Collaborative architecture using tiny machine learning for wireless technologies recognition

Abstract

A coexistência de múltiplas tecnologias sem fio em faixas de espectro congestionadas exige mecanismos eficientes de reconhecimento que possam operar na borda da rede, especialmente na faixa de 5.9 GHz, onde tecnologias como ITS, C-V2X, Wi-Fi, LTE e 5G NR transmitem sinais com características heterogêneas na camada física, incluindo diferentes esquemas de modulação, estruturas de quadro, larguras de banda e padrões de transmissão, o que impõe desafios significativos ao reconhecimento de tecnologias sem fio; este trabalho propõe uma arquitetura colaborativa para reconhecimento baseada em uma Rede Neural Convolucional (CNN) otimizada para implantação em TinyML, um paradigma voltado à execução de modelos em dispositivos embarcados com recursos extremamente limitados de memória, processamento e energia, como microcontroladores, no qual os modelos são compactados e quantizados para permitir inferência local eficiente e reduzir a necessidade de transmissão de dados para a nuvem, enquanto múltiplas sondas espacialmente distribuídas realizam classificação local utilizando modelos comprimidos treinados sobre representações obtidas por Transformada Rápida de Fourier (FFT) derivadas de amostras em fase e quadratura (IQ), e um mecanismo de votação suave (soft-voting) agrega suas saídas para aumentar a robustez, sendo que a avaliação experimental em níveis de relação sinal-ruído (SNR) variando de -10 a 20 dB demonstra que a abordagem alcança um equilíbrio favorável entre acurácia, robustez ao ruído e eficiência computacional, com ganhos de recuperação de acurácia na faixa de 12% e melhorias significativas de desempenho em cenários de baixa SNR por meio da fusão colaborativa.

Abstract: The coexistence of multiple wireless technologies in congested spectrum bands requires efficient recognition mechanisms capable of operating at the network edge, particularly in the 5.9 GHz band, where technologies such as ITS, C-V2X, Wi-Fi, LTE, and 5G NR transmit signals with heterogeneous physical layer characteristics, including different modulation schemes, frame structures, bandwidths, and transmission patterns, posing significant challenges for wireless technology recognition; this work proposes a collaborative architecture based on a Convolutional Neural Network (CNN) optimized for deployment in TinyML, a machine learning paradigm focused on executing models on embedded devices with extremely limited memory, processing, and energy resources, such as microcontrollers, in which models are compressed and quantized to enable efficient local inference and reduce the need for data transmission to the cloud, while multiple spatially distributed probes perform local classification using compressed models trained on representations obtained via Fast Fourier Transform (FFT) derived from in-phase and quadrature (IQ) samples, and a soft-voting mechanism aggregates their outputs to enhance robustness, with experimental evaluation under signal-to-noise ratio (SNR) levels ranging from -10 to 20 dB demonstrating that the proposed approach achieves a favorable trade-off between accuracy, noise robustness, and computational efficiency, yielding accuracy recovery gains of up to 12% and showing that collaborative fusion significantly improves performance in low-SNR scenarios.