Classificando Sinais no Wi-Fi 6 e 5G

A tecnologia sem fio cresceu rápido, fazendo com que seja super importante usar o espectro de rádio de forma inteligente. Vários métodos, tipo massive MIMO e rádio cognitivo, estão sendo analisados pra ajudar com esse problema. Uma parte chave do rádio cognitivo é a detecção de espectro. Isso permite que os dispositivos entendam como o espectro de rádio tá sendo usado em tempo real e tomem decisões sobre como usar melhor. Esse artigo foca em classificar os sinais usados em sistemas populares de comunicação sem fio como Wi-Fi 6 e 5G.

#O que é OFDM?

Ortogonal Frequency Division Multiplexing (OFDM) é um método usado em muitos sistemas de comunicação modernos. Ele manda dados por vários subcanais menores, o que ajuda a evitar interferência e melhora a confiabilidade. Nos sistemas OFDM, os dados são primeiro convertidos em símbolos, que são então enviados por diferentes portadoras.

Tanto o Wi-Fi 6 quanto o 5G usam OFDM. Nesses sistemas, os bits de informação são transformados em símbolos digitais usando uma técnica chamada Modulação de amplitude em quadratura (QAM). Muitos símbolos são enviados de uma vez, então uma única amostra no tempo contém só uma parte pequena da informação de um símbolo OFDM.

#O Desafio com a Classificação de Modulação

Por causa de como o OFDM funciona, identificar o tipo de modulação pode ser bem complicado. Métodos tradicionais feitos pra sistemas de comunicação mais simples não funcionam bem pros sinais OFDM. Um classificador que consegue identificar com precisão a modulação dos sinais de Wi-Fi 6 e 5G tem que fazer mais do que só olhar pra amostras brutas no domínio do tempo.

Em um receptor comum, o sistema tem acesso a informações específicas sobre o sinal que tá sendo enviado. Mas um sensor de espectro não tem essa vantagem. Ele precisa classificar a modulação sem saber os detalhes do sinal, como os tamanhos da Transformada Rápida de Fourier (FFT) ou os comprimentos do Prefixo Cíclico (CP). Essa falta de informação dificulta identificar o esquema de modulação.

#Como Esse Estudo Funciona

Esse estudo apresenta uma solução pra classificar a modulação dos sinais de Wi-Fi 6 e 5G. O método proposto não precisa de nenhum conhecimento prévio dos sinais, como a frequência portadora ou informações de controle. Em vez disso, ele se baseia na estrutura básica do OFDM e estima os parâmetros necessários, como o comprimento do CP e o espaçamento entre as portadoras.

O objetivo é identificar esquemas de modulação nos sinais de Wi-Fi 6 e nos canais compartilhados de downlink do 5G. Esse método funciona pra configurações de entrada única e saída única (SISO) e foca em frequências abaixo de 7,125 GHz.

Pra estimar os parâmetros, o estudo usa um método chamado função de autocorrelação cíclica (CAF). Essa técnica ajuda a detectar sequências repetidas em sinais sem fio, o que permite uma estimativa precisa dos parâmetros.

#Estimando o Prefixo Cíclico e o Espaçamento entre Portadoras

Uma das principais tarefas é estimar o comprimento do prefixo cíclico e o espaçamento entre as portadoras. A técnica CAF é usada pra isso. O prefixo cíclico é uma parte repetida do símbolo OFDM. Analisando a autocorrelação do sinal, dá pra identificar o comprimento do prefixo cíclico e o espaçamento entre as portadoras.

Essa pesquisa mostra que métodos simples de sincronização podem não funcionar sempre, especialmente quando se usa apenas o prefixo cíclico. Pra melhorar a precisão, o estudo elimina os erros de sincronização examinando diferenças de fase entre dois símbolos OFDM consecutivos.

#Construindo Recursos pra Classificação

Uma vez que os parâmetros necessários são estimados, o próximo passo é criar recursos que representem claramente os diferentes esquemas de modulação. Os recursos precisam ser robustos contra erros de sincronização.

Nesse processo, o método de extração de recursos foca em capturar as características de modulação com base na sequência amostrada no domínio do tempo. O primeiro objetivo é garantir que a sequência amostrada esteja totalmente dentro de um único símbolo OFDM. O segundo objetivo é eliminar qualquer desvio de fase causado por erros de sincronização.

Os recursos são convertidos em um histograma 2D que mostra a distribuição de fase e amplitude. Esse histograma serve como entrada pra um classificador baseado em rede neural convolucional (CNN).

#O Classificador de Rede Neural Convolucional

O classificador é projetado pra processar os histogramas 2D criados durante a fase de extração de recursos. As CNNs são um tipo de rede neural que funciona bem pra classificar dados visuais. Nesse caso, elas conseguem distinguir entre diferentes esquemas de modulação com base na representação do histograma dos recursos.

O classificador passa por duas etapas de processamento antes que o histograma seja inserido. Primeiro, as diferenças de fase são ajustadas pra remover rotações que não mudam as características reais do sinal. Em seguida, um histograma normalizado da distribuição de amplitude é criado, o que ajuda o classificador a entender a modulação melhor.

#Testando o Classificador

Pra avaliar quão bem o sistema de classificação proposto funciona, são usados dados sintéticos e do mundo real. Os dados sintéticos são gerados sob várias condições, como diferentes razões sinal-ruído (SNR). Os dados do mundo real são capturados usando rádios definidos por software em ambientes sem fio reais.

O desempenho do classificador é medido pela precisão com que identifica diferentes formatos de modulação sob diferentes condições de ruído. Descobriu-se que, tanto nos dados sintéticos quanto nos dados do mundo real, o método consegue alcançar uma precisão mínima de 97% quando a SNR tá acima do mínimo necessário pra comunicação confiável.

#Resultados da Precisão da Classificação

Os resultados mostram que o método proposto pra classificar sinais de modulação funciona bem sob várias condições. Com dados sintéticos, a precisão na estimativa de parâmetros e na identificação de esquemas de modulação permanece alta. Pra dados medidos do mundo real, os resultados também são promissores, mostrando que o sistema consegue se adaptar a diferentes configurações sem precisar de conhecimento prévio do sinal transmitido.

Em particular, foi constatado que esquemas de modulação de alta ordem, como 256QAM e 1024QAM, que são frequentemente usados em protocolos de ponta, podem ser reconhecidos com precisão pelo classificador. Isso é um avanço significativo pra aplicações de detecção de espectro.

#Conclusão

Esse estudo mostra que é possível desenvolver um classificador robusto pra identificar a modulação dos sinais de Wi-Fi 6 e 5G sem precisar de nenhum conhecimento específico prévio do formato de transmissão. Ao aproveitar técnicas como autocorrelação cíclica e usar um classificador baseado em CNN, o método estimou com sucesso parâmetros importantes e classificou esquemas de modulação de forma eficaz.

A integração de técnicas avançadas de aprendizado de máquina com métodos tradicionais de processamento de sinal representa uma abordagem promissora pra futuros desenvolvimentos em sistemas de comunicação sem fio. À medida que a tecnologia sem fio continua a evoluir, essas técnicas vão ter um papel crucial em garantir o uso eficiente do espectro de rádio e melhorar o desempenho das redes sem fio.