Binarized ResNet: Enabling Robust Automatic Modulation Classification at the resource-constrained Edge

要約

タイトル：Binarized ResNet：資源制約のあるエッジにおける堅牢な自動変調分類を可能にする

要約：

– DNNは、エッジネットワークにおいてデバイスが資源制約のため実用的でなく、アドバーサル攻撃にも脆弱である。
– この研究では、低メモリと計算複雑性によりエッジネットワークに展開可能な回転バイナリ大型ResNet(RBLResNet)を提案している。
– RBLResNetと既存の浮動小数点ウェイトと活性化を持つアーキテクチャとの性能差は、複数のRBLResNetをバッグして低メモリと計算パワーを保持しながら2つの提案されたアンサンブル方法（i）多レベル分類（MC） （ii）閾値付きアンサンブルバギング（TEB）により閉じることができる。
– MC法は、Deepsigデータセットの24の変調クラス全体で10dBの精度を93.39％で達成し、SOTAパフォーマンスと比較しながら、4.75倍の低メモリと1214倍の低計算性がある。
– さらに、RBLResNetは既存のDNNモデルに比べ高い攻撃耐性を持っている。
– RBLResNetsを使用した提案されたMC法は、広範囲のSNRで87.25％の攻撃的な精度を持ち、知っている限りすべての既存のSOTAメソッドの耐性を上回る。
– 低メモリ、低計算性、最高の攻撃耐性などの特性により、低消費電力エッジデバイスで堅牢なAMCのためのより良い選択肢となる。

要約(オリジナル)

Recently, deep neural networks (DNNs) have been used extensively for automatic modulation classification (AMC), and the results have been quite promising. However, DNNs have high memory and computation requirements making them impractical for edge networks where the devices are resource-constrained. They are also vulnerable to adversarial attacks, which is a significant security concern. This work proposes a rotated binary large ResNet (RBLResNet) for AMC that can be deployed at the edge network because of low memory and computational complexity. The performance gap between the RBLResNet and existing architectures with floating-point weights and activations can be closed by two proposed ensemble methods: (i) multilevel classification (MC), and (ii) bagging multiple RBLResNets while retaining low memory and computational power. The MC method achieves an accuracy of $93.39\%$ at $10$dB over all the $24$ modulation classes of the Deepsig dataset. This performance is comparable to state-of-the-art (SOTA) performances, with $4.75$ times lower memory and $1214$ times lower computation. Furthermore, RBLResNet also has high adversarial robustness compared to existing DNN models. The proposed MC method with RBLResNets has an adversarial accuracy of $87.25\%$ over a wide range of SNRs, surpassing the robustness of all existing SOTA methods to the best of our knowledge. Properties such as low memory, low computation, and the highest adversarial robustness make it a better choice for robust AMC in low-power edge devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI