基于MLE和MSE的主用戶活動(dòng)檢測(cè)與跟蹤算法研究

姚 文 貴

(湖北職業(yè)技術(shù)學(xué)院， 湖北 孝感 432100)

?

基于MLE和MSE的主用戶活動(dòng)檢測(cè)與跟蹤算法研究

姚 文 貴*

(湖北職業(yè)技術(shù)學(xué)院， 湖北 孝感 432100)

針對(duì)移動(dòng)認(rèn)知Ad hoc無(wú)線網(wǎng)絡(luò)提出一種分布式主用戶活動(dòng)估計(jì)與跟蹤算法.在主用戶覆蓋范圍的移動(dòng)認(rèn)知用戶通過(guò)檢測(cè)獲得主用戶ON/OFF周期樣本，然后使用最大似然估計(jì)來(lái)計(jì)算ON/OFF平均周期，在離開(kāi)主用戶覆蓋區(qū)域時(shí)廣播檢測(cè)到的信息.認(rèn)知用戶使用均方誤差來(lái)停止精細(xì)檢測(cè)，利用均方誤差的變化來(lái)重新啟動(dòng)精細(xì)檢測(cè)以便跟蹤主用戶活動(dòng)的變化.仿真結(jié)果表明，提出的算法能夠快速有效地檢測(cè)并跟蹤主用戶的活動(dòng).

認(rèn)知無(wú)線網(wǎng)絡(luò)； 活動(dòng)檢測(cè)； 最大似然估計(jì)； 均方誤差

認(rèn)知無(wú)線電(Cognitive Radio， CR)技術(shù)被認(rèn)為是提高頻譜利用率的一種有效方法，它可以解決無(wú)線通信業(yè)務(wù)快速增長(zhǎng)與授權(quán)頻譜利用率低的矛盾[1].在CR網(wǎng)絡(luò)中，認(rèn)知用戶(或稱為次用戶：Secondary Users， SUs)可以使用授權(quán)用戶空閑的頻譜，但是要求對(duì)授權(quán)用戶(或稱為主用戶：Primary Users， PUs)的干擾必須控制在能夠容忍的范圍內(nèi).這樣，就需要SUs檢測(cè)無(wú)線頻譜，對(duì)頻譜的狀態(tài)作出判決，從而自適應(yīng)地選擇可使用的頻譜[2].

頻譜使用模型能夠通過(guò)PUs的活動(dòng)特性得到反映，PUs活動(dòng)的建模和參數(shù)估計(jì)能夠促使SUs更加有效地使用頻譜.目前，普遍采用的PUs活動(dòng)模型是ON/OFF交替模型，其工作(busy)和空閑(idle)周期時(shí)間服從指數(shù)分布[3，4，5].該模型參數(shù)估計(jì)的重要性體現(xiàn)在，若能夠獲得比較準(zhǔn)確的ON/OFF平均周期，則可以計(jì)算出合理的檢測(cè)周期，從而同時(shí)滿足所要求的PUs干擾比和SUs數(shù)據(jù)傳輸效率.而且，很多頻譜檢測(cè)技術(shù)需要知道PUs的統(tǒng)計(jì)先驗(yàn)信息.在文獻(xiàn)[4]中，一種聯(lián)合優(yōu)化頻譜檢測(cè)和傳輸周期的理論模型被提出，用以最大化頻譜效率.但是，模型中的ON和OFF平均周期假設(shè)為固定和已知的.另外，相當(dāng)多的研究采用了這種固定的頻譜使用模型來(lái)優(yōu)化頻譜檢測(cè)[6-9]，在沒(méi)有通過(guò)實(shí)際檢測(cè)和估計(jì)的基礎(chǔ)上，就假設(shè)SUs掌握了這些統(tǒng)計(jì)信息.Kim等人使用了ON/OFF頻譜使用模型，并且提出一種基于滑動(dòng)時(shí)間窗(STWB)的估計(jì)方法來(lái)處理歷史檢測(cè)信息以便獲得PUs的活動(dòng)方式[10].然而，他們假設(shè)SUs已經(jīng)獲得一組PUs使用頻譜的OFF周期樣本，但是并沒(méi)有介紹如何獲得這些樣本，另外頻譜檢測(cè)時(shí)采用的檢測(cè)周期是多少?zèng)]有作出說(shuō)明，更主要的是沒(méi)有涉及樣本數(shù)量如何保證檢測(cè)精度.同時(shí)，也有很多PU活動(dòng)檢測(cè)只是檢測(cè)短時(shí)間PU的狀態(tài)，如Wang等人提出一種基于信任傳播機(jī)制的集成快速PU活動(dòng)狀態(tài)檢測(cè)框架[11]，Chang等采用一種新穎的任務(wù)循環(huán)方式來(lái)檢測(cè)PU用戶的活動(dòng)，只使用短時(shí)間內(nèi)PU的狀態(tài)數(shù)據(jù)[12]，Warit等提出2階和微分加權(quán)序列協(xié)作能量自適應(yīng)檢測(cè)方法來(lái)發(fā)現(xiàn)PU用戶的活動(dòng)狀況[13].由于檢測(cè)周期與頻譜使用模型密切關(guān)聯(lián)，而且二者也是確保頻譜檢測(cè)和共享的重要因素，因此檢測(cè)PUs活動(dòng)模型的參數(shù)將是一個(gè)非常重要的研究?jī)?nèi)容，需要進(jìn)一步深入研究.

另外，在PUs活動(dòng)的建模和估計(jì)過(guò)程中，若將SUs的移動(dòng)性考慮進(jìn)去，則CR網(wǎng)絡(luò)不再是一種完全靜止的拓?fù)浣Y(jié)構(gòu)，那么將面臨更多的挑戰(zhàn)[14].很多估計(jì)技術(shù)需要相對(duì)多的容量來(lái)存儲(chǔ)歷史檢測(cè)數(shù)據(jù)，對(duì)于存儲(chǔ)容量有限的單個(gè)節(jié)點(diǎn)而言，存儲(chǔ)長(zhǎng)時(shí)間的檢測(cè)數(shù)據(jù)并作出實(shí)時(shí)估計(jì)是比較困難的[15].對(duì)于移動(dòng)CR ad hoc網(wǎng)絡(luò)而言，將會(huì)面臨更多的挑戰(zhàn)，如檢測(cè)的信息如何在網(wǎng)絡(luò)中及時(shí)傳遞，如何控制信息傳遞導(dǎo)致的開(kāi)銷.同時(shí)，由于單個(gè)用戶的處理能力有限，如存儲(chǔ)容量，所以必須設(shè)計(jì)合理的機(jī)制來(lái)保存頻譜檢測(cè)信息.

為了解決上述分析的問(wèn)題，針對(duì)移動(dòng)CR ad hoc網(wǎng)絡(luò)，本文提出一種基于MLE和MSE的PUs活動(dòng)參數(shù)的檢測(cè)與估計(jì)算法，該算法能夠跟蹤PUs活動(dòng)規(guī)律的變化.假設(shè)有一個(gè)PU發(fā)射器，CR網(wǎng)絡(luò)中的SUs都是移動(dòng)的，使用精細(xì)檢測(cè)來(lái)獲得PU的ON/OFF周期樣本，采用最大似然估計(jì)算法來(lái)估計(jì)ON/OFF的周期平均值，利用加權(quán)平均技術(shù)來(lái)計(jì)算最終的周期平均值.為了停止精細(xì)檢測(cè)并快速跟蹤PU活動(dòng)的變化，利用均方誤差設(shè)計(jì)了精細(xì)檢測(cè)停止和重新啟動(dòng)的規(guī)則.

1 系統(tǒng)模型

假設(shè)一個(gè)PU發(fā)射器工作于一個(gè)授權(quán)信道，并以O(shè)N/OFF模型來(lái)使用該信道.ON/OFF周期服從指數(shù)分布，各自的真實(shí)均值分別是α和β，當(dāng)PU的活動(dòng)規(guī)律發(fā)生改變時(shí)，α和β也將隨之改變.同時(shí)假設(shè)使用一個(gè)公共控制信道(CCC)來(lái)傳輸檢測(cè)信息[16].在CR ad hoc網(wǎng)絡(luò)中，所有CR用戶都是移動(dòng)的.CR ad hoc網(wǎng)絡(luò)如圖1所示，定義PU的傳輸覆蓋范圍為Ap，即圖中白色的區(qū)域.當(dāng)SU移動(dòng)到Ap區(qū)域時(shí)，就可以通過(guò)頻譜檢測(cè)來(lái)獲得ON和OFF的周期樣本，一旦到達(dá)該區(qū)域的邊界，SU將廣播自己獲得的檢測(cè)信息，附近的SUs接收到該信息并進(jìn)行廣播，定義廣播信息的區(qū)域?yàn)锳s，接收到新檢測(cè)信息的SUs將更新估計(jì)的ON/OFF周期均值.

