隨著無(wú)線協(xié)議變得越來(lái)越復(fù)雜，頻譜環(huán)境的競(jìng)爭(zhēng)日益激烈，電子戰(zhàn)也越來(lái)越復(fù)雜。無(wú)線電所需的基帶處理程度也更加復(fù)雜和專業(yè)化。

在充滿威脅的復(fù)雜環(huán)境下，想要完全優(yōu)化射頻系統(tǒng)是不現(xiàn)實(shí)的。設(shè)計(jì)人員以前一直依賴簡(jiǎn)化的封閉式模型，但是這些模型無(wú)法準(zhǔn)確捕捉到真實(shí)效果；而且對(duì)系統(tǒng)的優(yōu)化也非常零碎，僅能優(yōu)化單個(gè)組件，無(wú)法進(jìn)行完整的端到端優(yōu)化。

在過(guò)去幾年里，人工智能已經(jīng)取得了長(zhǎng)足的進(jìn)步，尤其是機(jī)器學(xué)習(xí)技術(shù)中的深度學(xué)習(xí)。為了解決眾多棘手問(wèn)題，人類設(shè)計(jì)人員一直都在花費(fèi)大量精力研究手動(dòng)式工程解決方案，而深度學(xué)習(xí)則直接將目標(biāo)對(duì)準(zhǔn)了針對(duì)特定問(wèn)題的大型復(fù)雜數(shù)據(jù)集。

AI和無(wú)線電射頻

如要了解AI如何簡(jiǎn)化RF系統(tǒng)設(shè)計(jì)的復(fù)雜性，就需要從大局上了解最近哪些技術(shù)進(jìn)步推動(dòng)了AI系統(tǒng)的迅速普及。“AI”這個(gè)術(shù)語(yǔ)已經(jīng)使用了幾十年，從廣義上講，是指基于機(jī)器決策的問(wèn)題解決方法。機(jī)器學(xué)習(xí)（ML）屬于AI的一種，指使用數(shù)據(jù)對(duì)機(jī)器進(jìn)行訓(xùn)練，以解決特定問(wèn)題。深度學(xué)習(xí)是一類具有“特征學(xué)習(xí)”能力的機(jī)器學(xué)習(xí)技術(shù)，在這個(gè)過(guò)程中，由機(jī)器決定使用哪些方面的數(shù)據(jù)作為決策依據(jù)，而不是由人類設(shè)計(jì)人員規(guī)定某些明顯的特征作為決策依據(jù)。

例如，設(shè)計(jì)人員以前都是根據(jù)多年的特征識(shí)別技術(shù)研究心得，手動(dòng)編寫(xiě)面部識(shí)別算法。而深度學(xué)習(xí)方法將包含人臉的圖像數(shù)據(jù)集與操作人員訓(xùn)練結(jié)合起來(lái)，可識(shí)別出人臉的位置。機(jī)器會(huì)學(xué)習(xí)識(shí)別人臉的構(gòu)成，不需要設(shè)計(jì)人員定義算法。

同樣，RF信號(hào)分類和頻譜感知算法也從深度學(xué)習(xí)方法中獲益匪淺。過(guò)去的自動(dòng)調(diào)制分類（AMC）和頻譜監(jiān)測(cè)方法需要耗費(fèi)大量人力來(lái)進(jìn)行手動(dòng)工程特征提?。?a target="_blank">工程師團(tuán)隊(duì)通常需要花費(fèi)數(shù)月時(shí)間進(jìn)行設(shè)計(jì)和部署），而基于深度學(xué)習(xí)的系統(tǒng)通過(guò)幾小時(shí)的訓(xùn)練，就能識(shí)別新的信號(hào)類型。深度學(xué)習(xí)還允許端到端學(xué)習(xí)，通過(guò)這種方式，一個(gè)模型可以同時(shí)學(xué)習(xí)編碼器和解碼器，從而構(gòu)成一個(gè)完整的收發(fā)系統(tǒng)。該模型不需要嘗試逐個(gè)優(yōu)化每個(gè)組件（例如，數(shù)模轉(zhuǎn)換器[DAC]、模數(shù)轉(zhuǎn)換器[ADC]、射頻轉(zhuǎn)換器、無(wú)線信道和接收器網(wǎng)絡(luò)），并將它們拼接在一起，而是將系統(tǒng)視為端到端函數(shù)，學(xué)習(xí)從整體上優(yōu)化系統(tǒng)。

基于AI與深度學(xué)習(xí)的SDR硬件架構(gòu)

SDR將寬帶前端和功能強(qiáng)大的處理器相結(jié)合，為信號(hào)分析應(yīng)用提供了理想的平臺(tái)。人工智能和深度學(xué)習(xí)技術(shù)可以訓(xùn)練系統(tǒng)，使系統(tǒng)檢測(cè)信號(hào)的速度遠(yuǎn)超手工編寫(xiě)的算法。了解DeepSig如何將COTS SDR與人工智能和深度學(xué)習(xí)相結(jié)合。

