pfa или задержка? От этого зависит выбор между энергетическим обнаружением, согласованным фильтром, циклостационарным методом и ИИ-подходом.

Для развёртывания в реальной сети учитывайте, что централизованная обработка данных добавляет задержку и потребляет полосу, тогда как edge-ИИ даёт работу в реальном времени. Аппаратные ограничения — стоимость, энергопотребление и диапазон — часто оказываются решающими.

Наконец, не забывайте о калибровке недорогих сенсоров и о качестве обучающих данных: именно они определяют, насколько хорошо ИИ-модель будет работать в эфире. Эта статья носит информационный характер и не является инвестиционной рекомендацией.

Часто задаваемые вопросы о спектр-сенсинге

Ниже — короткие ответы на самые частые вопросы о спектр-сенсинге, когнитивном радио и метриках производительности.

Спектр-сенсинг — это наблюдение радиочастотной активности вокруг системы, определение занятых и свободных частот. Он лежит в основе когнитивных радиосетей, позволяя вторичным пользователям находить и использовать спектральные дыры, не мешая первичным пользователям.

В когнитивных радиосетях CR выполняет спектр-сенсинг, чтобы понять, присутствует ли сигнал первичного пользователя, обычно в виде проверки бинарной гипотезы. Затем он адаптирует частоту, мощность и модуляцию по наблюдениям в реальном времени и освобождает диапазон при возврате первичного пользователя.

Основные техники — энергетическое обнаружение, согласованный фильтр (когерентное обнаружение) и циклостационарное обнаружение. Энергетическое самое простое, но плохо работает при низком SNR, тогда как статистические и ML-методы используют признаки сигнала для повышения точности.

Для оценки качества обычно используют вероятность обнаружения (Pd) и вероятность ложной тревоги (Pfa). Кооперативный сенсинг, при котором агенты отправляют результаты в Fusion Center, применяется для улучшения этих метрик.

Часто задаваемые вопросы о спектр-сенсинге

Что такое спектр-сенсинг?

Спектр-сенсинг — это процесс, при котором система наблюдает радиочастотную активность вокруг себя и определяет, какие частоты заняты, а какие свободны. Он лежит в основе когнитивных радиосетей и позволяет вторичным пользователям находить и использовать спектральные дыры, не создавая помех первичным пользователям.

Как работает спектр-сенсинг в когнитивных радиосетях?

Когнитивное радио выполняет спектр-сенсинг, чтобы определить, присутствует ли сигнал первичного пользователя, обычно в виде проверки бинарной гипотезы. Затем оно адаптирует частоту, мощность и модуляцию по наблюдениям в реальном времени и освобождает диапазон, когда первичный пользователь возвращается.

Какие основные методы спектр-сенсинга существуют?

К распространённым методам относятся энергетическое обнаружение, согласованный фильтр (когерентное обнаружение) и циклостационарное обнаружение. Энергетическое обнаружение самое простое, но плохо работает при низком SNR, тогда как статистические и ML-методы используют признаки сигнала для повышения точности.

Какие метрики используют для оценки спектр-сенсинга?

В исследованиях спектр-сенсинга обычно используют две главные метрики: вероятность обнаружения (Pd) и вероятность ложной тревоги (Pfa). Кооперативный сенсинг, при котором агенты отправляют результаты в Fusion Center, применяется для улучшения этих метрик.