Rozproszone wykrywanie zajętości widma oparte na uczeniu federacyjnym

• Autorzy: Kułacz Łukasz , Kliks Adrian

Identyfikatory

DOI

10.15199/59.2024.4.10

Warianty tytułu

EN

Distributed spectrum occupancy detection based on federated learning

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Wykrywanie zajętości widma jest kluczowym zagadnieniem umożliwiającym dynamiczny dostęp do widma. Współcześnie w celu polepszenia detekcji popularne są rozwiązania z obszaru uczenia maszynowego, w tym uczenia federacyjnego (FL). Głównym wyzwaniem w tym kontekście jest ograniczony dostęp do danych treningowych. W pracy przedstawiono podejście rozproszone FL, skupiając się na węzłach pozbawionych dostępu do danych uczących. Omówiono wyniki eksperymentu sprzętowego polegającego na wykrywaniu sygnału DVB-T.

EN

Spectrum occupancy detection is a key enabler for dynamic spectrum access, where machine learning algorithms are successfully utilized for detection improvement. However, the main challenge is limited access to labeled data about users’ transmission presence needed in supervised learning models. We present a distributed federated learning approach that addresses this challenge for sensors without access to learning data. The paper discusses the results of the conducted hardware experiment, where FL has been applied for DVB-T signal detection.

Słowa kluczowe

PL

zajętość widma; dostęp do widma; uczenie federacyjne; uczenie maszynowe

EN

spectrum occupancy; dynamic spectrum access; federated learning; machine learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 69--72
• Opis fizyczny: Bibliogr. 9 poz., rys.

Twórcy

autor

Kułacz Łukasz

• Politechnika Poznańska, Poznań

autor

Kliks Adrian

• Politechnika Poznańska, Poznań

Bibliografia

• [1] Abdulrahman Sawsan, Tout Hanine, Ould-Slimane Hakima, Mourad Azzam, Talhi Chamseddine, Guizani Mohsen. 2021. ”A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site Learning and Beyond”. IEEE Internet of Things Journal; 8(7): 5476-5497.
• [2] Arjoune Youness, Kaabouch Naima. 2019. ”A Comprehensive Survey on Spectrum Sensing in Cognitive Radio Networks: Recent Advances, New Challenges, and Future Research Directions”. Sensors 2019; 19 (1) : 126.
• [3] Dudda Torsten, Irnich Tim. 2012. ”Capacity of cellular networks deployed in TV White Space”. IEEE International Symposium on Dynamic Spectrum Access Networks. Bellevue USA; str. 254-265.
• [4] Haykin Simon. 2005. ”Cognitive radio: brain-empowered wireless communications”. IEEE Journal on Selected Areas in Communications 23 (2) : 201- 220.
• [5] Liang Ying-Chang, Chen Kwang-Cheng, Ye Li, Mahonen Petri. 2011. ”Cognitive radio networking and communications: an overview”. IEEE Transactions on Vehicular Technology 60 (7) : 3386-3407.
• [6] Kułacz Łukasz, Kliks Adrian. 2023. ”Federated Learning-Based Spectrum Occupancy Detection”. Sensors 2023; 23 (14) : 6436.
• [7] Rekkas Vasileios, Sotiroudis Sotirios, Sarigiannidis Panagiotis, Wan Shaohua, Karagiannidis George, Goudos Sotirios. ”Machine Learning in Beyond 5G/6G Networks—State-of-the-Art and Future Trends”. Electronics. 2021; 10(22):2786.
• [8] Yucek Tevfik, Arslan Huseyin. 2009. ”A survey of spectrum sensing algorithms for cognitive radio applications”. IEEE Communications Surveys & Tutorials 11(1) : 116-130.
• [9] Wasilewska Małgorzata, Bogucka Hanna, Kliks Adrian. ”Federated Learning for 5G Radio Spectrum Sensing”. Sensors. 2022; 22(1):198.