圖1 移動(dòng)Ad hoc網(wǎng)絡(luò)Fig.1 Mobile CR ad hoc network

2 主用戶活動(dòng)檢測(cè)模型

2.1 檢測(cè)周期和類型

根據(jù)文獻(xiàn)[4]，信道使用為ON/OFF模型時(shí)，PUs使用信道的概率為

(1)

PUs處于空閑狀態(tài)的概率為

(2)

另外，對(duì)于SUs而言，錯(cuò)失頻譜利用機(jī)會(huì)的比率TL定義為：在PUs處于空閑狀態(tài)時(shí)間內(nèi)，SUs沒(méi)有檢測(cè)到該狀態(tài)而失去傳輸數(shù)據(jù)的平均時(shí)間比值.對(duì)于PUs而言，定義最大可容忍干擾時(shí)間比TP為：在PUs使用頻譜的時(shí)間內(nèi)，SUs依然使用該頻譜而造成對(duì)PUs的干擾，此時(shí)PUs在時(shí)間上能夠容忍干擾的最大平均時(shí)間比值[4，12].

(3)

式中傳輸時(shí)間tt將受限于[4]

(4)

(5)

式中,靜默時(shí)間tq受限于

(6)

如果存在多個(gè)授權(quán)信道需要檢測(cè)，則可調(diào)度tq來(lái)檢測(cè)這些信道，該研究?jī)?nèi)容將在后續(xù)的研究中加以考慮.

2.2 單用戶估計(jì)

因?yàn)镺N/OFF周期時(shí)間服從負(fù)指數(shù)分布，則ON狀態(tài)的概率密度函數(shù)為:

其似然函數(shù)為

根據(jù)MLE算法，能夠得到

(7)

(8)

直觀上，ON和OFF的周期樣本數(shù)量與PU真實(shí)的α和β、SU的速度以及在區(qū)域Ap內(nèi)的穿越距離有關(guān)系.若ON和OFF的周期樣本數(shù)量太少，則頻譜檢測(cè)后，SU將不使用MLE算法來(lái)估計(jì)均值，直接將ON和OFF周期樣本加入到廣播信息包的尾部，并進(jìn)行廣播.

2.3 多用戶估計(jì)

(9)

(10)

2.4 精細(xì)檢測(cè)停止

(11)

(12)

只有當(dāng)σon和σoff同時(shí)小于門限Em時(shí)，精細(xì)檢測(cè)過(guò)程停止.接著，其它后續(xù)的SUs將執(zhí)行常規(guī)檢測(cè)來(lái)使用頻譜.

2.5 精細(xì)檢測(cè)重啟

由于PU對(duì)頻譜的使用是動(dòng)態(tài)時(shí)變的，PU活動(dòng)的變化將表現(xiàn)在α和β的變化上，這就需要發(fā)現(xiàn)這種變化并及時(shí)地對(duì)活動(dòng)參數(shù)進(jìn)行重新估計(jì).當(dāng)α和β發(fā)生變化時(shí)，由于SUs依然按精細(xì)檢測(cè)停止時(shí)的估計(jì)均值計(jì)算檢測(cè)周期，則MSE值也將隨之變化.因此，通過(guò)MSE的變化可以重新啟動(dòng)精細(xì)檢測(cè)，但是由于MSE的變化比較緩慢[17]，這樣發(fā)現(xiàn)PU活動(dòng)規(guī)律的變化就需要比較長(zhǎng)的時(shí)間.

所以，為了快速有效地跟蹤PU活動(dòng)的變化，引入了一個(gè)新的變量sσ，該變量表示MSE的相對(duì)變化量，這樣就可以充分利用MSE來(lái)重新啟動(dòng)精細(xì)檢測(cè).定義當(dāng)前ON和OFF的MSE值分別為σon(t)和σoff(t)，之前的MSE值為σon(t-1)和σoff(t-1)，因此可以得到

(13)

同理可得

(14)

如果sσon(t)或sσoff(t)大于門限值STH，則重新啟動(dòng)精細(xì)檢測(cè).

2.6 算法復(fù)雜度分析

3 仿真實(shí)驗(yàn)

3.1 仿真模型

3.2 仿真結(jié)果與分析

圖2 檢測(cè)均值比較Fig.2 Comparison of detected average values

圖3 估計(jì)均值的均方誤差和相對(duì)誤差比較Fig.3 Comparison of mean square error and relative error of estimated average values

圖4 PU活動(dòng)變化的跟蹤性能比較Fig.4 Track performance comparison of PU activity variation

由于在CRadhoc網(wǎng)絡(luò)中，SUs完成頻譜檢測(cè)后需要將檢測(cè)信息在As范圍內(nèi)進(jìn)行廣播，這必然會(huì)帶來(lái)網(wǎng)絡(luò)消耗.很明顯，不同的MSE精度所需要的檢測(cè)SUs數(shù)量會(huì)不同.門限值Em越小，精度越高，則需要更多的SUs執(zhí)行頻譜檢測(cè)，從而帶來(lái)更多的網(wǎng)絡(luò)開(kāi)銷.因此，在仿真中，將設(shè)置不同Em值，網(wǎng)絡(luò)開(kāi)銷則通過(guò)平均廣播數(shù)據(jù)量來(lái)反映.由于在廣播時(shí)，廣播的數(shù)據(jù)量和網(wǎng)絡(luò)中的SUs數(shù)量也有關(guān)系，所以在網(wǎng)絡(luò)中隨機(jī)產(chǎn)生不同數(shù)量的SUs.從圖6中可以發(fā)現(xiàn)，對(duì)于一定數(shù)量的SUs，在檢測(cè)結(jié)果的MSE小于門限值Em時(shí)，Em值越小則廣播的數(shù)據(jù)量越大.而對(duì)于相同的Em值，不同的SUs數(shù)量，網(wǎng)絡(luò)開(kāi)銷也不同，網(wǎng)絡(luò)中的SUs越多，由于需要接力廣播的次數(shù)增加，所以總的廣播數(shù)據(jù)量也相應(yīng)增加.最主要的是，完成要求精度的頻譜檢測(cè)總的廣播數(shù)據(jù)量只有幾個(gè)Kbit/s.因此，這樣的網(wǎng)絡(luò)開(kāi)銷還是比較小的.

圖5 干擾比和錯(cuò)失數(shù)據(jù)傳輸比Fig.5 Interference ratio and lost communication ration

圖6 檢測(cè)信息廣播開(kāi)銷Fig.6 Broadcasting overhead of detection information

4 結(jié)束語(yǔ)

本文針對(duì)CR ad hoc網(wǎng)絡(luò)提出了一種基于MLE和MSE的PU活動(dòng)檢測(cè)算法，用于估計(jì)ON/OFF平均周期.在執(zhí)行頻譜感知時(shí)采用了精細(xì)檢測(cè)和常規(guī)檢測(cè)，SUs執(zhí)行精細(xì)檢測(cè)以估計(jì)與跟蹤PU的活動(dòng)，而常規(guī)檢測(cè)則用于檢測(cè)參數(shù)精度滿足要求后的數(shù)據(jù)接收與傳輸.對(duì)于單個(gè)SU獲得的周期樣本，采用了最大似然估計(jì)方法來(lái)計(jì)算周期均值，采用加權(quán)平均來(lái)計(jì)算最終的ON/OFF平均周期.另外，利用了均方誤差來(lái)停止精細(xì)檢測(cè)，同時(shí)利用均方誤差的相對(duì)變化來(lái)跟蹤PU活動(dòng)的變化.仿真結(jié)果表明，提出的估計(jì)與跟蹤算法能夠?qū)崿F(xiàn)對(duì)頻譜使用模型參數(shù)的估計(jì)，同時(shí)還能夠快速有效地跟蹤PU活動(dòng)的變化，其PU活動(dòng)跟蹤性能優(yōu)于STWB方法.

[1] Haykin S. Cognitive radio: brain-empowered wireless communications[J]. IEEE J Select Areas in Commun， 2005， 23(2): 201-220．

[2] Akyildiz I F， Lee W， Chowdhury K R. CRAHNs: cognitive radio ad hoc networks[J]. Ad Hoc Networks， 2009(7): 810-836．

[3] Cormio C， Chowdhury K R. A survey on MAC protocols for cognitive radio networks[J]. Elsevier Journal of Ad Hoc Networks， 2009， 7(7): 1315-1329．

[4] Song C， Zhang Q. Cooperative spectrum sensing with multi-channel coordination in cognitive radio networks[J]. IEEE ICC， 2010(07): 1-5．

[5] Xin C， Song M. Detection of PUE attacks in cognitive radio networks based on signal activity pattern[J]. IEEE Trans on Mobile Computing， 2013， 13(5): 1022-1034．

[6] Zhao Q， Tong L， Swami A， et al. Decentralized cognitive MAC for opportunistic spectrum access in Ad Hoc networks: a POMDP framework[J]. IEEE J Select Areas in Commun， 2007， 5(3): 589-600．

[7] Canberk B， Akyildiz I F， Oktug S. Primary user activity modeling using first-difference filter clustering and correlation in cognitive radio networks[J]. IEEE/ACM Trans On Networking， 2011， 19(1): 170-183．

[8] Huang S， Liu X， Ding Z. Opportunistic spectrum access in cognitive radio networks[J]. IEEE Infocom， 2008(11): 1427-1435．

[9] Sung K W， Kim S L， Zander J. Temporal spectrum sharing based on primary user activity prediction[J]. IEEE Trans on Wireless Commun， 2011， 9(12): 3848-3855．

[10] Kim H， Shin K G. Efficient discovery of spectrum opportunities with MAC-layer sensing in cognitive radio networks[J]. IEEE Trans on Mobile Computing， 2008， 7(5): 533-545．

[11] Wang Y， Li H， Qian L. Belief propagation based spectrum sensing subject to dynamic primary user activities: phantom of quickest detection[J]. IEEE Milcom， 2013(05): 1193-1200.

[12] Chang K， Senadji B. Spectrum sensing optimisation for dynamic primary user signal[J]. IEEE Trans on Commun， 2012， 60(12): 3632-3640．

[13] Warit P， Daniel K C， Emad A. Sequential cooperative spectrum sensing technique in time varying channel[J]. IEEE Trans on Wireless Commun， 2014， 13(6): 3394-3405．

[14] Miao M， Tsang D H K. Impact of channel heterogeneity on spectrum sharing in cognitive radio networks[J]. IEEE ICC， 2008(01): 2377-2382．

[15] Park J， Van S M. Cognitive MAC protocols using memory for distributed spectrum sharing under limited spectrum sensing[J]. IEEE Trans on Commun， 2011， 59(9): 2627-2637．

[16] Chowdhury K R， Akyildiz I F. OFDM based common control channel design for cognitive radio ad hoc networks[J]. IEEE Trans on Mobile Computing， 2011， 10(2): 228-238．

[17] Sanna M， Murroni M. Nonconvex optimization of collaborative multiband spectrum sensing for cognitive radios with genetic algorithms[J]. Journal of Digital Multimedia Broadcasting， 2010， 16(7): 1136-1145．

[18] Cordeiro C， Challapali K， Birru D， et al. IEEE 802.22: the first worldwide wireless standard based on cognitive radios[J]. IEEE Dyspan， 2005(08): 328-337.

Primary user activity estimation and track algorithm research based on MLE and MSE

YAO Wengui

(Hubei Polytechnic Institute， Xiaogan， Hubei 432100)

In cognitive radio (CR) ad hoc networks， a distributed scheme is proposed to allows mobile CR users to estimate and track the activity of primary user (PU). The CR users in the transmission range of PU sense the PU to obtain samples of ON/OFF periods. Then， the maximum likelihood estimator (MLE) is used to learn the average busy and idle periods and disseminate the information in the neighborhood without an external controller. The mean square error (MSE) values of the PU on-off times are employed to stop the fine spectrum sensing. When PU activity changes significantly， the variation of MSE will be used to re-start the fine sensing. Simulation results for a mobile environment reveal that the proposed method is able to efficiently and quickly track the dynamics of the PU activity．

cognitive radio networks; activity sensing; maximum likelihood estimator; mean square error

2015-01-07.

1000-1190(2015)04-0520-07

TN929.5< class="emphasis_bold">文獻(xiàn)標(biāo)識(shí)碼： A

A

*E-mail: 275341209@qq.com．