Tesis:
A Hybrid Radio Approach for Resource-Constrained End-Devices in Cognitive Networks
- Autor: UTRILLA GUTIÉRREZ, Ramiro
- Título: A Hybrid Radio Approach for Resource-Constrained End-Devices in Cognitive Networks
- Fecha: 2021
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS DE TELECOMUNICACION
- Departamentos: INGENIERIA ELECTRONICA
- Acceso electrónico: http://oa.upm.es/67535/
- Director/a 1º: ARAUJO PINTO, Álvaro
- Resumen: The number of wireless devices, as well as the data traffic they generate, continues to grow at an unprecedented rate. Furthermore, these devices usually operate in the same frequency bands, substantially increasing their occupancy. As a result, spectrum scarcity is nowadays one of the essential challenges faced by wireless communications service providers. Cognitive radio and edge computing are two of the main paradigms proposed to address this problem by increasing communications efficiency and data processing on end-devices. However, there are fundamental limitations for approaching both paradigms from the perspective of resource-constrained end-devices, which in the coming years will be the largest subsegment within wireless devices. The main objective of this thesis was to analyze these limitations and propose and assess the technical feasibility of an alternative approach to overcome them. First, the hardware architectures of current end-devices and Software-Defined Radio (SDR) systems were studied. This allowed us to identify the architectural constraints and desirable characteristics of each of them for the challenges that end-devices currently face. Additionally, to delve into the limitations of end-devices, we extended this analysis with an empirical study of the effects of increasing their load of processing and communication tasks. Our results show that increasing this load may result in the appearance of a series of cross-effects between both types of tasks and significantly affect their performance. The findings of this phase of the thesis motivated the search for an alternative solution. The main contribution of this thesis is a hybrid radio approach for resourceconstrained end-devices in cognitive networks. This approach was conceived to simultaneously address the energy-efficiency requirements of these devices and the hardware flexibility demanded by the current challenges of cognitive radio and edge computing. Specifically, we propose to provide these devices with the ability to operate both as a current end-device and as an SDR system, and to dynamically switch their mode of operation, exploiting hardware processing and SDR capabilities only for those actions that strictly require them, and operating as a low-power end-device for the remaining tasks. Possible sporadic uses of SDR operation include: spectrum sensing, network synchronization, dynamic spectrum access, or hardware acceleration of critical tasks. To assess the technical feasibility of the proposed approach, we designed, implemented and evaluated MIGOU, a low-power hybrid radio experimental platform. The power consumption of this platform was measured in its different modes of operation. These measurements were compared with the corresponding ones of other representative platforms: a resource-constrained end-device, a low-power SDR system, and two widely used high-performance SDR platforms. In addition, the hardware features of all these devices were compared. The results obtained confirm that a state-of-the-art tradeoff between hardware flexibility and energy efficiency is achieved with our hybrid radio approach. Finally, as a real use case to better understand the multiple challenges that arise when adapting existing techniques to this new type of device, we addressed a widely studied problem in the cognitive radio field from the perspective of a hybrid radio end-device, that is, considering its limitations. We focus on the Automatic Modulation Classification (AMC), as an integral part of intelligent radio systems. Specifically, we conducted a study on how multiple parameters affect the classification accuracy and memory footprint of a reference deep learning model for AMC. From this study, we propose a new solution simpler than the reference one. We trained and tested our solution with over-the-air measurements of real radio signals. Our results show that the proposed solution has a memory footprint of 73.5 kBytes and achieves a classification accuracy of 92.4%, which is an improvement of 51.74% and 8.7% respectively compared to the reference method. These results confirm the feasibility of approaching AMC from the perspective of a resource-constrained hybrid radio end-device, both for its ability to acquire raw radio signals and for the memory footprint of the solution. ----------RESUMEN---------- El