JP2023526190A - ワイヤレスネットワークにおける適応無線構成 - Google Patents

ワイヤレスネットワークにおける適応無線構成 Download PDF

Info

Publication number
JP2023526190A
JP2023526190A JP2022567041A JP2022567041A JP2023526190A JP 2023526190 A JP2023526190 A JP 2023526190A JP 2022567041 A JP2022567041 A JP 2022567041A JP 2022567041 A JP2022567041 A JP 2022567041A JP 2023526190 A JP2023526190 A JP 2023526190A
Authority
JP
Japan
Prior art keywords
network system
wireless network
packet transmission
incoming packet
samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022567041A
Other languages
English (en)
Inventor
チャクラボーティ、トゥシャー
カペタノヴィッチ、ゼリーナ
ヴァシシュト、ディーパック
チャンドラ、ランヴィール
Original Assignee
マイクロソフト テクノロジー ライセンシング，エルエルシー
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by マイクロソフト テクノロジー ライセンシング，エルエルシー filed Critical マイクロソフト テクノロジー ライセンシング，エルエルシー
Publication of JP2023526190A publication Critical patent/JP2023526190A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/692—Hybrid techniques using combinations of two or more spread spectrum techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • H04L1/0038—Blind format detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0046—Code rate detection or code type detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0262—Arrangements for detecting the data rate of an incoming signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B2001/6912—Spread spectrum techniques using chirp
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

ワイヤレスネットワークシステムが提供される。ワイヤレスネットワークシステムは、着信パケット伝送信号のプリアンブルの一部から伝送レートを検出し、着信パケット伝送信号の残りをその伝送レートで受信するように無線構成を適応させるように構成された処理回路を含む基地局デバイスを含む。

Description

LoRa(Long Range)のような低電力長距離ワイヤレスネットワークは、モノのインターネットの展開についてますます主流になってきている。これらのプロトコルが可能にするアプリケーションの多用性を考慮すると、多くのデータレート及び帯域幅のサポートを有する。しかし、数マイルに及ぶ可能性がある所与のネットワーク展開では、ネットワークオペレータは、ネットワーク内の全てのデバイスが相互に通信するために、同じ構成又は小さいサブセットの構成を指定する必要がある。この画一的な手法は、低電力長距離ネットワークの基地局(ゲートウェイ)に接続されているワイヤレスデバイスのほとんどではないにしても、多くの場合、最適なデータ伝送レートよりもしばしば低くなるので、数マイルに及び何百ものデバイスを有する可能性がある大規模ネットワークでは非常に非効率的である。
着信パケット伝送信号のプリアンブルの一部から伝送レートを検出し、着信パケット伝送信号の残りをその伝送レートで受信するように無線構成を適応させるように構成された処理回路を含む基地局デバイスを含むワイヤレスネットワークシステムが提供される。
この概要は、以下の詳細な説明において更に説明する概念の選択を簡略化された形式で紹介するために提供される。この概要は、特許請求の範囲の主題の主な特徴又は本質的な特徴を特定することを意図するものではなく、特許請求の範囲の主題の範囲を限定するために使用されることを意図するものでもない。さらに、特許請求の範囲の主題は、この開示のいずれかの部分に記載の欠点の一部又は全部を解決する実装に限定されない。
本開示の実施形態によるワイヤレスネットワークシステムの概略図を示す。 図１のワイヤレスネットワークシステムによって分析される伝送パケットの概略図を示す。 図２の伝送パケットを読み取る基地局デバイスの概略図を示す。 図１のような伝送パケットについてのデータレート及びプリアンブル構造を示すグラフを示す。 図１のような伝送パケットについてのデータレート及びプリアンブル構造を示すグラフを示す。 ソフトウェア設計無線で構成された、図３のような基地局デバイスの概略図を示す。 図２のような伝送パケットをサンプリングするためのサンプリング方法を示すグラフを示す。 図２のような伝送パケットをサンプリングするためのサンプリング方法を示すグラフを示す。 図２のような伝送パケットをサンプリングするためのサンプリング方法を示すグラフを示す。 図２のような伝送パケットの適応サンプリングを示すグラフを示す。 図２のような伝送パケットに含まれるLoRaアップチャープ(upchirp)のスペクトル図を示す。 図２のような伝送パケットに含まれるLoRaアップチャープ(upchirp)のスペクトル図を示す。 図２のような伝送パケットに含まれるLoRaアップチャープ(upchirp)のスペクトル図を示す。 図１のワイヤレスネットワークシステムによって使用される伝送パケットのデータ特徴を示すグラフを示す。 図１のワイヤレスネットワークシステムによって使用される伝送パケットのデータ特徴を示すグラフを示す。 図１のワイヤレスネットワークシステムによって使用される伝送パケットのデータ特徴を示すグラフを示す。 図３の基地局デバイスによってサポートされる拡散係数及び帯域幅のサポートされる組み合わせを示すカバレッジマップを示す。 図１のワイヤレスネットワークシステムにおいて使用される多段階人工知能モデルの概略図を示す。 図１１の多段階人工知能モデルにおいて使用されるニューラルネットワークの概略図を示す。 図１１の多段階人工知能モデルにおいて使用されるニューラルネットワークの概略図を示す。 図１のワイヤレスネットワークシステムの精度と他のシステムの精度とを示すグラフを示す。 様々な帯域幅、拡散係数及び位置にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 様々な帯域幅、拡散係数及び位置にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 様々な帯域幅、拡散係数及び位置にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 様々な帯域幅、拡散係数及び位置にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 様々な位置及び時間にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 様々な位置及び時間にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 様々な位置及び時間にわたる図１のワイヤレスネットワークシステムの精度を示すグラフを示す。 本開示の実施形態による方法のフローチャートを示す。 本開示の実施形態による方法のフローチャートを示す。 図１のシステムが実装され得る例示的なコンピュータ環境を示す。
上記の問題に対処するために、図１は、ネットワークデバイスがいずれかのデータレートで伝送することを可能にするように構成された例示的なワイヤレスネットワークシステム100を示す。ワイヤレスネットワークシステム100は、正しいデータレートを分類するためにパケット伝送信号107Aのプリアンブル107A1の最初のいくつかのシンボルを使用し、基地局の無線構成を切り替え、次いでデータを復号する基地局デバイス102を含む。本開示の設計は、クライアントが電力不足でありリソースに制約があるが、基地局デバイス102(すなわち、ワイヤレスゲートウェイ)はそうではない屋外IoT展開における固有の非対称性を活用する(ここで、基地局及びワイヤレスゲートウェイという用語は交換可能に使用される)。ここに開示されるワイヤレスネットワークシステム100は、既存のLoRaプロトコルと後方互換性があり、屋内及び屋外の双方の展開において97%を超える精度で正しい構成を正確に識別する。
第1節:はじめに
LoRaWANのような低電力広域ネットワーク(Low Power Wide Area Network, LPWAN)は、大規模なモノのインターネット(Internet of Things, IoT)の展開についてますます一般的になっている。初期であるにもかかわらず、展開において既にLoRaWANを使用している1億を超えるデバイスが存在し、この数は2023年までに7億3000万を超えると予想されている。LPWANは、他の主流の解決策と比較して低電力で動作でき、長距離で通信でき、低コストである。これらの特性は、このような無線で構成された機器を、都市、農業、森林及び多くの他の産業における低スループットの大規模ネットワークにとって理想的にする。
長距離で多様なデバイス要件をサポートするために、LoRaWANは多くの異なるデータレートで動作できる。データレートは、図４Ａに示すように、LoRa伝送で使用されるチャープ(chirp)の帯域幅(bandwidth, BW)及び拡散係数(spreading factor, SF)の2つのパラメータを使用して構成される。図４Ｂは、8つのアップチャープ及び2つのダウンチャープを有するLoRaプリアンブルのスペクトル図を示す。実際のデータレートはまた、エラー訂正を確保するために使用されるコードレートにも依存する。固定のコードレートが想定される。想定通り、より高い帯域幅は、より高いデータレートを可能にする。拡散係数は、1つのチャープを伝送するために要する時間を定義し、すなわち、より高い拡散係数は、信号を伝送するのにより長い時間を要し、したがって、より低いデータレートを意味する。一般的なLoRa実装は、7.8kHz～500kHzの帯域幅及び7～12の拡散係数(ログスケール)をサポートできる。したがって、7.8kHz及び拡散係数12で伝送するデバイスは、500kHz及び7の拡散係数で伝送するデバイスよりも約1189倍低いデータレートを達成する。
ネットワーク内のデバイスについてのこの幅広い可能性にもかかわらず、現在のパラダイムは、システム設計者が全体のネットワークの帯域幅及び拡散係数の単一の構成設定(又は小さいサブセットの互換性のある構成設定)を構成することを必要とする。すなわち、帯域幅及び拡散係数は全てのデバイスについて同じである。LoRaWAN自動データレート(Automatic Data Rate, ADR)アルゴリズムが提案されているが、収束するのに数時間から数日を要する可能性があり、かなりの制御オーバーヘッドを有し、複数の帯域幅に対処しない。その結果、例えば農場ネットワークにおいて、農場におけるほとんどのネットワーク接続されたセンサであってもトラクタでさえも、通常ではネットワークの最も近いワイヤレス基地局デバイスの近くにあるにもかかわらず、典型的には、農場における最も遠い位置のトラクタのようなデバイスに接続できるように、ネットワークの構成が設定される。この設計選択肢は、ネットワークにおける複雑さを制限し、頻繁なデータレート変更を調整する制御オーバーヘッドを低減する必要性から生じている。しかし、この設計選択肢は、以下に説明する3つの重大な欠点を有する。
ネットワークスループット
LPWANデバイスは広いエリアで動作する。単一のLoRaゲートウェイ(LoRaWANはゲートウェイ・クライアントの動作モードを使用する)は、最大で数千のデバイスで約10kmの範囲をカバーするように設計される。このような大規模な展開では、範囲の終わりにあるデバイスはより低いデータレートをかろうじてサポートできる。その結果、この「画一的な(single-size-fits-all)」設計は、高いデータレートをサポートできるデバイスでさえ、極端に低いデータレートで動作することを強制する。これは、全体のネットワークスループットを低減し、ネットワークがサポートできるデバイスの数を最大で2桁低減する。
展開のオーバーヘッド
ゲートウェイの最適な構成は、ネットワークオペレータによって設定される必要がある。典型的には、これは複数の構成をテストし、全てのクライアントデバイスで動作する構成を選択することによって達成される。このプロセスは技術的な労力を必要とし、常に利用可能であるとは限らない。例えば、農業監視のために遠隔の農村地域にこのようなデバイスを展開する場合である。次に、構成の選択は動的である必要がある。環境の変化又はデバイスの段階的な展開により、この構成は時間の経過とともにデバイスのサブセットについて機能しなくなり、頻繁な更新を必要とする。
モビリティ
IoTデバイスは、トラクタ、バス又はピックアップトラックのような移動車両に搭載されてもよい。最適な構成は車両が移動するにつれて変化し、移動前に予測することは困難である。最も低いデータレート構成が選択されてもよいが、これはネットワークの容量をかなり低減する可能性がある。
ここでは、異なるデータレートで伝送するワイヤレスデバイス101をサポートできる新たなワイヤレスネットワークシステム100が提示される。各ワイヤレスデバイス101は、ワイヤレスデバイス101がワイヤレスデバイス101の構成について基地局デバイス102に事前に、すなわち、ワイヤレス通信を開始する前に通知する必要なく、信号品質及びアプリケーション要件に依存し得る、自身にとって可能な限り最良のデータレートで伝送する。ここで説明する手法は、ワイヤレスデバイス101がいずれかの制御パケットを伝送する必要がなく、LoRaプロトコルへの変更を必要とせず、既存のデバイスとの後方互換性がある(すなわち、LoRaプロトコルを使用するIoTワイヤレスデバイス101のいずれかのハードウェア変更を必要としない)。
ワイヤレスネットワークシステム100は、図５に示すように、ワイヤレスゲートウェイとして機能するワイヤレス基地局104内のLoRaトランシーバの前にソフトウェア定義無線(software-defined radio, SDR)を使用する。SDRはプリアンブルを検出し、プリアンブルから信号の帯域幅及び拡散係数を特定し、LoRa無線の無線構成を適切な設定に調整(すなわち、適応)してパケットを受信する。これは、ワイヤレスゲートウェイがいずれかの構成で動作しているクライアントからパケットを正常に受信することを可能にする。この手法はパケット毎のレベルで動作するので、クライアントの移動によるデータレートの変更及び環境における動的な変更をサポートする。ワイヤレスネットワークシステム100内に、LoRaチャープからの少数のサンプルを使用して、各着信パケット伝送信号107Aについて基地局での正しい無線構成を分類するニューラルネットワークのセットがある。
ここに開示されるワイヤレスネットワークシステム100の構成は、以下の3つの技術的目標と、これらの技術的目標を実際の展開において達成するための関連する課題とに対処する。
感度
LoRa展開の長期的な側面を維持するために、ワイヤレスネットワークシステム100の第1の潜在的な技術的目標は、低い信号対雑音比(signal to noise ratio, SNR)で動作できるようにすることである。
リアルタイム動作
ワイヤレスネットワークシステム100の第2の潜在的な技術的目標は、SDRを介してパケットを検出し、パケット信号の残りを適切に受信するのに十分な時間を有するように、リアルタイムにLoRa無線を再構成し、それによってパケットが失われないことを確保できるようにすることである。
既存の展開との互換性
第3の潜在的な技術的目標は、既存の展開が既存のLoRaデバイスへのプロトコル又はクライアントハードウェアの変更を必要としないためのものであるが、将来の世代のデバイスはこの制約によってそれほど制限されない。
これらの技術的目標を満たすことに関連する課題について以下に説明し、第2節の本開示のシステムの概要が課題の議論に続く。
本開示のワイヤレスネットワークシステム100は、モバイルネットワークにおける基本的なレート適応問題への新しい手法をとる。クライアントデバイス及びゲートウェイが事前にレートについて合意する必要はない。代わりにWi-Fiのような既存のレート適応プロトコルから借りることができると思うかもしれないが、そこでは最低のデータレートが、データレート構成を含むプリアンブルを送信するために使用される。このような手法は、各クライアントが少量のデータを送信する必要がある大規模な展開のためにLPWANが主に設計されているので、LPWANには適していない。さらに、LPWANにおけるデータレート変動はWi-Fiよりも高いので、これは、少量のデータによって高いデータレートで送信されるパケットについて非常に高いオーバーヘッドを引き起こす(最小のデータレートの1つのシンボルは、最高のデータレートの1つのシンボルの1189倍の長さである)。さらに、これはクライアントデバイスの設計にハードウェアの複雑さを加え、LoRaにおいてクライアントによって使用される異なる帯域幅を直接考慮しない。
ワイヤレスネットワークシステム100のゲートウェイは、ユニバーサルソフトウェア無線ペリフェラル(Universal Software Radio Peripheral, USRP)SDRプラットフォームを使用して実装されており、1つの実装では、これはクライアントとして既製のLoRaチップセットで実現できる。ワイヤレスネットワークシステム100は、様々な信号強度のベンチトップ実験、複数の部屋にわたる屋内展開、及び屋外展開のように、広範囲の設定で評価されている。結果を以下にまとめる。
テストにおいて、ワイヤレスネットワークシステム100の構成検出アルゴリズムの構成は、屋内、屋外及びベンチトップ実験でそれぞれ99.8%、95%及び98.2%の精度で、着信パケット伝送信号の正しい符号化パラメータを検出できた。これに対して、自己相関のベースラインは、それぞれ67.4%、67%及び78%の精度を達成する。
ワイヤレスネットワークシステム100は、低いSNRで効果的に動作し続け、信号が140dBを超えて減衰しても94%の精度を達成する。
ワイヤレスネットワークシステム100のアルゴリズムは、新たな環境に対して効果的に一般化でき、時間の経過とともに動的な環境で動作し続ける。5日にわたる実験では、ワイヤレスネットワークシステム100の精度は、わずかな日々の変動があっても常に99%を超えていた。
最後に、ここに開示されるワイヤレスネットワークシステム100は、将来の世代のデバイスに適用できることが認識される。ニューラルネットワークが進化し、より高速なハードウェア実装が開発されるにつれて、ここで説明するアルゴリズムは、電力接続された基地局インフラストラクチャだけにレート適応の負担をシフトする(すなわち、現在の状況のように基地局デバイス102とモバイルワイヤレスデバイス101との双方の協調した構成を必要とするのではなく、ゲートウェイ/基地局デバイス102にシフトする)ように適応でき、それによってバッテリー駆動のモバイルデバイスからレート構成のオーバーヘッドを軽減する。したがって、ここで説明する手法は、低電力広域ネットワークへの適用に限定されるものではなく、現在開発中のいわゆる第6世代(sixth generation, 6G)ワイヤレスネットワークのような高速ネットワークを含む、様々な他のタイプのワイヤレスネットワークにも潜在的に適用できる。
第2節:課題
上記のように、ここに開示されるワイヤレスネットワークシステム100は、感度、リアルタイム動作及び互換性という3つの目的を達成することを目的とする。しかし、これらの目的のそれぞれは単独では困難である。
まず感度について説明する。LPWANプロトコルの感度は、帯域幅に直接関係する。低帯域幅の信号は少ないノイズを受けるので、低い信号強度で受信できる。逆に、より高い帯域幅の信号は、正しく復号されるために受信機におけるより高い信号強度を必要とする。したがって、ワイヤレスネットワークシステム100が低帯域幅で動作するようにそのSDRを構成した場合、感度要件を満たすが、より高い帯域幅で受信された信号を見逃す。他方、ワイヤレスネットワークシステム100がその帯域幅を高く設定し過ぎた場合、より低い帯域幅でより長い距離から来る信号(したがって、より低い信号強度)を見逃す可能性がある。
次に、リアルタイム動作を確保するために、SDRが少しのシンボルだけを使用してパケットの正しい構成を識別することが望まれる。しかし、シンボル自体の長さは、送信機によって使用される構成に依存する。拡散係数12を使用して送信されたシンボルは、6の拡散係数を使用したシンボルの64倍の長さになる。信号が長すぎる期間サンプリングされた場合、最高のデータレートの送信機の全体のパケットを見逃すリスクが存在する。他方、信号が短すぎる期間サンプリングされた場合、低データレートの送信機の正しい符号化パラメータ構成を識別するための十分な情報が存在しない可能性がある。
最後に、後方互換性を確保するために、適切な構成がゲートウェイで設定された後にワイヤレスネットワークシステム100が全体のパケット受信することが望まれる。しかし、これは、信号がゲートウェイに到達する前であっても構成が識別されることを必要とし、一見すると不可能に見えるタスクである。これらの課題が図６において視覚化されている。この図は、受信SDR自体を構成することに関連する課題を示す。図は、相互に比較的近い3つの異なる構成のチャープを示す。さらに際立った違いも存在するが、スケールの大きい違いのため、このようなプロットではこのような際立った違いを視覚的に表現することは困難であることが認識される。図６Ａに示すように、最大帯域幅の1つのシンボルのサンプリングは、高帯域幅信号の小さい部分のみをキャプチャし、感度を低減する。他方、図６Ｂにおける低データレート構成で1つのシンボル長がサンプリングされた場合、高感度は維持されるが、高データレートのシンボル(複数のシンボル)にかなりの遅延を生じる。最後に、全ての可能な構成にわたって、周波数帯域幅及びシンボル期間の双方の最小値が使用されていない理由を疑問に思うかもしれない。これは、低信号強度に対する感度とリアルタイム動作との双方を確保する。しかし、図６Ｃに示すように、このような構成は、いくつかの構成を全て見逃すことになる。
感度とリアルタイム動作との間のこの競合を解決するために、ワイヤレスネットワークシステム100は適応的な手法を採用する。デジタル領域でバンドパスフィルタのセットを使用して、短期間の帯域幅の小さいチャンク(chunk)をサンプリングする。周波数及びこれらの帯域幅の小さいチャンクを使用して、構成を判断するのに十分な長さの信号をキャプチャしたか否か、或いは、より長くサンプリングする必要があるか否かを判断する。ワイヤレスネットワークシステム100はこの判断を行うために、いずれかの構成で2つのシンボルの期間を超えて使用することはない。この概念が図７に示されている。
最後に、既存のハードウェアと互換性を持たせるために、ゲートウェイは構成された後に全体のパケットを受信する必要がある。SDRはゲートウェイを識別するためにプリアンブルの少なくとも一部を使用しているので、この目標は一見不可能ではないにしても困難に見える。この問題を解決するための1つの方法は、ワイヤレスネットワークシステム100の伝送レート決定ゲートウェイ105で時間サンプルをバッファリングし、次いで、基地局014の無線106で再生することである。しかし、これはワイヤレスネットワークシステム100の回路を複雑にし、また、コストを上昇させる。代わりに、この課題を解決するために、LoRaプロトコルにおけるプリアンブル構造が利用される。このシステムの動作にとって重要なのは、パケットのプリアンブル長が動的に構成できるという動作原理である。当然の動作原理は、動的に構成されたプリアンブルが、パケットを検出するために基地局無線によって必要とされるプリアンブル長よりも長くなる可能性があることである。シンボルの残りは、ワイヤレスネットワークシステム100によって構成パラメータを決定し、基地局無線でこれらのパラメータを設定するために使用できる。例えば、基地局は8つのシンボルのプリアンブルを想定するように構成できるが、クライアントは10個のシンボルを使用するように構成できる。これらの余分の2つのシンボルは、ワイヤレスネットワークシステム100の基地局が着信パケット伝送信号の符号化パラメータを予測し、符号化パラメータに基づいて信号を適切に受信するようにLoRa基地局を再構成する目的で割り当てられることができる。次いで、ゲートウェイは残りの信号を使用してパケットを復号できる。アップチャープの数は可変であるので、ゲートウェイはアップチャープのシーケンスとそれに続く2つのダウンチャープを有する完全なプリアンブルを依然として認識し、パケットを正常に復号できる点に留意する。
第3節:LoRa
LoRaはチャープスペクトル拡散(chirp spread spectrum, CSS)技術に基づくLPWANのための物理層の実装である。LoRa変調において、チャープ信号は符号化データシンボルに対して生成される。チャープの周波数は、図８に示すように時間とともに線形的に変化する。帯域幅及び拡散係数の2つのパラメータが有効データレートを定義する。帯域幅は、周波数領域におけるチャープの合計スパンを制御する。拡散係数は、どのくらい長く各チャープが時間領域にあるかを定義する。具体的には、拡散係数SFを有するチャープについて、伝送するために要する時間は2SFに正比例する。
したがって、チャープを伝送するために要する時間Tsは、Ts=2SF/BWで与えられ、BWはチャープであり、SFは拡散係数である。したがって、より高い帯域幅は各チャープの期間を低減し、より高い拡散係数は各チャープの期間を指数関数的に増加させる。
情報のビットを通信するために、送信機はチャープの初期周波数fを変更する。具体的には、シンボル値Sを送信するために、送信機は開始周波数を以下のように設定する。
Figure 2023526190000002
 LoRaは、Sが{0,2,2,、,2SF}の範囲の値を取ることを許容する。したがって、1つのチャープはSF個のビットを通信する1つのシンボルを通信する。その結果、LoRa伝送の有効データレートRは以下のようになる。
Figure 2023526190000003
Figure 2023526190000004
 式2に示すように、帯域幅の増加はデータレートを増加させる。拡散係数の減少はデータレートを増加させる。より高いSFがレートを低下させるのに、そもそもなぜ使用するのだろう思うかもしれない。この理由は、より高いSFがシンボルの期間も増加させ、正しく復号しやすくするためである。
結論として、文献の残りで用語が繰り返される。シンボルは、各チャープによって伝達されるデータの単位である。シンボルの期間は、チャープの期間と同じである。各シンボル又はチャープは、サンプリングレート及びサンプル期間に依存して、複数のサンプルで構成される。例えば、毎秒106個のサンプルのサンプリングレートについて、2ミリ秒のシンボル期間は2000個のサンプルに対応する。
第4節:ワイヤレスネットワークシステム
ここに開示されるワイヤレスネットワークシステム100は、動的なリンク構成をサポートするLoRaのための新たなゲートウェイ設計である。ワイヤレスネットワークシステム100によって、クライアントは、これらの更新された構成をワイヤレス基地局104に通知する必要なく、これらのデータレートを最適化できる。次に、これは、単一のワイヤレス基地局104が性能を妥協することなく、数百のワイヤレスデバイス101を大規模にサポートすることを可能にする。例えば、LoRaネットワーク展開は、基地局デバイス102から半径数マイルにわたって分散しているクライアントデバイスを含むことができる。このカバレッジエリアにわたって、達成可能なスループットは距離及び多様なチャネル条件によって変化する。ワイヤレスネットワークシステム100は、LoRaネットワークが広範囲の構成をサポートすることを可能にするが、そうでなければ、広大なカバレッジエリア内の全てのデバイスをサポートするために性能を妥協する必要がある。
LoRaの性能をより良く理解するために、基地局デバイス102からの距離に関して達成可能な最大データレートを決定するために範囲テストが行われた。図１０は、LoRa基地局とクライアントとの間で信頼できる通信リンクを維持しながらサポートできる最良の構成設定のカバレッジマップを示す。産業キャンパスの設定において、基地局は固定の位置に配置され、キャンパスにわたってクライアントの位置を変化させた。クライアントのワイヤレスデバイスは、20dBの送信電力でLoRaパケットを継続的に伝送し、各位置において符号化パラメータを変化させて、システムの制限をテストした。図１０は、全ての位置にわたってサポートされる最大データレートと、対応するBW及びSFとを示す。重要なことは、サポートされる符号化パラメータにわたって多くの変動が存在し、より動的なネットワークをサポートしたいという要望を正当化することである。
ワイヤレスネットワークシステム100は、データ伝送のためにいずれか所与のクライアントによって使用される帯域幅及び拡散係数を予測するために、ニューラルネットワーク手法を採用することによってこれを実現する。次に、基地局デバイスの無線は、着信パケットを適切に受信して復号するように、それに従って再構成される。ワイヤレスネットワークシステム100の基地局デバイス102のアーキテクチャの1つの図が図５に示されている。図示のように、基地局デバイス102は伝送レート決定ゲートウェイ105を含む。伝送レート決定ゲートウェイ105は、上記のようなSDRであり、着信LoRaパケット伝送を検出するためのパケット検出モジュール110(パケット検出器)と、符号化構成を分類するための分類器112(以下に説明するようなニューラルネットワーク処理ユニットでもよい)と、最後にLoRaWANワイヤレス基地局104と通信して符号化パラメータを更新する無線構成モジュール114との3つの構成要素を有する。LoRaWANワイヤレス基地局104は名称に「基地局」を含み、伝送レート決定ゲートウェイ105は名称に「ゲートウェイ」を含むが、双方が基地局デバイス102として機能し、且つ、WANに接続されたときにWANへのゲートウェイとして機能する単一のデバイスに含まれることが認識される。
図１は、100において、図５に記載の基地局デバイス102が展開され得る、このように記載されたワイヤレスネットワークシステムの一般的な図を示す。図示のように、ワイヤレスネットワークシステム100は、複数のワイヤレスデバイス101(例えば、LoRaWAN構成デバイス)と信号107を使用してワイヤレスネットワーク108(例えば、LoRaネットワーク)を介して通信するように構成された基地局デバイス102を含む。基地局デバイス102は、インターネットのような広域ネットワーク(wide area network, WAN)へのゲートウェイデバイスとして機能するように構成されており、WAN上で、基地局は、例えば、リモートサーバ及びリモートクライアントのようなリムーバブルデバイスと通信してもよい。
基地局デバイス102は、着信パケット伝送信号107Aのプリアンブル107A1の一部から伝送レートを検出し、着信パケット伝送信号107Aの残り107A2をその伝送レートで受信するようにその無線106を適応させるように構成された処理回路103を含む。基地局デバイス102は低電力広域ネットワークを実現するように構成されており、着信パケット伝送信号107AはLoRaWAN通信プロトコルに従ってワイヤレスデバイス101から基地局デバイス102に送信される。したがって、この例では、着信パケット伝送信号107Aは、LoRaWanネットワークプロトコルを使用して複数のワイヤレスデバイス101から送信されるが、他のネットワークプロトコルが使用されてもよい。例えば、他の低電力長距離プロトコルが使用されてもよく、或いは、6Gのような高速ネットワークプロトコル又は他の適切なネットワークプロトコルが使用されてもよい。この例では、3つのワイヤレスデバイス101が基地局デバイス102と通信していることが示されているが、最大で数千のワイヤレスデバイス101が基地局デバイス102と通信してもよいことが認識される。
図１を続けて、基地局デバイス102の伝送レート決定ゲートウェイ105(上記のようにSDRである)は、複数のワイヤレスデバイス101のうちの1つから基地局デバイス102の受信機115によって受信されている着信パケット伝送信号107Aのプリアンブル107A1のサンプルを収集するための適応サンプリングアルゴリズムを実装するパケット検出モジュール110を更に含む。基地局デバイス102の伝送レート決定ゲートウェイ105は、サンプルを受信し、着信パケット伝送信号の1つ以上の符号化パラメータを示す分類117を出力するように構成されたCNNの形式になってもよい分類器112を更に含む。この例では、符号化係数は帯域幅及び拡散係数であるが、他の例では他の符号化係数が使用されてもよい。伝送レート決定ゲートウェイ105は、分類117によって示される帯域幅及び拡散係数のような1つ以上の符号化パラメータに従って着信パケット伝送信号107Aの残り107A2を受信するようにワイヤレス基地局104の無線106を構成するための構成コマンドを送信する無線構成モジュール114を更に含む。この段落で記載されるプロセスはまた、図３にも示されており、プリアンブル107A1が適応サンプリングアルゴリズムによって処理されてプリアンブルの最初のシンボルに対応するサンプルを生成し、次いで、分類器112によって処理されて符号化パラメータを示す分類117を生成し、次に、これを使用して、着信パケット伝送信号107Aの残りの107A2を適切に受信するように無線106を構成することを示す。
ワイヤレスネットワークシステム100の実装には、3つの技術的課題が存在する。第1に、ワイヤレスネットワークシステム100にとって、ほぼリアルタイムで受信パケットの構成パラメータを決定する課題が存在する。第2に、ワイヤレスネットワークシステム100にとって、既存のLoRa解決策と後方互換性がある課題が存在する。第3に、ワイヤレスネットワークシステム100のワイヤレス基地局デバイス102にとって、ワイヤレスデバイス101によって選択され得る様々な可能な符号化パラメータにわたって高い予測精度を達成することが課題である。以下の節は、ワイヤレスネットワークシステム100が各課題にどのように対処するかを詳述し、分類器112を実装するために使用され得るニューラルネットワークのアーキテクチャについて説明する。
4.1 リアルタイム予測
着信パケット伝送信号107Aを正常に復号するために、基地局デバイス102は、着信パケット伝送信号107Aと一致するパラメータでその無線106を構成する必要がある。この再構成は、無線106が着信パケット伝送信号107Aを検出するための時間を依然として有するように、十分に迅速に達成される必要がある。着信パケット伝送信号107Aを検出するために、無線106は、着信パケット伝送信号107Aのプリアンブル107A1を必要とする。
第2節で言及したように、ワイヤレスネットワークシステム100は、LoRaパケットのプリアンブル107Aに追加された追加シンボルを使用して、構成パラメータを決定し、これらのパラメータを基地局デバイス102の無線106に設定する。この手法を検証するために、2つのSemtech SX 1276 LoRaチップがそれぞれ基地局デバイス102及びワイヤレスデバイス101として構成された。一般的なLoRaチップセット(Semtech SX 1262/1276)のAPIが、6～65535個のシンボルからLoRaパケットのプリアンブルを構成するために使用された。最低で6つのシンボルがパケット検出に必要である。基地局デバイス102のプリアンブル107A1は、ワイヤレスデバイス101のプリアンブル長を変えながら、8つのシンボルに設定された。ワイヤレスデバイス101は、異なるプリアンブル長を使用して無線でパケットを伝送し、次いで、基地局デバイス102においてパケット受信が確認された。その結果、基地局デバイス102での信頼できる受信を維持しながら、ワイヤレスデバイス101のプリアンブル107A1に追加の5つのシンボルが追加できることが実証された。ワイヤレスネットワークシステム100は、入力データに使用される符号化パラメータに依存して、最大で2つのシンボルを必要とする。この変動は、いずれかのニューラルネットワークでデータの入力形状が一貫しているという事実に起因する。シンボルの期間がBW及びSFの関数であるので、分類のためにネットワークに渡されるデータサンプルの数に依存して、いずれかの所与の入力に使用されるシンボルの数も変化する。
4.2 SF及びBWの推測
上記のように、符号化パラメータは、基地局デバイス102が着信パケット伝送信号107Aを受信する前に、ワイヤレスデバイス101と基地局デバイス102との間で予め交渉されない。ワイヤレスネットワークシステム100では、ワイヤレスデバイス101は、帯域幅及び拡散係数のような符号化パラメータを、符号化パラメータの複数の予め設定された値の中からワイヤレスデバイス101で選択された値に設定するように構成されることが認識される。これらの予め設定された値は、典型的には、LoRaWANのようなネットワークプロトコルによって使用可能として定義された全ての可能な値を含み、典型的には、ネットワークオペレータによる構成ステップの間に設定されるこのような可能な符号化パラメータのサブセットではない。ワイヤレスデバイス101が符号化パラメータを自律的に選択すると、ワイヤレスデバイス101は、符号化パラメータを予め交渉するために基地局デバイス102とのいずれかの事前の通信に関与することなく、符号化パラメータに従って着信パケット伝送信号107Aの伝送を開始するように構成される。
ワイヤレスネットワークシステム100は、ニューラルネットワーク手法を使用してLoRaパケット伝送の拡散係数及び帯域幅を予測することを目的とする。ネットワークアーキテクチャに飛び込む前に、なぜBWとSFが推測できるのかを最初に説明する。BWとSFとの特定の組み合わせの違いは、シンボル毎のサンプルの数を比較するだけで容易に区別できる。しかし、サンプルの総数が一致する場合が存在する(例えば、BW=125kHz、SF=8及びBW=500kHz、SF=10)。
符号化構成を区別するための1つの手法は、最初にいずれか所与のチャープの時間に関する周波数増加を比較することである。これは、拡散係数に関する洞察を提供する。次に、チャープの開始周波数及び停止周波数が帯域幅を決定するために使用できる。図８Ａ及び８Ｂを再び参照すると、周波数にわたる変化率が拡散係数に関して変化し、開始周波数と停止周波数との間の差がチャープに使用される帯域幅を生じることが示されている。この技術は、全体のシンボル期間がパラメータを予測するために使用される場合には十分であるが、単一のシンボルが525ミリ秒もの期間を有することができるので、このようにすることはかなり遅延を増加させる。したがって、符号化パラメータを決定するために使用されるサンプルの数は最小化される。
上記の方法は、LoRaプリアンブルシンボルのサンプルのサブセットを使用して拡散係数及び帯域幅を推測するために依然として使用できるが、この場合のトレードオフは精度である。異なる符号化パラメータを区別することは、無線で伝送するときに信号が受ける可能性のあるRSSI及びSNRの変動を考慮すると、更に困難になる可能性がある。ワイヤレスネットワークシステム100は、畳み込みニューラルネットワーク(convolutional neural network, CNN)を訓練して拡散係数と帯域幅との多くの異なる組み合わせを分類するために、LoRaチャープの記載の特性を考慮する。具体的には、分類を実行するためにLoRaプリアンブル107A1のシンボルから抽出された3つの特徴が使用される。
したがって、ワイヤレスネットワークシステム100では、図２に示すように、パケット検出モジュール110によって実装された適応サンプリングアルゴリズム113の制御下で、着信伝送信号を様々なレートでサンプリングするように構成されたアナログデジタル変換器111を含んでもよいことが認識される。典型的には、2つ以下のシンボルから得られたサンプルが、以下の節で説明する分類器112の人工知能モデルによって、分類117を出力するために使用される。したがって、具体的には、サンプルは、着信パケット伝送信号107Aのプリアンブル107A1内の2つのシンボル(例えば、symbol(0)及びsymbol(1))から得られたサンプルを含み、分類器112の人工知能モデルは、サンプルの複数の抽出された特徴を使用して、分類117を決定し、複数の特徴はサンプルの実数成分、サンプルの虚数成分及びサンプルの高速フーリエ変換を含む。
最初の2つの特徴は信号の実数成分及び虚数成分であり、最後は高速フーリエ変換(Fast Fourier Transform, FFT)である。信号の時間領域と周波数領域との双方からのデータを使用することは、高い予測精度を達成する際に重要である。例えば、各信号のFFTのみが使用される場合、非常に低いBW設定を区別することはほぼ不可能である。図９に示すように、異なる帯域幅及び拡散係数の設定についてFFTを評価すると、より低いkHz範囲はかなり似たように見え始める。これを時間領域からの特徴で補足することは、プリアンブルシンボルの発振周波数の変動を捉えるのに役立ち、FFTは帯域幅の変動に関する洞察を提供する。
4.3 適応サンプリング
ワイヤレスネットワークシステム100は、適応サンプリング方式を使用して、感度、遅延及び分類精度を最適化する。図７を再び参照して、適応サンプリング法を示す。デジタルバンドパスフィルタが、短期間の帯域幅のサブセットを作成するために使用される。
図２に示す適応サンプリングアルゴリズム113は、1つ以上のバンドパスフィルタを使用して着信パケット伝送信号107Aをフィルタリングして、それによって、フィルタリングされた複数の着信パケット伝送信号成分を生成し、キャプチャされた信号がフィルタリングされた着信パケット伝送信号成分の1つについて1つ以上の符号化パラメータを決定するのに十分であると決定するように構成される。
これらのサブセットは、キャプチャされた信号が無線構成に関する正確な洞察を提供するのに十分な長さであるか否か、或いは、サンプリングを続けるべきであるか否かを決定するために使用される。特に、ワイヤレスネットワークシステム100は、2つの低帯域幅を表す最初の6つのクラスに合計で12808個のサンプル(65ms)を使用し、高帯域幅の無線構成を表す最後の9つのクラスに800個のサンプル(4ms)を使用する。直感的には、BWが減少するとシンボル期間が増加するので、より大きいサンプルのセットを低帯域幅の設定に使用することが理にかなっている。
4.4 分類器のアーキテクチャ
図１に示す分類器112は、少なくとも1つの畳み込みニューラルネットワークを含む人工知能モデルとして実装されてもよく、複数の段階、例えば2段階を含む階層型ニューラルネットワークアーキテクチャを使用してもよい。したがって、図１１～１２Ｂに示すように、人工知能モデルは多段階モデルであり、したがって第1の段階及び第2の段階を含んでもよい。第1の段階は、着信パケット伝送信号を、例えば高域及び低域のような複数の帯域幅範囲分類の1つに分類する第1の畳み込みニューラルネットワークを含む帯域幅分類器を含んでもよい。高域と低域との間の中間の範囲も定義されてもよい。第2の段階では、所定の閾値の下の帯域幅を有する信号については、当該信号が第2の畳み込みニューラルネットワークを含む低帯域幅符号化分類器によって複数の低帯域幅符号化分類の1つに分類され、所定の閾値の上の信号については、当該信号が第3の畳み込みニューラルネットワークを含む高帯域幅符号化分類器によって複数の高帯域幅符号化分類の1つに分類される。
図１１の図示の実施形態を続けて、最初にバイナリ分類器が低帯域幅と高帯域幅とを区別するために使用される。予測に依存して、これに続いて、BW及びSF無線構成を予測するために6つ又は9つのクラスの分類器がある。図１２は、各段階でワイヤレスネットワークシステムによって使用されるニューラルネットワークアーキテクチャを示しており、主な違いは、クラスの数、特徴、及び分類器毎に入力されるサンプルである。
低帯域幅分類器は、上記の3つの特徴に依存する。バイナリ及び9つのクラスの分類器は無線構成を予測するために30個の特徴を使用する。特徴は、実数成分及び虚数成分とFFTとを含むが、サンプルは10個の20kHzチャンクに分割される。分類器毎のサンプル及び特徴の数の変動は、第2節で上記に説明したように、分類される必要がある信号のタイプに基づいて選択される。例えば、シンボル期間が数十ミリ秒になる可能性があり、有意な特徴を有するためにより多くのサンプルが必要となるので、低帯域幅分類器には16倍多くのサンプルが使用される。他方、バイナリ分類器は低帯域幅でも800個のサンプルのみ使用するが、これは個々の帯域幅を区別する必要がないので十分であるからである。
各分類器のニューラルネットワークは4つの畳み込み層から始まり、それぞれ128のフィルタサイズを有する。層は入力を畳み込み、ReLu(Rectified Linear Unit, ReLu)関数によって活性化される。ReLu活性化関数は、0の最大値及び入力データを出力し、特徴マップの形式で出力を提供する。次は、生成された特徴マップのサイズを低減し、最も意味のある情報を保持するために使用される最大プーリング層である。このネットワークでは、2の最大プーリングサイズが使用される。これに続いて、それぞれ128~32の範囲のフィルタサイズを有する6つの更なる畳み込み層が続く。これらの層もReLu活性化関数を使用する。この後にグローバル平均プーリング層が追加され、前の畳み込み層からの各特徴マップの平均出力が計算される。最終的な密接続層は、可能な分類の総数に等しいサイズで適用される。密接続層は、0の値と1の値との間で全てのクラスにわたる出力確率を提供するシグモイド活性化関数を使用する。予測クラスを取得するために、最終出力層の最大確率が使用される。
ニューラルネットワークがデータセットをどの程度うまくモデル化するかを評価するために、カテゴリカルクロスエントロピー損失関数が使用される。
Figure 2023526190000005
 ここで、Nはクラスの数であり、pは現在のサンプルの予測確率であり、tはクラスcが正しいか否かを示す2進数の指標である。損失関数は、0と1との間の出力確率について、分類モデルの性能を評価する。言い換えると、モデル予測が実際の値から外れ、次に誤差の指標を提供する場合、クロスエントロピーは増加する。正確な予測を有するために、誤差が最小化される必要もあり、これは最適化関数を使用することにより行われる。高レベルでは、最適化関数はモデルで使用される重みに関する損失関数の偏微分を計算する。これらの重みは、損失関数の最小値に達するまで修正される。ワイヤレスネットワークシステム100のネットワークアーキテクチャは、Adamオプティマイザを使用してこのタスクを実行する。
また、ネットワーク内には、3つのバッチ正規化層及びドロップアウト層も追加される。バッチ正規化層は、バッチ平均を減算し、バッチ標準偏差で除算することによって前の層の出力を正規化する。バッチは、訓練のためにモデルに渡されるデータの一部である。バッチ正規化は、ネットワークの安定性を改善し、ネットワークの訓練に必要なエポックの数を低減するのに役立つ。最後に、正規化のために、過剰適合を低減するために、最終的な密接続層の前に0.5のドロップアウトが使用される。
第5節:実装
ワイヤレスネットワークシステムの実装及び実験評価のための設定に関する詳細が以下に提示される。
5.1 ハードウェア
ワイヤレスネットワークシステム100のゲートウェイのハードウェアプロトタイプは、ユニバーサルソフトウェア無線(universal software radio, USRP)プラットフォームを使用して設計される。ワイヤレスネットワークシステム100のゲートウェイは、米国のほとんどのLoRa展開によって使用される周波数である915MHzで動作する。USRPは、パケットを正常に受信するためにその正しい構成に構成される必要があるLoRa受信機と同じ位置にある。
クライアントは1276 Semtechチップセットを使用して設計される。このチップセットは、7～12の拡散係数と7.8kHz～500kHzの帯域幅を許容する。10.4kHz、15.6kHz、125kHz、250kHz及び500kHzの帯域幅は、スペクトルの極端な端をカバーするために実験用に選択されている。可能な最低の帯域幅の2つを選択することによって、帯域幅の間の最小の差が使用されることが認識される。最後に、10～12の拡散係数が実験に使用された。
クライアントチップは、拡散係数、帯域幅を設定し、データビットが伝送されることを可能にするPCBに埋め込まれている。チップはARM STM32L151マイクロコントローラを使用して制御される。カスタムファームウェアはこのマイクロコントローラ用に書かれている。ワイヤレスネットワークシステム100は、クライアント側のいずれかのこのような実装で何の変更もなく動作できる。
5.2 ソフトウェア
ワイヤレスネットワークシステム100のゲートウェイは、GNU Radioソフトウェアを使用して制御される。このソフトウェアは32GBのRAMを有するコンピュータ上で動作し、915MHzの中心周波数及び200kspsのサンプリングレートでサンプルを収集する。これは、USRPによって達成できる最小サンプリングレートであり、受信機115において200kHzの帯域幅を生じる。各パケットの記録はバンドパスフィルタを通過し、受信機の帯域幅を20kHzまで更に低減する。追加フィルタリングは、受信機115の感度を増加させるために実行される。次いで、スライディングウィンドウの電力閾値及び自己相関の組み合わせを使用するパケット検出アルゴリズムを使用して、サンプルが個々のシンボルに分割される。
CNNはPythonにおけるTensorflow 2.0フレームワークを使用して実装されている。これは2GBのメモリを有するNVIDIA GeForce GTX 1050 GPU及び16GBのRAMを有するMicrosoft Surface 2で動作する。CNNはAdamオプティマイザを使用して、学習率を0.0001に設定した以外はデフォルトのパラメータで訓練されている。訓練セットの20%は検証セットとして確保された。このモデルは、全ての実験で20エポックだけ訓練され、検証セットの性能に基づいて最良のモデルが選択されている。特に明記されていない限り、各実験は3つの異なる訓練テスト分割で実行された。各実験の訓練ポイントの数は、以下の節で指定される。
第6節:結果
ワイヤレスネットワークシステム100の実験評価が以下に与えられる。
6.1 実験設定
ワイヤレスネットワークシステム100を評価するために、最初に、10～12の範囲の拡散係数並びに10.4、15.6、125、250及び500kHzの帯域幅について15個の可能な分類を表すようにデータセットが生成された。LoRaパケットのプリアンブルは一連のアップチャープであるので、各パケットのプリアンブルから抽出された複素ベースバンド信号の形式で個々のチャープから構成されるデータセットが作成された。第5.1節で説明した無線は、USRPを使用してLoRaパケットを送信及び受信するために使用される。この設定で、制御設定、屋内設定及び屋外設定でデータが収集された。
屋内データ収集:屋内実験はオフィス空間で行われた。実験は1000平方フィートの総面積をカバーする6つの異なる部屋にまたがっている。送信デバイス(例えば、ワイヤレスデバイス101)及び受信デバイス(例えば、基地局デバイス102)はランダムに異なる部屋に配置された。各設定において、各クラスのデータが収集された。位置毎に、クラス毎に平均で800個のシンボルのデータが収集された。
屋外データ収集:屋外展開をエミュレートするために、キャンパス規模の展開を使用してデータが収集された。受信デバイスは地上の固定の位置に配置された。送信デバイスは、手動で或いは車の上で、0.02平方マイルに及ぶキャンパスエリア内の異なる位置に動かされた。それぞれの位置について、ランダムな拡散係数及びランダムな帯域幅がデータを伝送するために選択された。位置のGPS座標及び使用された設定は手動で記録された。データは、キャンパス上の合計で16個の位置について収集された。
ベンチトップデータ収集:長距離屋外実験を再現するために、様々なRSSI(受信機信号強度インジケータ)によって制御データセットを作成するために、ベンチトップ実験設定が使用された。この設定では、送信デバイス及び受信デバイスが直接有線で接続された。可変減衰器が、各シンボル分類について40～140dBの範囲の減衰を使用して伝送信号を減衰するために使用された。
ベースライン:相互相関演算に基づくベースラインが使用された。クラス(帯域幅及び拡散係数のペア)毎に1つのサンプル信号を含む例示的なサンプルセットが使用された。所与の信号入力Sについて、fS,Ei(n)は、クラスiにおける例EiとのSの相互相関である。次いで、クラスiの類似度スコアは以下のように計算された。
Figure 2023526190000006
 最後に、最大スコアを有するクラスがこの入力に割り当てられた。これが計算集約的なプロセスであることが認識される。相互相関はO(Nlog(N))演算であり、Nは信号の長さであり、クラス毎に実行される必要がある。
6.2 精度評価
最初に、パケットの正しい構成を識別する際のワイヤレスネットワークシステム100のCNNの精度が評価された。上記のように、ワイヤレスネットワークシステムのCNNでは、生の信号が4ミリ秒間キャプチャされ、バイナリ分類器の入力として使用される。受信パケットが低帯域幅カテゴリにある場合、信号キャプチャは65ミリ秒に増加し、それ以外の場合、高帯域幅については同じに留まる。これは、実験における最高のデータレート(帯域幅500kHz、拡散係数10)について2つのチャープ(又はシンボル)期間、及び最低のデータレートについてチャープ期間の約1/6に相当する。ニューラルネットワークの性能は、上記の全ての3つのシナリオの精度を分析することによって評価された。制限のため、ネットワークを訓練するために、分析は屋内データとベンチトップデータとの組み合わせを使用した。収集されたデータの30%は訓練に使用され、全ての他のデータはテストに使用された。
次に、図１３を参照して、ワイヤレスネットワークシステム100の精度について説明する。図示のように、ワイヤレスネットワークシステムの100のCNNは、屋内、屋外及びベンチトップ評価について、それぞれ99.8%、95%及び98.2%という非常に高い全体精度を達成する。この高い精度は、ワイヤレスネットワークシステムの100の主な概念の実現可能性を示しており、すなわち、ゲートウェイでパケットの正しい構成が高い精度で特定できることを示している。比較すると、ベースラインの性能は著しく悪い。3つの設定では、ベースラインの精度はそれぞれ67.5%、67%及び78%である。ベースラインの悪い性能の1つの理由は、10.4kHz及び15.6kHzのような周波数帯域幅の小さな違いを特定するという課題にある。125kHz及び250kHzのようなより高い帯域幅とは異なり、これらの帯域幅は比較的近く、ノイズ及びマルチパスの存在が、これらを区別することを困難にする。
環境による変動
図１３はまた、環境による変動を示している。このシステムは屋内よりも屋外の方が性能が良い。これは主に、屋外環境は屋内環境と比較して、より多くの自由空間を構成し、マルチパスフェージングが少ないためである。他方、屋内環境は、はるかに多いマルチパス反射を有し、より困難にする。
帯域幅による変動
図１４Ａは、異なる帯域幅にわたるワイヤレスネットワークシステム100の性能を示している。この実験では、より意味のある再現率(recall)が報告されている。再現率は、正しく帯域幅Bに分類されたポイントの数を帯域幅Bで実際に伝送されたポイントの数で除算した値である。図示のように、再現率は全ての帯域幅で約99%に留まり、最低では98.4%(15.6kHzの場合)、最高で10.4kHz及び125kHzについて100%近くになる。
拡散係数による変動
図１４Ｂは、異なる拡散係数におけるワイヤレスネットワークシステム100の性能の変動を示す。図示のように、再現率は全ての3つの拡散係数について約99%に留まる。再現率は最高の拡散係数についてわずかに低い。これは主に、最高の拡散係数が各チャープの最大時間に対応するためである。これは、入力の場合のようにサンプリングが固定の期間で行われる場合、最高の拡散係数についてのチャープの最小の割合が得られることを意味する。これは、拡散係数が高くなるにつれて、分類問題をより困難にする。それにもかかわらず、ワイヤレスネットワークシステムは、単一のチャープ期間の半分未満を使用することによって、LoRaによって使用される最高の拡散係数であっても95%を超える精度を達成する。これは、ワイヤレスネットワークシステムのCNN設計の強力な性能を示している。
位置による変動
図１４Ｃは、異なる物理空間におけるワイヤレスネットワークシステム100の性能の変動を示す。L0~L4は4つの異なる位置を示す。これらの位置のそれぞれにおいて、ワイヤレスネットワークシステム100の精度は約99~100%で一貫している。
時間による変動
図１４Ｄは、全ての15個のクラスについてワイヤレスネットワークシステム100の経時的な性能の変動を示す。この実験では、5日間連続で30分間のデータが無線で収集された。図示のように、精度は全ての日について約100%に留まっている。ベースライン手法と比較すると、精度は約88%と大幅に低下している。
精度分析からの重要な発見は、ワイヤレスネットワークシステム100が様々なシナリオのセットにおける無線構成を高い精度で正しく識別できることである。ワイヤレスネットワークシステムは97.7%の全体的な精度を達成し、これは1/20未満のパケット損失に相当する。この損失は、LoRaの全体的なパケット損失を考慮すると重要ではなくなる。125kHzの帯域幅及び12の拡散係数のパケット損失は、屋外の都市シナリオでは、0~15kmの距離からは12%~74%の範囲になる可能性がある。ワイヤレスネットワークシステム100がもたらす更なる損失は、自動無線構成を可能にするための合理的なトレードオフになると考えられる。
6.3 一般化
ほとんどの機械学習フレームワークで発生する1つの疑問は、訓練セットでは見られない新たな環境に対して一般化するその能力である。この問題は、ワイヤレスネットワークシステムについて2つの実験評価を使用して対処される。
まず、訓練データから2つの位置(屋内環境の異なる部屋)を除外しつつモデルが訓練される。具体的には、L5及びL6から取得されたデータは訓練セットから除外される。これらの2つの位置からのデータは、テストセット用に別々に設定される。これは、新たな環境への一般化のテストを可能にする。この実験の結果が図１５Ａに示されている。図示のように、位置精度は98.9%から94.5%へとわずかな低下を受ける。
次に、モデルが時間による一般化についてテストされた。テストデータは、訓練セットに含まれていない日付に収集された(1週間空けて設定される)。このモデルは、前の日付に達成した性能(97%の精度)を維持している。これは、精度にはいくつかの位置間の変動が存在するが、時間的変動は観察されなかったことを示している。この結果から得られる主なポイントは、CNNが遭遇しなかったシナリオの入力信号に対してもワイヤレスネットワークシステムが高い精度を達成できることである。これは、ワイヤレスネットワークシステムのCNNが様々なLoRaネットワークのセットに使用できることを示している。
6.4 感度
LoRaは、使用されるSF及びBWの設定に依存して、-149～-118dBmの範囲の感度で動作できる。ワイヤレスネットワークシステム100がLoRaネットワーク展開にとって有益であるためには、同じ範囲の感度で高い精度を達成できなければならない。低電力を有する信号についてのワイヤレスネットワークシステム100のCNNの精度を評価するために、40～140dBから減衰されたデータセットが生成され、モデルの精度が分析された。図１５Ｂは、ワイヤレスネットワークシステム及びベースライン法の減衰の関数としてモデルの精度を示している。ワイヤレスネットワークシステム100は、減衰に関係なく、平均で96.7%及び最大で99%の精度を有する。これは、図１３で報告された全体のベンチトップ実験で達成された精度と一致している。他方、ベースライン法の精度は変動し、大量の減衰にさらされた信号ついて減少している。全体的な結果は、ワイヤレスネットワークシステム100が信号強度の変動に対してロバストであり、次にLoRaが直面し得る信号条件について予測精度を維持できるはずであることを示している。
6.5 遅延
ワイヤレスネットワークシステム100の遅延を最小化することは、リアルタイム予測を維持する上で重要である。上記のように、基地局デバイス102での無線構成を検出、分類及び更新するために、ワイヤレスネットワークシステム100に割り当てられることができるLoRaパケット伝送のプリアンブル107A1に、5つの更なるシンボルが追加できることが決定された。これは0.01秒～1.92秒の範囲の期間に相当する。ワイヤレスネットワークシステム100は、クラス毎に最大で2つのシンボル(ほとんどのクラスでは1つ未満のシンボル)を使用し、残りの時間は分類及びパラメータ構成に使用できる。ワイヤレスネットワークシステム100のCNNの遅延が評価され、ベースライン法と比較された。図１３Ｃは、2つの方法の間の遅延の比較を示す。分類を実行するために、ワイヤレスネットワークシステム100は、CPUを使用してサンプル毎に約60ミリ秒を要し、ノートブック版のNVIDIA GTX 1050 GPUを使用すると、遅延が20倍改善され、サンプル毎に約3ミリ秒を要することが認識される。ベースライン法はサンプル毎に140ミリ秒の計算時間を有し、ほとんどのLoRa符号化パラメータ構成ではリアルタイムで分類することは不可能である。
第7節:システムの概要
この開示に記載されているものは、LoRa及び他のプロトコルを使用してワイヤレスデバイス101が選択したデータレートで伝送することを可能にする新たなゲートウェイ設計である。これは、基地局デバイス102が、例えば、全体のネットワーク性能を妥協することなく、長距離にわたる大規模なモバイルワイヤレスデバイス101をサポートすることを可能にする。ワイヤレスネットワークシステム100は、CNNを使用して、ワイヤレスデバイス101によって伝送されるパケットの帯域幅及び拡散係数を予測し、基地局デバイス102が様々な信号符号化パラメータ設定にわたってパケットを復号することを可能にし、それによって、一例では、プリアンブル107A1からの最初の2つのシンボルからの情報のみに基づいて、着信パケット伝送信号107Aの残り107A2を正しく受信するように基地局デバイス102の無線106を迅速に構成する。
ワイヤレスネットワークシステム100のテスト実装は、以下のコンポーネント機能を含んでいる。
LoRa無線構成の分類器
テスト結果によれば、屋内及び屋外のシナリオで99.8%及び95%の精度で15個の異なるLoRa無線構成を分類できるニューラルネットワークが実装される。
リアルタイム分類
テストは、LoRaパケットの動的なプリアンブル設定を活用することによって、無線構成が自動化され、リアルタイムで実行できることを示している。ワイヤレスネットワークシステム100は、様々なシナリオのセットにわたって高い精度で分類を実行するために、最大で2つのプリアンブルシンボルに依存する。
適応サンプリング
適応サンプリングは、ネットワークの感度、精度及び遅延のトレードオフを最適化するために実装される。ワイヤレスネットワークシステム100は、帯域幅及びキャプチャ期間を適応させて、LoRaによってサポートされる無線構成の膨大なセットを分類する。
ここでは、開示のワイヤレスネットワークシステム100の特定の用途について説明するが、ワイヤレスネットワークシステムが他の用途に使用されてもよいことが認識される。このような用途の例が以下に記載される。
レート適応
ワイヤレスネットワークシステム100は、LoRaのレート適応技術を改善するために使用できる。クライアントは独自の符号化パラメータを構成でき、ワイヤレスネットワークシステム100はそれに従うように基地局デバイス102を自動構成できるので、典型的なオーバーヘッドの多くが回避できる。例えば、ベースとクライアントとの間の制御メッセージが最小化できる。レート適応のためにワイヤレスネットワークシステム100に構築された新たなプロトコルを開発することは、LPWANの性能及び効率を更に向上させる可能性を有する。
フィールドプログラマブルゲートアレイの実装
図示しないが、ワイヤレスネットワークシステム100をフィールドプログラマブルゲートアレイ(field-programable gate array, FPGA)に実装することも可能である。FPGAは、他のハードウェア計算プラットフォームと比較して高速な性能を提供し、異なるアルゴリズム、ロジック及びメモリリソースをサポートする柔軟性も提供する。このような実装は、無線パラメータを検出、分類及び更新するために必要な期間を最小化することによって、ワイヤレスネットワークシステム100の遅延を改善するのに役立てることができる。
代替ハードウェア
記載のシステムは、ソフトウェア定義無線で拡張されたゲートウェイとして開発されるが、SX1257のようないくつかの既製のゲートウェイは、信号の生のIQサンプルへのアクセスをサポートしており、設計と互換性がある。
ネットワークプルーニング
遅延の改善に関連して、ワイヤレスネットワークシステム100によって使用されるネットワークのプルーニングは有望な手法である。ネットワークのプルーニングの背後にある概念は、ネットワークにおける多くのパラメータによって、冗長であり且つほとんど寄与しないものが必ず存在するということである。これは、ネットワークのサイズを最小化し、次に分類を実行するために必要な時間を最適化する。
5G標準化が最終段階になるにつれて、5Gと比較して帯域幅及び遅延における1桁の改善を提供することを目的として、6Gネットワークを定義することへの高まる関心が存在する。探索されている有望な手法は機械学習であり、他の標準を使用しているものも含め、デバイスがデバイスと通信するためにどのように自動的に再構成するかである。これは、制御オーバーヘッドをかなり低減でき、ネットワーク容量の増加を生じる。ワイヤレスネットワークシステム100のアーキテクチャは、レガシーデバイスとの後方互換性を依然として維持しながら、完全な相互運用性というこのビジョンに向けた一歩である。したがって、ここに記載のシステム及び方法は、出現しつつある6Gプロトコルのような将来の高速ワイヤレス通信プロトコルを含む、将来のプロトコルに適用可能であると考えられる。
次に、図１６Ａを参照して、ワイヤレスネットワーク方法について説明する。ワイヤレスネットワーク方法1600が提供される。図示のように、1602において、一実施形態における方法は、着信パケット伝送信号のプリアンブルの一部から伝送レートを検出することを含み、1614において、当該方法は、着信パケット伝送信号の残りをその伝送レートで受信するように無線を適応させることを含む。当該方法の更なる詳細は以下に提供される。
当該方法は、1604において、処理回路を介して、着信パケット伝送信号のプリアンブルのサンプルを収集するための適応サンプリングアルゴリズムを実装することを更に含む。処理回路は、ワイヤレス信号を受信及び送信するように構成された無線を備えた基地局に含まれてもよい。この実施形態では、ワイヤレス信号はLoRaネットワークプロトコルに従って受信及び送信されるが、他の実施形態では他のネットワークプロトコルが使用されてもよい。例えば、伝送信号のデータシンボルの長さが大きく変化する他の適切な低電力又は長距離ネットワークプロトコルは、この方法の適用から利益を得てもよい。着信パケット伝送信号はワイヤレスデバイスから受信される。この実施形態の方法は、1つのワイヤレスデバイスから受信される着信パケット伝送信号を記載しているが、複数のワイヤレスデバイスからの着信パケット伝送信号を受信するためにも、この方法が適していることが認識される。例えば、数十、数百又は数千ものワイヤレスデバイスが使用されてもよい。
1606において、当該方法は、分類器でサンプルを受信し、着信パケット伝送信号の1つ以上の符号化パラメータを示す分類を出力することを更に含む。符号化パラメータは、着信パケット伝送信号を受信する前に、ワイヤレスデバイスと基地局との間で予め交渉されない。符号化パラメータが予め交渉されないことの利点は、着信パケット伝送信号を送信するクライアントデバイスがそのまま使用できることである。言い換えると、ここで説明する方法は、クライアントデバイスの変更を必要としない。この方法では、1つ以上の符号化パラメータは帯域幅及び/又は拡散係数を含むが、他の適切な符号化パラメータが使用されてもよい。
1608において、当該方法の1つの例示的な構成では、分類器は少なくとも1つの畳み込みニューラルネットワークを含む人工知能モデルである。人工知能モデルの詳細が図１６Ｂに示されており、以下に説明する。
1610において、サンプルはパケット信号のプリアンブル内の2つのシンボルから取得されたサンプルを含み、分類器の人工知能モデルは、サンプルの複数の特徴を使用して分類を決定し、複数の特徴はサンプルの実数成分、サンプルの虚数成分及びサンプルの高速フーリエ変換(fast Fourier transform, FFT)を含む。信号の時間領域と周波数領域との双方からのデータを使用することは、高い予測精度を達成する上で重要である。例えば、各信号のFFTのみが使用される場合、非常に低いBW設定を区別することは困難である。FFTを時間領域からの特徴で補足することは、プリアンブルシンボルの発振周波数の変動を捕捉するのに役立ち、FFTは帯域幅の変動に関する洞察を提供するのに役立つ。信号の時間領域と周波数領域との双方の特徴を使用することによって、2つ以下のシンボルから取得されたサンプルが人工知能モデルによって分類を出力するために使用される。
1616において、当該方法は、分類によって示される1つ以上の符号化パラメータに従って、着信パケット伝送信号の残りを受信するように無線を構成するための構成コマンドを送信することを含む。このように、着信パケット伝送信号の残りが無線によって受信できる。
ここで図１６Ｂを参照すると、1608の更なる詳細が提供される。1618において、人工知能モデルは多段階モデルであり、第1の段階を含み、ここで、帯域幅分類器は、着信パケット伝送信号を複数の帯域幅範囲分類の1つに分類する第1の畳み込みニューラルネットワークを含む。この例では、第1の畳み込みニューラルネットワークを含む帯域幅分類器は、着信パケット伝送信号の実数成分、虚数成分及びFFTを使用し、それぞれ10個の20kHzチャンクに分割する。しかし、他の例では、2、4、6、8又はいずれか他の適切な数のチャンクが使用されてもよい。この例の第1の段階では、着信パケット伝送信号は2つの帯域幅範囲分類の1つに分類されるが、3、4又はいずれか他の適切な数が使用されてもよい。
1620において、第2の段階では、所定の閾値の下の帯域幅を有する信号について、信号は、第2の畳み込みニューラルネットワークを含む低帯域幅符号化分類器によって、複数の低帯域幅符号化分類の1つに分類される。
1622において、所定の閾値の上の信号について、信号は、第3の畳み込みニューラルネットワークを含む高帯域幅符号化分類器によって、複数の高帯域幅符号化分類の1つに分類される。
いくつかの実施形態では、ここに記載の方法及びプロセスは、1つ以上のコンピューティングデバイスのコンピューティングシステムに結び付けられてもよい。特に、このような方法及びプロセスは、コンピュータアプリケーションプログラム又はサービス、アプリケーションプログラミングインタフェース(application-programming interface, API)、ライブラリ及び/又は他のコンピュータプログラム製品として実装されてもよい。
図１７は、上記の方法及びプロセスの1つ以上を実行できるコンピューティングシステム1700の非限定的な実施形態を概略的に示す。コンピューティングシステム1700は簡略化した形式で示されている。コンピューティングシステム1700は、ワイヤレスデバイス101、基地局デバイス102及び/又は上記の図１に示すリモートデバイスを具体化してもよい。コンピューティングシステム1700は、1つ以上のパーソナルコンピュータ、サーバーコンピュータ、タブレットコンピュータ、ホームエンターテインメントコンピュータ、ネットワークコンピューティングデバイス、ゲームデバイス、モバイルコンピューティングデバイス、モバイル通信デバイス(例えば、スマートフォン)、IoTデバイス、リモートセンサデバイス及び/又は他のコンピューティングデバイスの形式となってもよい。
コンピューティングシステム1700は、ロジックプロセッサ1702、揮発性メモリ1704及び不揮発性記憶デバイス1706を含む。コンピューティングシステム1700は、任意選択で、表示サブシステム1708、入力サブシステム1710、通信サブシステム1712及び/又は図１７に図示しない他のコンポーネントを含んでもよい。
ロジックプロセッサ1702は、命令を実行するように構成された1つ以上の物理デバイスを含む。例えば、ロジックプロセッサは、1つ以上のアプリケーション、プログラム、ルーチン、ライブラリ、オブジェクト、コンポーネント、データ構造又は他の論理構成要素の一部である命令を実行するように構成されてもよい。このような命令は、タスクを実行ため、データタイプを実装するため、1つ以上のコンポーネントの状態を変換するため、技術的効果を達成するため、或いは、の方法で所望の結果に到達するために実装されてもよい。
ロジックプロセッサは、ソフトウェア命令を実行するように構成された1つ以上の物理プロセッサ(ハードウェア)を含んでもよい。さらに或いは代替として、ロジックプロセッサは、ハードウェア実装ロジック又はファームウェア命令を実行するように構成された1つ以上のハードウェア論理回路又はファームウェアデバイスを含んでもよい。ロジックプロセッサ1702のプロセッサは、シングルコア又はマルチコアでもよく、その上で実行される命令は、順次処理、並列処理及び/又は分散処理に構成されてもよい。ロジックプロセッサの個々のコンポーネントは、任意選択で2つ以上の別々のデバイスに分散されてもよく、これらは遠隔に位置してもよく、及び/又は、連携処理のために構成されてもよい。ロジックプロセッサの態様は、クラウドコンピューティング構成で構成された、リモートからアクセス可能なネットワーク接続されたコンピューティングデバイスによって仮想化されて実行されてもよい。このような場合、これらの仮想化された態様は、様々な異なるマシンの異なる物理ロジックプロセッサで実行されることが理解される。
不揮発性記憶デバイス1706は、ここで説明する方法及びプロセスを実装するために、ロジックプロセッサによって実行可能な命令を保持するように構成された1つ以上の物理デバイスを含む。このような方法及びプロセスが実装されると、例えば異なるデータを保持するために、不揮発性記憶デバイス1706の状態が変換されてもよい。
不揮発性記憶デバイス1706は、取り外し可能及び/又は内蔵の物理デバイスを含んでもよい。不揮発性記憶デバイス1706は、光学メモリ(例えば、CD、DVD、HD-DVD、Blu-Rayディスク等)、半導体メモリ(例えば、ROM、EPROM、EEPROM、フラッシュメモリ等)及び/又は磁気メモリ(例えば、ハードディスクドライブ、フロッピーディスクドライブ、テープドライブ、MRAM等)又は他の大容量記憶デバイス技術を含んでもよい。不揮発性記憶デバイス1706は、不揮発性、動的、静的、読み取り/書き込み、読み取り専用、シーケンシャルアクセス、ロケーションアドレス指定可能、ファイルアドレス指定可能、及び/又はコンテンツアドレス指定可能なデバイスを含んでもよい。不揮発性記憶デバイス1706は、不揮発性記憶デバイス1706への電源が切断された場合でも命令を保持するように構成されることが認識される。
揮発性メモリ1704は、ランダムアクセスメモリを含む物理デバイスを含んでもよい。揮発性メモリ1704は、典型的には、ソフトウェア命令の処理中に情報を一時的に記憶するためにロジックプロセッサ1702によって利用される。典型的には、揮発性メモリ1704は、揮発性メモリ1704への電力が切断されたときに命令を記憶し続けないことが認識される。
ロジックプロセッサ1702、揮発性メモリ1704及び不揮発性記憶デバイス1706の態様は、1つ以上のハードウェア論理コンポーネントに一緒に統合されてもよい。このようなハードウェア論理コンポーネントは、例えば、フィールドプログラマブルゲートアレイ(field-programmable gate array, FPGA)、プログラム特有及びアプリケーション特有の集積回路(program- and application-specific integrated circuit, PASIC/ASIC)、プログラム特有及びアプリケーション特有の標準製品(program- and application-specific standard products, PSSP/ASSP)、システムオンチップ(SOC)、複雑プログラマブルロジックデバイス(complex programmable logic device, CPLD)を含んでもよい。
「モジュール」、「プログラム」及び「エンジン」という用語は、典型的には、プロセッサによって揮発性メモリの一部を使用して特定の機能を実行するためにソフトウェアで実装されるコンピューティングシステム1700の態様を説明するために使用されてもよく、その機能は、機能を実行するようにプロセッサを特別に構成する変換処理を含む。したがって、不揮発性記憶デバイス1706によって保持される命令を実行するロジックプロセッサ1702を介して、揮発性メモリ1704の一部を使用して、モジュール、プログラム又はエンジンがインスタンス化されてもよい。異なるモジュール、プログラム及び/又はエンジンは、同じアプリケーション、サービス、コードブロック、オブジェクト、ライブラリ、ルーチン、API、関数等からインスタンス化されてもよいことが理解される。同様に、同じモジュール、プログラム及び/又はエンジンは、異なるアプリケーション、サービス、コードブロック、オブジェクト、ルーチン、API、関数等によってインスタンス化されてもよい。「モジュール」、「プログラム」及び「エンジン」という用語は、実行可能ファイル、データファイル、ライブラリ、ドライバ、スクリプト、データベースレコード等の個々のもの又はグループを含んでもよい。
表示サブシステム1708は、含まれる場合、不揮発性記憶デバイス1706によって保持されるデータの視覚的表現を提示するために使用されてもよい。視覚的表現は、グラフィカルユーザインタフェース(graphical user interface, GUI)の形式になってもよい。ここで説明する方法及びプロセスは、不揮発性記憶デバイスによって保持されるデータを変更し、したがって、不揮発性記憶デバイスの状態を変換するので、表示サブシステム1708の状態も同様に、基礎となるデータの変化を視覚的に表すように変換されてもよい。表示サブシステム1708は、事実上いずれかのタイプの技術を利用する1つ以上の表示デバイスを含んでもよい。このような表示デバイスは、共有の筐体においてロジックプロセッサ1702、揮発性メモリ1704及び/又は不揮発性記憶デバイス1706と組み合わされてもよく、或いは、このような表示デバイスは周辺表示デバイスでもよい。
入力サブシステム1710は、含まれる場合、キーボード、マウス、カメラ、マイク、タッチパッド、指で操作可能なポインタデバイス、タッチスクリーン又はゲームコントローラのような1つ以上のユーザ入力デバイスを含んでもよく或いは1つ以上のユーザ入力デバイスとインタフェースしてもよい。
通信サブシステム1712は、含まれる場合、ここに記載の様々なコンピューティングデバイスを相互に或いは他のデバイスと通信可能に結合するように構成されてもよい。通信サブシステム1712は、上記のLoRaWANのような低電力長距離無線プロトコルを含む、1つ以上の異なる通信プロトコルと互換性のある有線及び/又は無線通信デバイスを含んでもよい。非限定的な例として、通信サブシステムは、無線電話ネットワーク、有線又は無線ローカル又は広域ネットワークを介した通信用に構成されてもよい。いくつかの実施形態では、通信サブシステムは、コンピューティングシステム1700がインターネットのようなネットワークを介して他のデバイスとの間でメッセージを送信及び/又は受信することを可能にしてもよい。
以下の段落は、本開示の主題の更なる説明を提供する。一態様によれば、着信パケット伝送信号のプリアンブルの一部から伝送レートを検出し、着信パケット伝送信号の残りをその伝送レートで受信するように無線構成を適応させるように構成された処理回路を含む基地局デバイスを含むワイヤレスネットワークシステムが提供される。
この態様では、基地局デバイスは、着信パケット伝送信号のプリアンブルのサンプルを収集するための適応サンプリングアルゴリズムを実装するパケット検出モジュールを更に含んでもよい。着信パケット伝送信号は、基地局デバイスの受信機によってワイヤレスデバイスから受信される。基地局デバイスは、サンプルを受信し、着信パケット伝送信号の1つ以上の符号化パラメータを示す分類を出力するように構成された分類器を更に含んでもよい。基地局デバイスは、分類によって示される1つ以上の符号化パラメータに従って、着信パケット伝送信号の残りを受信するように基地局デバイスの無線を構成するための構成コマンドを送信する無線構成モジュールを更に含んでもよい。
この態様では、符号化パラメータは、着信パケット伝送信号を受信する前に、ワイヤレスデバイスと基地局デバイスとの間で予め交渉されなくてもよい。
この態様では、ワイヤレスデバイスは、符号化パラメータの複数の予め設定された値の中からワイヤレスデバイスで選択された値に符号化パラメータを設定し、符号化パラメータを予め交渉するために基地局デバイスと事前の通信に関与することなく、符号化パラメータに従って着信パケット伝送信号の伝送を開始するように更に構成されてもよい。
この態様では、サンプルはパケット信号のプリアンブル内の2つのシンボルから取得されたサンプルを含んでもよく、分類器の人工知能モデルは、サンプルの複数の特徴を使用して分類を決定し、複数の特徴はサンプルの実数成分、サンプルの虚数成分及びサンプルの高速フーリエ変換を含む。
この態様では、2つ以下のシンボルから取得されたサンプルが、人工知能モデルによって分類を出力するために使用されてもよい。
この態様では、1つ以上の符号化パラメータは帯域幅及び/又は拡散係数を含んでもよい。
この態様では、適応サンプリングアルゴリズムは、1つ以上のバンドパスフィルタを使用して着信パケット伝送信号をフィルタリングし、それによって複数のフィルタリングされた着信パケット伝送信号成分を生成し、キャプチャされた信号がフィルタリングされた着信パケット伝送信号成分の1つについて1つ以上の符号化パラメータを決定するのに十分であると決定するように更に構成されてもよい。
この態様では、分類器は、少なくとも1つの畳み込みニューラルネットワークを含む人工知能モデルを含んでもよい。
この態様では、人工知能モデルは多段階モデルであり、帯域幅分類器が着信パケット伝送信号を複数の帯域幅範囲分類の1つに分類する第1の畳み込みニューラルネットワークを含む第1の段階と、所定の閾値の下の帯域幅を有する信号について、信号が第2の畳み込みニューラルネットワークを含む低帯域幅符号化分類器によって複数の低帯域幅符号化分類の1つに分類され、所定の閾値の上の信号について、信号が第3の畳み込みニューラルネットワークを含む高帯域幅符号化分類器によって複数の高帯域幅符号化分類の1つに分類される第2の段階とを含んでもよい。
この態様では、基地局デバイスは低電力広域ネットワークを実装するように構成されてもよく、着信パケット伝送信号はLoRaWAN通信プロトコルに従ってワイヤレスデバイスから基地局デバイスに送信される。
他の態様によれば、着信パケット伝送信号のプリアンブルの一部から伝送レートを検出するステップと、着信パケット伝送信号の残りをその伝送レートで受信するように無線を適応させるステップとを含むワイヤレスネットワーク方法が提供される。
この態様では、当該方法は、処理回路を介して、ワイヤレスデバイスから受信される着信パケット伝送信号のプリアンブルのサンプルを収集するための適応サンプリングアルゴリズムを実装するステップと、分類器においてサンプルを受信し、着信パケット伝送信号の1つ以上の符号化パラメータを示す分類を出力するステップと、分類によって示される1つ以上の符号化パラメータに従って、着信パケット伝送信号の残りを受信するように無線を構成するための構成コマンドを送信するステップとを更に含んでもよい。
この態様では、符号化パラメータは、着信パケット伝送信号を受信する前に、ワイヤレスデバイスと基地局デバイスとの間で予め交渉されなくてもよい。
この態様では、サンプルはパケット信号のプリアンブル内の2つのシンボルから取得されたサンプルを含んでもよく、分類器の人工知能モデルは、サンプルの複数の特徴を使用して分類を決定し、複数の特徴はサンプルの実数成分、サンプルの虚数成分及びサンプルの高速フーリエ変換を含む。
この態様では、サンプルは、人工知能モデルによって分類を出力するために使用される2つ以下のシンボルから取得されてもよい。
この態様では、1つ以上の符号化パラメータは帯域幅及び/又は拡散係数を含んでもよい。
この態様では、分類器は、少なくとも1つの畳み込みニューラルネットワークを含む人工知能モデルでもよい。
この態様では、人工知能モデルは多段階モデルでもよく、帯域幅分類器が着信パケット伝送信号を複数の帯域幅範囲分類の1つに分類する第1の畳み込みニューラルネットワークを含む第1の段階と、所定の閾値の下の帯域幅を有する信号について、信号が第2の畳み込みニューラルネットワークを含む低帯域幅符号化分類器によって複数の低帯域幅符号化分類の1つに分類され、所定の閾値の上の信号について、信号が第3の畳み込みニューラルネットワークを含む高帯域幅符号化分類器によって複数の高帯域幅符号化分類の1つに分類される第2の段階とを含む。
他の態様によれば、着信パケット伝送信号のプリアンブルのサンプルを収集するための適応サンプリングアルゴリズムを実装するパケット検出モジュールを実行するように構成された処理回路を含むワイヤレスネットワークシステムが提供され、着信パケット伝送信号はワイヤレスデバイスから受信機によって受信される。ワイヤレスネットワークシステムは、サンプルを受信し、着信パケット伝送信号の1つ以上の符号化パラメータを示す分類を出力するように構成されたニューラルネットワークを含む分類器を実行するように更に構成されてもよい。ワイヤレスネットワークシステムは、分類によって示される1つ以上の符号化パラメータに従って、着信パケット伝送信号の残りを受信するように関連する無線を構成するための構成コマンドを送信する無線構成モジュールを実行するように更に構成されてもよい。
ここに記載の構成及び/又は手法は、本質的に例示的なものであり、多数のバリエーションが可能であるので、これらの特定の実施形態又は例は限定的な意味では考慮されないことが理解される。ここで説明する特定のルーチン又は方法は、いずれかの数の処理方策の1つ以上を表してもよい。したがって、例示及び/又は記載の様々な動作は、例示及び/又は記載の順序で実行されてもよく、他の順序で実行されてもよく、並行して実行されてもよく、或いは省略されてもよい。同様に、上記のプロセスの順序が変更されてもよい。
本開示の主題は、ここに開示された様々なプロセス、システム及び構成、並びに他の特徴、機能、動作及び/又は特性の全ての新規且つ非自明な組み合わせ及びサブコンビネーション、並びにこれらの全ての均等物を含む。

