WiFi网络中的持续弱干扰检测：一种基于深度学习的方法
信号处理
2022-05-24 v1
摘要
本文探讨使用多种深度学习技术检测WiFi网络中的弱干扰。鉴于所涉干扰信号电平较低，该场景往往难以检测。然而，即便超过20 dB的信干比也会导致显著的吞吐量下降与时延。此外，由此产生的包错误率可能不足以迫使WiFi网络回退至更鲁棒的物理层配置。直接应用于采样射频数据的深度学习有望以远低于连续干扰消除的成本实现检测，这对实时持续网络监测十分重要。本工作探讨的技术包括最大softmax概率、距离度量学习、变分自编码器与自回归对数似然。我们还引入这些技术的广义离群暴露概念，并展示其在弱干扰检测中的重要性。结果表明，借助离群暴露，最大softmax概率、距离度量学习与自回归对数似然能够可靠检测低于802.11规定最小灵敏度电平20 dB以上的干扰。我们认为这为实时持续网络监测提供了一种独特的软件方案。
引用
@article{arxiv.2205.11360,
title = {Persistent Weak Interferer Detection in WiFi Networks: A Deep Learning Based Approach},
author = {Andrew Adams and Richard F. Obrecht and Miller Wilt and Andrew Adams and Richard F. Obrecht and Miller Wilt and Daniel Barcklow and Bennett Blitz and Daniel Chew},
journal= {arXiv preprint arXiv:2205.11360},
year = {2022}
}
备注
13 pages, 9 figure, 6 tables