Banco de pruebas para la clasificación de modulaciones de señales inalámbricas IEEE 802.11b/g/n en la banda de 2.4GHz para redes IOT mediante aprendizaje automático

Abstract

La creciente coexistencia de dispositivos IoT en la banda ISM de 2.4 GHz ha generado problemas de congestión espectral, interferencia y reducción del rendimiento en redes inalámbricas IEEE 802.11. Esta investigación desarrolló un banco de pruebas para la clasificación de modulaciones de señales IEEE 802.11b/g/n/ax y ruido mediante aprendizaje automático, con enfoque en el análisis de ráfagas I/Q a nivel de capa física. La metodología comprendió la generación y captura de señales mediante nodos transmisores y radio definida por software, el almacenamiento de muestras I/Q, el preprocesamiento mediante corrección de componente DC, compensación de desbalances I/Q, segmentación, normalización y augmentación con canales sintéticos y ruido AWGN. Se entrenaron dos modelos basados en Transformers, denominados SM y LG, utilizando PyTorch, y posteriormente se optimizaron mediante ONNX y TensorRT para inferencia en el borde. Los resultados evidenciaron altos niveles de exactitud en escenarios de 20 dB, alcanzando 99.05 % en PyTorch LG y 99.19 % en TensorRT LG. Además, el sistema presentó latencias de inferencia pura inferiores a 0.3 ms en GPU, con throughputs superiores a 3500 inferencias por segundo. Se concluye que la arquitectura propuesta permite identificar patrones físicos diferenciables entre estándares Wi-Fi en 2.4 GHz, aunque persisten confusiones entre señales OFDM estructuralmente cercanas, especialmente IEEE 802.11n y 802.11ax.