PRONTO：利用神经网络通过粗同步降低前导开销
机器学习
2023-04-04 v3 网络与互联网体系结构
摘要
在基于IEEE 802.11 WiFi的波形中，接收机利用前导的第一个字段即传统短训练字段（L-STF）进行粗时间与频率同步。L-STF占据高达40%的前导长度并消耗高达32微秒的空口时间。以降低通信开销为目标，我们提出了一种改进波形，通过消除L-STF来缩短前导长度。为解码该改进波形，我们提出了一种称为PRONTO的基于神经网络（NN）的方案，利用其他前导字段（具体为传统长训练字段（L-LTF））进行粗时间与频率估计。我们的贡献有三方面：（i）我们提出PRONTO，其特色为用于包检测与粗载波频偏（CFO）估计的定制卷积神经网络（CNN），以及用于鲁棒训练的数据增强步骤。（ii）我们提出一种通用决策流程，使PRONTO与包含标准L-STF的传统波形兼容。（iii）我们在由软件定义无线电（SDR）测试床获取的空口WiFi数据集上验证了结果。我们的评估显示，PRONTO能以100%准确率进行包检测，并以小至3%的误差进行粗CFO估计。我们证明PRONTO可提供高达40%的前导长度缩减且无误码率（BER）退化。我们进一步表明，PRONTO在新环境中无需重新训练CNN即可达到相同性能。最后，我们通过GPU并行化相较相应仅CPU实现所实现的加速进行了实验展示。
引用
@article{arxiv.2112.10885,
title = {PRONTO: Preamble Overhead Reduction with Neural Networks for Coarse Synchronization},
author = {Nasim Soltani and Debashri Roy and Kaushik Chowdhury},
journal= {arXiv preprint arXiv:2112.10885},
year = {2023}
}