用于防御的COTS CR 系統(tǒng)通常包括兩種類型：

1. 部署在現(xiàn)場(chǎng)的緊湊型系統(tǒng)，利用人工智能實(shí)時(shí)確定可作為行動(dòng)依據(jù)的情報(bào)。這些系統(tǒng)采用FPGA和通用處理器（GPP），有時(shí)會(huì)額外配備緊湊型圖形處理單元（GPU）模塊。

2. 需要密集計(jì)算的模塊化可擴(kuò)展系統(tǒng)，通常由與高端服務(wù)器相連的CR組成，具有功能強(qiáng)大的GPU，可進(jìn)行離線處理。這些系統(tǒng)經(jīng)常需要用到較大型的RF儀器，而且由于數(shù)據(jù)處理量增加，往往需要使用吞吐量更高的總線，例如PCIe。

對(duì)于低SWaP系統(tǒng)來(lái)說(shuō)，F(xiàn)PGA硬件處理效率、低延遲性能以及GPP可編程性就非常關(guān)鍵。雖然對(duì)FPGA進(jìn)行編程可能會(huì)使開(kāi)發(fā)變得復(fù)雜一些，但這是實(shí)時(shí)系統(tǒng)實(shí)現(xiàn)低SWaP的關(guān)鍵。為此，NI和Ettus Research聯(lián)合開(kāi)發(fā)了通用軟件無(wú)線電外設(shè)（USRP），為這些系統(tǒng)提供了緊湊的現(xiàn)成平臺(tái)。用戶可編程FPGA是USRP設(shè)備的固有組成部分，直接集成LabVIEW或開(kāi)源軟件，例如芯片射頻網(wǎng)絡(luò)（RFNoC），可降低使用硬件描述語(yǔ)言對(duì)FPGA進(jìn)行編程的難度。

對(duì)于大型計(jì)算密集型系統(tǒng)而言，擁有可擴(kuò)展并且可以異構(gòu)利用同類最佳處理器的硬件架構(gòu)意義重大。這些架構(gòu)通常包括用于基帶處理的FPGA、用于控制的GPP以及用于AI處理的GPU。GPU既能夠處理大量數(shù)據(jù)，同時(shí)也相對(duì)易于編程。GPU的缺點(diǎn)是數(shù)據(jù)管道長(zhǎng)，導(dǎo)致傳輸時(shí)間較長(zhǎng)，不過(guò)這個(gè)問(wèn)題只對(duì)需要超低延遲的系統(tǒng)有影響。當(dāng)然，這兩類系統(tǒng)中都有許多設(shè)備以犧牲性能為代價(jià)來(lái)降低功耗，在設(shè)計(jì)分析中應(yīng)該對(duì)此加以權(quán)衡。

表1. 認(rèn)知無(wú)線電的處理器選項(xiàng)

舉例來(lái)說(shuō)，美國(guó)國(guó)防高級(jí)研究計(jì)劃局（DARPA）頻譜協(xié)同挑戰(zhàn)賽（Spectrum Collaboration Challenge）中使用的Colosseum試驗(yàn)臺(tái)就是一個(gè)大型計(jì)算密集型系統(tǒng)。該系統(tǒng)包含128個(gè)帶有板載FPGA的雙通道USRP（Ettus X310）、帶有多個(gè)FPGA的ATCA-3671刀片服務(wù)器，以及基于GPU的高端服務(wù)器，其中ATCA-3671服務(wù)器主要用于數(shù)據(jù)聚合，GPU則可進(jìn)行強(qiáng)大的AI處理。

圖1.DARPA Colosseum測(cè)試臺(tái)配備128個(gè)Ettus X310 USRP和NI ATCA-3671處理單元。

部署系統(tǒng)中的AI

如果使用經(jīng)過(guò)訓(xùn)練的深層神經(jīng)網(wǎng)絡(luò)執(zhí)行信號(hào)檢測(cè)和分類，只需要幾毫秒的時(shí)間。與使用傳統(tǒng)方法的迭代和算法式信號(hào)搜索、檢測(cè)和分類相比，這種模式可將性能提高好幾個(gè)數(shù)量級(jí)。這些優(yōu)勢(shì)同時(shí)也有助于降低功耗和計(jì)算要求，訓(xùn)練模型的靈敏度通常至少是現(xiàn)有方法的兩倍。

美國(guó)的DeepSig是一家專門(mén)從事信號(hào)處理和無(wú)線電系統(tǒng)業(yè)務(wù)的初創(chuàng)公司。其OmniSIG傳感器軟件產(chǎn)品中使用了基于深度學(xué)習(xí)的商業(yè)化RF傳感技術(shù)。該產(chǎn)品可與NI和Ettus Research的USRP兼容。借助深度學(xué)習(xí)的自動(dòng)特征學(xué)習(xí)功能，OmniSIG傳感器只需經(jīng)過(guò)幾秒鐘的信號(hào)捕獲和訓(xùn)練，就可以識(shí)別新的信號(hào)類型。

