기계학습을 활용한 효율적인 스펙트럼 센싱 기법

Abstract

과거 주파수 사용은 한정된 분야에서만 사용이 되었다. 방송과 통신에서만 주파수를 사용하였기에 주파수 자원에 대한 중요도가 적었다. 최근 무선 응용 기술들의 비약적인 발전에 따라 농업, 교통, 국방 등 다양한 분야에서 주파수 자원의 수요가 증가하고 있다. 무선 응용 기술의 발전으로 인하여 주파수는 한계가 존재하지만 주파수 자원의 수요는 계속되고 있다. 따라서 GHz 이하 대역에서 주파수 할당 경쟁이 매우 심하다. 그런데, 이미 할당 되어진 주파수 대역을 보면 특정 주파수 부분에만 몰려있고 대부분의 주파수 대역에서는 아직 효율적으로 활용되지 못하고 있다. 따라서 주파수 효율을 높이기 위한 무선 기술들이 많이 개발되고 있다. 미국 FCC(Federal Communication Comission)의 주파수 스펙트럼 이용현황 조사에 따르면 주파수 자원의 효율은 30%밖에 안된다. 주파수 자원이 한정적이지만 수요의 증가에 따라 효율적으로 사용 할 수 있는 기술이 필요하다.

이러한 주파수 자원의 효율적 사용을 위해 제안된 기술로 Cognitive Radio(CR)이 있다. CR은 주파수가 할당 되어 있지만 권한을 가진 사용자 Primary User(PU)가 사용하지 않은 시간대에는 비어있는 주파수 자원을 이용하여 권한이 없는 사용자 Secondary User(SU)가 사용할 수 있도록 하는 통신 기술이다. SU는 비어있는 주파수 자원을 통하여 통신해야 하기 때문에 주변 환경을 센싱하여 PU의 사용 유무를 인지해야한다. 이때 PU가 주파수 사용을 하게 되면 다시 비워주어야 한다.

본 논문에서는 PU의 위치, 장애물의 유무, 낮은 SNR 환경에서의 Sensing 효율을 높이기 위한 Proxy SU를 설치한다. Proxy SU를 사용하게 되면 Cooperative Spectrum Sensing이 같이 선행이 되는데 기존의 PU와 더불어 Fusion Center에서 기존의 SU들과 새로 설치하게 되는 Proxy SU들의 값들을 더하여 기존의 연구보다 더 나은 FC에서의 Classification 수행을 보여준다.

제안하는 방법을 검증하기 위해 Matlab을 활용하여 Cognitive Radio에 대한 환경을 만들어 기계학습에 필요한 Data를 추출한다. 추출된 Data를 가지고 Fusion Center 안에서 기계학습을 통한 기존의 연구들에 비해 더 높은 Detection 확률을 제안한다.