深度调制（Deepmod）：一种用于弹性数字通信的自学习物理层
信号处理
2019-08-30 v1
摘要
传统物理（PHY）层协议包含经过数学优化的信号处理模块链，以在噪声信道上高效传输信息比特。不幸的是，这种最优性助长了无线通信技术的普及，并因底层物理层知识广为人知而增加了灾难性网络或物理攻击的潜在风险。此外，针对一种信道介质的最优信号处理若不经软件协议的重大改动，便无法适用于另一种介质。任何真正具有弹性的通信协议都必须能够即时重新部署，以满足各种可能信道介质中的服务质量（QoS）要求。与许多使用不可变人造信号处理模块的传统方法相反，本工作提出通过所谓deepmod的机器学习框架实时生成专用模块，该框架仅与所使用的具体信道介质相关。采用此方法，传统信号处理模块被机器学习图所替代，这些图按需训练、使用并丢弃。我们的实验表明，deepmod使用相同的机器智能，可在包括射频（RF）、电力线通信（PLC）和声学信道在内的差异巨大的信道上收敛到可行通信链路。
引用
@article{arxiv.1908.11218,
title = {Deep Modulation (Deepmod): A Self-Taught PHY Layer for Resilient Digital Communications},
author = {Adam Anderson and Steven R. Young and F. Kyle Reed and Jason M. Vann},
journal= {arXiv preprint arXiv:1908.11218},
year = {2019}
}
备注
8 pages