贝叶斯推理辅助机器学习用于5G新空口中的近实时干扰检测与分类
信号处理
2024-10-28 v2
摘要
5G新空口(NR)中频谱接入的灵活性与密度增加，使得干扰检测与分类成为一个关键的研究领域。为检测共存的干扰与细微干扰，我们引入了一种贝叶斯推理辅助的机器学习(ML)方法。我们的方法利用在非独立组网(NSA) 5G NR测试床上收集的交叉层关键信令关键性能指标数据来运用监督学习模型，并进一步通过基于贝叶斯网络模型(BNM)的推理进行评估、校准与揭示。这些模型可在瞬时与序列时间序列数据样本上运行，针对各种干扰场景，瞬时模型曲线下面积(AUC)高于0.954，序列模型(包括储层计算(RC)家族中的回声状态网络(ESN))高于0.988。我们的方法不仅可作为基于ML的干扰检测的验证方法与弹性增强工具，还能对任何观测到的性能下降进行根因识别。所引入的基于BNM的推理概念验证成功处理了RC基序列检测模型因观测期内收集的训练数据样本不足而导致的72.2%的错误预测，从而证明了其在5G NR及超5G(B5G)网络基础设施与用户设备中的适用性。
引用
@article{arxiv.2304.13660,
title = {Bayesian Inference-assisted Machine Learning for Near Real-Time Jamming Detection and Classification in 5G New Radio (NR)},
author = {Shashank Jere and Ying Wang and Ishan Aryendu and Shehadi Dayekh and Lingjia Liu},
journal= {arXiv preprint arXiv:2304.13660},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication