Core Concepts
PU 정보가 없는 경우에도 딥러닝 기반 DeepAlloc 기법을 통해 효율적인 스펙트럼 할당이 가능하다.
Abstract
이 논문은 공유 스펙트럼 시스템에서 효율적인 스펙트럼 할당을 위한 딥러닝 기반 기법인 DeepAlloc을 제안한다.
PU 정보가 주어진 PU-Setting과 PU 정보가 없는 SS-Setting의 두 가지 시나리오를 다룬다.
PU-Setting에서는 PU 정보를 활용하여 CNN 기반 SH-Alloc 모델을 개발하고, 이를 더 깊은 구조의 DeepAlloc 모델로 확장한다.
SS-Setting에서는 스펙트럼 센서(SS) 정보를 활용하여 스펙트럼 할당을 수행한다.
DeepAlloc 모델은 사전 학습된 깊은 CNN 모델을 활용하여 적은 수의 실제 학습 데이터로도 높은 성능을 달성한다.
또한 다중 경로 페이딩 효과 처리, 합성 샘플 생성, 다중 SU 동시 할당 등의 기법을 제안한다.
대규모 시뮬레이션과 실외 테스트베드 평가를 통해 제안 기법의 우수성을 입증한다.
Stats
PU의 송신 전력이 -10 ~ 0 dBm 범위인 경우 첫 번째 시트에 배치된다.
스펙트럼 센서의 위치에 따라 시트에 배치된다.