NN-Defined Modulator: Reconfigurable and Portable Software Modulator on IoT Gateways

物理层调制器是物联网网关将符号映射到信号的关键组件。然而，由于网关主板上焊接的硬件芯片或不同平台上的各种工具包，现有的解决方案要么具有有限的可扩展性，要么是特定于平台的。当调制方案和硬件平台变得极为多样化时，这种限制很难忽视。本文提出了一种新的范式，即使用神经网络作为物理层调制器的抽象层，称为NN-defined modulators。我们的方法解决了多种技术在各种硬件平台上的可扩展性和可移植性的挑战。所提出的NN-defined modulator使用基于坚实数学基础的模型驱动方法，同时具有对硬件加速和异构平台的本地支持。我们在不同平台上对NN-defined modulators进行了评估，包括Nvidia Jetson Nano和Raspberry Pi。评估表明，我们的NN-defined modulator有效地运行为传统调制器，并提供了显著的效率提升（在Nvidia Jetson Nano上高达$4.7\times$，在Raspberry Pi上高达$1.1\times$），表明具有高度可移植性。此外，我们展示了使用我们的NN-defined modulators生成符合商品TI CC2650（ZigBee）和Intel AX201（WiFi NIC）的ZigBee和WiFi数据包的实际应用。

提出一种新的物理层调制器抽象层的范式，称为NN-defined modulators，以解决IoT网关设备中物理层调制器的可扩展性和可移植性问题。

使用神经网络作为物理层调制器的抽象层，通过模型驱动方法实现硬件加速和对异构平台的可移植性。

通过在Nvidia Jetson Nano和Raspberry Pi等不同平台上进行评估，证明NN-defined modulators可以有效地作为传统调制器运行，并提供了显著的效率提高（Nvidia Jetson Nano上高达4.7倍，Raspberry Pi上高达1.1倍），表明其高度可移植性。此外，论文展示了使用NN-defined modulators生成符合商用TI CC2650（ZigBee）和Intel AX201（WiFi NIC）的ZigBee和WiFi数据包的实际应用。

在这个领域中，近期的相关研究包括：'Deep Learning for Physical-Layer Wireless Communication: Opportunities and Challenges'，'End-to-End Learning of Communications Systems Without a Channel Model'等。