Claims (15)

  1. ワイヤレスネットワークシステムであって、
    着信パケット伝送信号のプリアンブルの一部から伝送レートを検出し、前記着信パケット伝送信号の残りを前記伝送レートで受信するように無線構成を適応させるように構成された処理回路を含む基地局デバイスを含むワイヤレスネットワークシステム。
  2. 前記基地局デバイスは、前記着信パケット伝送信号の前記プリアンブルのサンプルを収集するための適応サンプリングアルゴリズムを実装するパケット検出モジュールであり、前記着信パケット伝送信号は、前記基地局デバイスの受信機によってワイヤレスデバイスから受信される、パケット検出モジュールと、
    前記サンプルを受信し、前記着信パケット伝送信号の1つ以上の符号化パラメータを示す分類を出力するように構成された分類器と、
    前記分類によって示される前記1つ以上の符号化パラメータに従って、前記着信パケット伝送信号の残りを受信するように前記基地局デバイスの無線を構成するための構成コマンドを送信する無線構成モジュールと
    を更に含む、請求項１に記載のワイヤレスネットワークシステム。
  3. 前記符号化パラメータは、前記着信パケット伝送信号を受信する前に、前記ワイヤレスデバイスと前記基地局デバイスとの間で予め交渉されない、請求項２に記載のワイヤレスネットワークシステム。
  4. 前記ワイヤレスデバイスは、
    前記符号化パラメータの複数の予め設定された値の中から前記ワイヤレスデバイスで選択された値に前記符号化パラメータを設定し、
    前記符号化パラメータを予め交渉するために前記基地局デバイスと事前の通信に関与することなく、前記符号化パラメータに従って前記着信パケット伝送信号の伝送を開始する
    ように更に構成される、請求項２に記載のワイヤレスネットワークシステム。
  5. 前記サンプルは前記パケット信号のプリアンブル内の2つのシンボルから取得されたサンプルを含み、前記分類器の人工知能モデルは、前記サンプルの複数の特徴を使用して前記分類を決定し、前記複数の特徴は前記サンプルの実数成分、前記サンプルの虚数成分及び前記サンプルの高速フーリエ変換を含む、請求項２に記載のワイヤレスネットワークシステム。
  6. 2つ以下のシンボルから取得されたサンプルが、前記人工知能モデルによって前記分類を出力するために使用される、請求項５に記載のワイヤレスネットワークシステム。
  7. 前記1つ以上の符号化パラメータは帯域幅及び/又は拡散係数を含む、請求項２に記載のワイヤレスネットワークシステム。
  8. 前記適応サンプリングアルゴリズムは、
    1つ以上のバンドパスフィルタを使用して前記着信パケット伝送信号をフィルタリングし、それによって複数のフィルタリングされた着信パケット伝送信号成分を生成し、
    キャプチャされた信号が前記フィルタリングされた着信パケット伝送信号成分の1つについて前記1つ以上の符号化パラメータを決定するのに十分であると決定する
    ように構成される、請求項２に記載のワイヤレスネットワークシステム。
  9. 前記分類器は、少なくとも1つの畳み込みニューラルネットワークを含む人工知能モデルである、請求項２に記載のワイヤレスネットワークシステム。
  10. 前記人工知能モデルは多段階モデルであり、
    帯域幅分類器が前記着信パケット伝送信号を複数の帯域幅範囲分類の1つに分類する第1の畳み込みニューラルネットワークを含む第1の段階と、
    所定の閾値の下の帯域幅を有する信号について、前記信号が第2の畳み込みニューラルネットワークを含む低帯域幅符号化分類器によって複数の低帯域幅符号化分類の1つに分類され、前記所定の閾値の上の信号について、前記信号が第3の畳み込みニューラルネットワークを含む高帯域幅符号化分類器によって複数の高帯域幅符号化分類の1つに分類される第2の段階と
    を含む、請求項５に記載のワイヤレスネットワークシステム。
  11. 前記基地局デバイスは低電力広域ネットワークを実装するように構成され、前記着信パケット伝送信号はLoRaWAN通信プロトコルに従ってワイヤレスデバイスから前記基地局デバイスに送信される、請求項１に記載のワイヤレスネットワークシステム。
  12. ワイヤレスネットワーク方法であって、
    着信パケット伝送信号のプリアンブルの一部から伝送レートを検出するステップと、
    前記着信パケット伝送信号の残りを前記伝送レートで受信するように無線を適応させるステップと
    を含む方法。
  13. 処理回路を介して、
    ワイヤレスデバイスから受信される前記着信パケット伝送信号の前記プリアンブルのサンプルを収集するための適応サンプリングアルゴリズムを実装するステップと、
    分類器において前記サンプルを受信し、前記着信パケット伝送信号の1つ以上の符号化パラメータを示す分類を出力するステップと、
    前記分類によって示される前記1つ以上の符号化パラメータに従って、前記着信パケット伝送信号の残りを受信するように前記無線を構成するための構成コマンドを送信するステップと
    を更に含む、請求項１２に記載の方法。
  14. 前記符号化パラメータは、前記着信パケット伝送信号を受信する前に、前記ワイヤレスデバイスと前記基地局デバイスとの間で予め交渉されない、請求項１３に記載の方法。
  15. 前記サンプルは前記パケット信号のプリアンブル内の2つのシンボルから取得されたサンプルを含み、前記分類器の人工知能モデルは、前記サンプルの複数の特徴を使用して前記分類を決定し、前記複数の特徴は前記サンプルの実数成分、前記サンプルの虚数成分及び前記サンプルの高速フーリエ変換を含む、請求項１３に記載の方法。
JP2022567041A 2020-05-21 2021-04-22 ワイヤレスネットワークにおける適応無線構成 Pending JP2023526190A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
IN202041021481 2020-05-21
IN202041021481 2020-05-21
US16/936,144 US11575460B2 (en) 2020-05-21 2020-07-22 Adaptive radio configuration in wireless networks
US16/936,144 2020-07-22
PCT/US2021/028528 WO2021236286A1 (en) 2020-05-21 2021-04-22 Adaptive radio configuration in wireless networks

Publications (1)

Publication Number Publication Date
JP2023526190A true JP2023526190A (ja) 2023-06-21

Family

ID=78608524

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022567041A Pending JP2023526190A (ja) 2020-05-21 2021-04-22 ワイヤレスネットワークにおける適応無線構成

Country Status (12)

Country Link
US (2) US11575460B2 (ja)
EP (1) EP4154415A1 (ja)
JP (1) JP2023526190A (ja)
KR (1) KR20230013024A (ja)
CN (1) CN115668786A (ja)
AU (1) AU2021274636A1 (ja)
BR (1) BR112022020163A2 (ja)
CA (1) CA3180503A1 (ja)
IL (1) IL298393A (ja)
MX (1) MX2022014568A (ja)
WO (1) WO2021236286A1 (ja)
ZA (1) ZA202211080B (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023115506A1 (en) * 2021-12-24 2023-06-29 Huawei Technologies Co., Ltd. Systems and methods for enabling automated transfer learning
CN116208297B (zh) * 2023-05-06 2023-08-08 中科航迈数控软件(深圳)有限公司 一种数控机床传输数据自适应编码方法、装置及相关设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6856613B1 (en) * 1999-12-30 2005-02-15 Cisco Technology, Inc. Method and apparatus for throttling audio packets according to gateway processing capacity
US7505528B2 (en) * 2001-08-30 2009-03-17 Broadcom Corporation Method and apparatus for range extension of low-power wireless communication links
US9712206B2 (en) 2010-12-27 2017-07-18 Microchip Technology Incorporated Preamble design and processing method for on-the-fly, frame-by-frame air data rate detection in wireless receivers
US10142257B2 (en) * 2013-04-08 2018-11-27 Alcatel Lucent Dynamic scaling of redundancy elimination middleboxes
WO2020188585A1 (en) * 2019-03-16 2020-09-24 Livehooah Technologies Private Limited System and method for structural health monitoring using internet of things and machine learning

Also Published As

Publication number Publication date
ZA202211080B (en) 2024-05-30
US20230188244A1 (en) 2023-06-15
CA3180503A1 (en) 2021-11-25
US11575460B2 (en) 2023-02-07
KR20230013024A (ko) 2023-01-26
EP4154415A1 (en) 2023-03-29
AU2021274636A1 (en) 2022-11-17
CN115668786A (zh) 2023-01-31
WO2021236286A1 (en) 2021-11-25
US20210367701A1 (en) 2021-11-25
IL298393A (en) 2023-01-01
BR112022020163A2 (pt) 2022-11-22
MX2022014568A (es) 2022-12-15

Similar Documents

Publication Publication Date Title
US20230188244A1 (en) Adaptive radio configuration in wireless networks
JP7154295B2 (ja) 無線信号の特性の機械学習に基づく動き検出
US20200143279A1 (en) Radio frequency band segmentation, signal detection and labelling using machine learning
US11849332B2 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
US12015928B2 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
US11838765B2 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
US12035143B1 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
CN110108486B (zh) 轴承故障预测方法、设备及系统
US11411832B2 (en) Methods and apparatus to generate optimized models for internet of things devices
US20220050133A1 (en) Systems and methods for detecting and classifying drone signals
JP2022523932A (ja) 動き検出システムにおいて新しい動きゾーンを検出するためのオフラインチューニングシステム
KR20170026228A (ko) 스펙트로스코피를 이용한 식별
Li et al. A deep convolutional network for multitype signal detection and classification in spectrogram
KR20240011816A (ko) 기계 학습 네트워크들을 사용한 가변 통신 채널 응답들의 생성
CN116707675A (zh) 无线电信号的检测、无线电信号的异常检测方法及装置
Yang et al. CSI-based human behavior segmentation and recognition using commodity Wi-Fi
US20210258990A1 (en) Systems and methods for a multi-tier self-organizing network architecture
CN117480492A (zh) 设备性能监测系统
US20220385539A1 (en) Detecting site locations of unknown network devices
US20220123844A1 (en) Method and apparatus for signal regeneration
US20190327589A1 (en) Data transfer utilizing two-way radio transmission independent of or concurrent with other data transfer means

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240311