論文の概要: LibIQ: Toward Real-Time Spectrum Classification in O-RAN dApps

• arxiv url: http://arxiv.org/abs/2505.10537v2
• Date: Tue, 27 May 2025 22:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 15:04:28.027436
• Title: LibIQ: Toward Real-Time Spectrum Classification in O-RAN dApps
• Title（参考訳）: LibIQ: O-RAN dAppsにおけるリアルタイムスペクトル分類を目指して
• Authors: Filippo Olimpieri, Noemi Giustini, Andrea Lacava, Salvatore D'Oro, Tommaso Melodia, Francesca Cuomo,
• Abstract要約: O-RANはRAN軟化と解離の概念を採用することでセルネットワークを変換している。 このような管理は、xAppsやrAppsを通じて、ほぼリアルタイムおよび非リアルタイムのネットワーク制御を容易にするRCCによって実現されている。 我々は、dAppsの概念を利用して、RF信号の新しいライブラリであるLibIQでリアルタイムRFスペクトルの分類を可能にする。
• 参考スコア（独自算出の注目度）: 15.696586190289947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The O-RAN architecture is transforming cellular networks by adopting RAN softwarization and disaggregation concepts to enable data-driven monitoring and control of the network. Such management is enabled by RICs, which facilitate near-real-time and non-real-time network control through xApps and rApps. However, they face limitations, including latency overhead in data exchange between the RAN and RIC, restricting real-time monitoring, and the inability to access user plain data due to privacy and security constraints, hindering use cases like beamforming and spectrum classification. In this paper, we leverage the dApps concept to enable real-time RF spectrum classification with LibIQ, a novel library for RF signals that facilitates efficient spectrum monitoring and signal classification by providing functionalities to read I/Q samples as time-series, create datasets and visualize time-series data through plots and spectrograms. Thanks to LibIQ, I/Q samples can be efficiently processed to detect external RF signals, which are subsequently classified using a CNN inside the library. To achieve accurate spectrum analysis, we created an extensive dataset of time-series-based I/Q samples, representing distinct signal types captured using a custom dApp running on a 5G deployment over the Colosseum network emulator and an OTA testbed. We evaluate our model by deploying LibIQ in heterogeneous scenarios with varying center frequencies, time windows, and external RF signals. In real-time analysis, the model classifies the processed I/Q samples, achieving an average accuracy of approximately 97.8% in identifying signal types across all scenarios. We pledge to release both LibIQ and the dataset created as a publicly available framework upon acceptance.
• Abstract（参考訳）: O-RANアーキテクチャは、RANソフトウォーズとデアグリゲーションの概念を採用してセルネットワークをトランスフォーメーションし、データ駆動によるネットワークの監視と制御を可能にする。 このような管理は、xAppsやrAppsを通じて、ほぼリアルタイムおよび非リアルタイムのネットワーク制御を容易にするRCCによって実現されている。 しかしながら、RANとRIC間のデータ交換の遅延オーバーヘッド、リアルタイム監視の制限、プライバシとセキュリティの制約によるユーザプレーンデータへのアクセスの障害、ビームフォーミングやスペクトル分類といったユースケースの妨げなど、制限に直面している。 本稿では,リアルタイムRFスペクトル分類を可能にするためにdAppsの概念を活用し,プロットやスペクトログラムを通じてI/Qサンプルを時系列として読み出し,データセットを作成し,時系列データを視覚化することで,効率的なスペクトル監視と信号分類を容易にする新しいRF信号ライブラリLibIQを開発した。 LibIQのおかげで、I/Qサンプルを効率的に処理して外部RF信号を検出し、ライブラリ内のCNNを使用して分類する。 正確なスペクトル分析を実現するため,我々は,ColosseumネットワークエミュレータとOTAテストベッド上での5Gデプロイメントで動作するカスタムdAppを用いて,独自の信号タイプをキャプチャした時系列ベースのI/Qサンプルの広範なデータセットを作成した。 我々は、中心周波数、時間窓、外部RF信号の異なる異種シナリオにLibIQをデプロイすることで、我々のモデルを評価する。 リアルタイム解析において、モデルは処理されたI/Qサンプルを分類し、すべてのシナリオにおける信号タイプを識別する平均精度は97.8%である。 受理後、LibIQと一般公開フレームワークとして作成されたデータセットの両方をリリースすることを約束します。

関連論文リスト

• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
  本稿では、RANによって異なるアプリが実装された場合のトラフィックの値を推定する問題に対処する。 本稿では,無線システムに対する共形予測に基づく対実解析手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:47:26Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
  次世代の細胞概念は、大量の高周波サンプルの処理に依存している。 RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。 RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
  論文  参考訳（メタデータ） (2024-03-05T17:42:39Z)
• HiNoVa: A Novel Open-Set Detection Method for Automating RF Device Authentication [9.571774189070531]
  本稿では,畳み込みニューラルネットワーク(CNN)長短期記憶(LSTM)モデルにおける隠れ状態値のパターンに基づいた,新しいオープンセット検出手法を提案する。 我々のアプローチはLoRa、Wi-Fi、Wired-WiFiデータセットの精度-リコール曲線の領域を大幅に改善する。
  論文  参考訳（メタデータ） (2023-05-16T16:47:02Z)
• Comprehensive RF Dataset Collection and Release: A Deep Learning-Based Device Fingerprinting Use Case [10.698553177585973]
  我々は、USRP B210受信機を用いて25種類のLoRa対応IoT伝送デバイスから収集した大規模なRFフィンガープリントデータセットを提示、リリースする。 我々のデータセットは、多数のSigMF準拠バイナリファイルからなり、I/Q時間領域のサンプルと対応するFFTベースのLoRa送信ファイルで構成されている。
  論文  参考訳（メタデータ） (2022-01-06T19:07:57Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。