número de dispositivos inalámbricos, así como el tráfico de datos que generan, continúa creciendo a un ritmo sin precedentes. Además, estos dispositivos suelen operar en las mismas bandas de frecuencia, aumentando sustancialmente su ocupación. Como resultado, la escasez de espectro es hoy en día uno de los desafíos esenciales que enfrentan los proveedores de servicios de comunicaciones inalámbricas. La radio cognitiva y la computación de borde son dos de los principales paradigmas propuestos para abordar este problema mediante el incremento de la eficiencia de las comunicaciones y el procesamiento de datos en los dispositivos finales. Sin embargo, existen limitaciones fundamentales para abordar ambos paradigmas desde la perspectiva de los dispositivos finales con recursos limitados, que en los próximos años será el subsegmento más grande dentro de los dispositivos inalámbricos. El objetivo principal de esta tesis ha sido analizar estas limitaciones y proponer y evaluar la viabilidad técnica de un enfoque alternativo para superarlas. En primer lugar, se estudiaron las arquitecturas hardware de los dispositivos finales y de los sistemas de radio definida por software (SDR). Esto nos permitió identificar las limitaciones arquitecturales y las características deseables de cada uno de ellos para los desafíos que enfrentan actualmente los dispositivos finales. Adicionalmente, para profundizar en las limitaciones de estos dispositivos, ampliamos este análisis con un estudio empírico de los efectos de aumentar su carga de tareas de procesamiento y comunicación. Nuestros resultados muestran que este aumento puede derivar en la aparición de una serie de efectos cruzados entre ambos tipos de tareas y afectar significativamente a su rendimiento. Los hallazgos de esta fase de la tesis motivaron la búsqueda de una solución alternativa. La principal contribución de esta tesis es un enfoque de radio híbrida para dispositivos finales con recursos limitados en redes cognitivas. Este enfoque ha sido concebido considerando simultáneamente los requisitos de eficiencia energética de estos dispositivos y de flexibilidad hardware que exigen los desafíos actuales de la radio cognitiva y la computación de borde. Específicamente, se propone dotar a estos dispositivos de la capacidad de operar como un dispositivo final actual y como un sistema SDR, y cambiar dinámicamente su modo de operación, explotando el procesamiento hardware y las capacidades SDR solo para aquellas acciones que estrictamente lo requieran y operando como un dispositivo final de bajo consumo el resto del tiempo. Los posibles usos esporádicos de la operación SDR incluyen: sensado espectral, sincronización de red, acceso dinámico al espectro o aceleración hardware de tareas críticas. Para verificar la viabilidad técnica del enfoque propuesto, diseñamos, implementamos y evaluamos MIGOU, una plataforma experimental de radio híbrida. El consumo de energía de esta plataforma se midió en sus diferentes modos de operación. Estas medidas se compararon con las correspondientes de otras plataformas representativas: un dispositivo final con recursos limitados, un sistema SDR de bajo consumo y dos plataformas SDR de alto rendimiento de uso común. Además, se compararon las características hardware de todos estos dispositivos. Los resultados obtenidos confirman que nuestro enfoque de radio híbrida logra un equilibrio único entre flexibilidad hardware y eficiencia energética. Finalmente, como caso de uso real para comprender mejor los múltiples desafíos que surgen al adaptar las técnicas existentes a este nuevo tipo de dispositivo, abordamos un problema ampliamente estudiado en el campo de la radio cognitiva desde la perspectiva de un dispositivo final de radio híbrida, es decir, considerando sus limitaciones. Nos centramos en la clasificación automática de modulaciones (AMC), como parte integral de los sistemas de radio inteligentes. En concreto, realizamos un estudio sobre cómo afectan múltiples parámetros en la precisión de la clasificación y en la huella de memoria de un modelo AMC de referencia basado en aprendizaje profundo. A partir de este estudio, proponemos una nueva solución más simple que la de referencia. Esta se entrena y prueba con señales de radio reales. Los resultados obtenidos muestran que la solución propuesta tiene una huella de memoria de 73,5 kBytes y alcanza una precisión de clasificación del 92,4%, lo que supone una mejora del 51,74% y 8,7% respectivamente en comparación con el método de referencia. Estos resultados confirman la viabilidad de abordar la AMC desde la perspectiva de un dispositivo final de radio híbrida con recursos limitados, tanto por su capacidad para adquirir señales de radio en bruto como por la huella de memoria de la solución.