對(duì)于學(xué)習(xí)型通信系統(tǒng)，包括便于直接在物理層進(jìn)行訓(xùn)練的端到端學(xué)習(xí)，可使用DeepSig的OmniPHY軟件來(lái)學(xué)習(xí)如何在惡劣的信道條件和頻譜環(huán)境以及硬件性能有限的情況下優(yōu)化通信系統(tǒng)。其中包括非視距通信；抗干擾能力；激烈對(duì)抗環(huán)境中的多用戶系統(tǒng)；和硬件失真效應(yīng)抑制。

圖2.OmniSIG傳感器使用通用SDR對(duì)蜂窩頻段內(nèi)的信號(hào)進(jìn)行檢測(cè)和分類。

學(xué)習(xí)型通信系統(tǒng)的優(yōu)勢(shì)之一是可以針對(duì)不同任務(wù)輕松進(jìn)行優(yōu)化。比如有些用戶更關(guān)心吞吐量和延遲，而有些用戶可能會(huì)優(yōu)先考慮作戰(zhàn)信息鏈距離、功耗，甚至簽名和檢測(cè)或攔截概率。此外，在機(jī)器學(xué)習(xí)中，對(duì)作戰(zhàn)環(huán)境越了解，訓(xùn)練出的解決方案就越有效。

將基于深度學(xué)習(xí)的感測(cè)和有源無(wú)線電波形相結(jié)合，可實(shí)現(xiàn)全新的自適應(yīng)波形和電子戰(zhàn)，從而能夠應(yīng)對(duì)當(dāng)今對(duì)抗激烈頻譜的環(huán)境。對(duì)于基于深度學(xué)習(xí)的系統(tǒng)訓(xùn)練而言，處理器性能十分重要，但是經(jīng)過(guò)訓(xùn)練后，該模型就可以很容易地部署到低SWaP嵌入式系統(tǒng)中，例如邊緣傳感器和戰(zhàn)術(shù)無(wú)線電。

為什么在信號(hào)分析系統(tǒng)中使用SDR？

SDR的核心元件是射頻前端和處理單元，因而非常適合原型和部署基于AI的信號(hào)分析系統(tǒng)。USRP的低SWaP使其非常適合通信情報(bào)部署，用于檢測(cè)低于6 GHz頻率的信號(hào)。

對(duì)于高頻率和計(jì)算密集型應(yīng)用，PXI平臺(tái)儀器可以擴(kuò)展至毫米波頻率，可處理的頻段最高可達(dá)Ka頻段，通過(guò)x8 PCIe鏈路提供更高的數(shù)據(jù)吞吐量，并采用包含多個(gè)Xilinx Virtex-7 FPGA的ATCA模塊進(jìn)行海量數(shù)據(jù)處理。

如果要檢測(cè)可能采用擴(kuò)頻或跳頻技術(shù)且頻率未知的不良信號(hào)，就需要采用寬帶接收機(jī)。COTS SDR集成了最新的寬帶ADC和DAC來(lái)解決這一問(wèn)題。另外，您可以組成多通道系統(tǒng)，通過(guò)將接收器信道調(diào)諧到相鄰頻段來(lái)擴(kuò)展有效帶寬，或者通過(guò)共享本地振蕩器來(lái)實(shí)現(xiàn)通道間的相位一致性。這樣不僅能夠檢測(cè)和識(shí)別信號(hào)，還能對(duì)信號(hào)進(jìn)行測(cè)向和定位。

NI和Ettus Research USRP采用異構(gòu)架構(gòu)來(lái)處理SDR和主機(jī)PC上的信號(hào)。由于認(rèn)知系統(tǒng)需要生成輸出信號(hào)來(lái)響應(yīng)頻譜感測(cè)或接收到的信號(hào)，SDR上的板載內(nèi)聯(lián)處理功能就顯得非常重要。FPGA板載處理可以提供很多好處，例如，通過(guò)傳輸或僅存儲(chǔ)感興趣的信號(hào)，來(lái)降低延遲（與主機(jī)雙向傳輸所有數(shù)據(jù)相比）和減少數(shù)據(jù)鏈路或總線上的數(shù)據(jù)。

惡劣的電磁環(huán)境要求信號(hào)分析系統(tǒng)能夠檢測(cè)未知信號(hào)并快速適應(yīng)新的威脅。具有深度學(xué)習(xí)能力的算法可以接受訓(xùn)練以識(shí)別新信號(hào)，同時(shí)縮短開(kāi)發(fā)時(shí)間。而且，SDR架構(gòu)具有低SWaP、實(shí)時(shí)處理能力、寬帶前端和靈活編程等優(yōu)點(diǎn)，無(wú)疑是部署基于AI的信號(hào)分析系統(tǒng)的理想之選。