基于區(qū)塊鏈與深度學(xué)習(xí)的空間分集協(xié)作頻譜感知系統(tǒng)

肖仲杉，王春琦，馮大權(quán)

研究與開發(fā)

基于區(qū)塊鏈與深度學(xué)習(xí)的空間分集協(xié)作頻譜感知系統(tǒng)

肖仲杉1，王春琦2，馮大權(quán)1

（1.深圳大學(xué)，廣東 深圳 518060；2.國(guó)家無(wú)線電監(jiān)測(cè)中心，北京 100037）

協(xié)作頻譜感知是認(rèn)知無(wú)線電中的關(guān)鍵技術(shù)。針對(duì)協(xié)作頻譜感知中存在的安全性、隱私性、激勵(lì)性和隱藏終端等問(wèn)題，提出了一種運(yùn)行在智能合約上的數(shù)據(jù)驅(qū)動(dòng)的智能化空間分集的協(xié)作頻譜感知系統(tǒng)。具體地，利用區(qū)塊鏈的去中心化、數(shù)據(jù)難以篡改等特性，設(shè)計(jì)了一種激勵(lì)性的協(xié)作頻譜感知系統(tǒng)，并采用深度學(xué)習(xí)的方法來(lái)識(shí)別系統(tǒng)中的惡意用戶。此外，針對(duì)如何更為高效地在該系統(tǒng)中招募感知節(jié)點(diǎn)以達(dá)到較高的感知準(zhǔn)確率，設(shè)計(jì)了基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法。實(shí)驗(yàn)結(jié)果表明，所提算法在安全性、隱私性、激勵(lì)性、感知準(zhǔn)確率方面優(yōu)于傳統(tǒng)的協(xié)作頻譜感知算法。

協(xié)作頻譜感知；認(rèn)知無(wú)線電；區(qū)塊鏈；智能合約；機(jī)器學(xué)習(xí)

0 引言

隨著5G無(wú)線通信網(wǎng)絡(luò)中高清視頻傳輸、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)和其他高帶寬服務(wù)的興起，通信流量呈爆炸式增長(zhǎng)[1-4]，據(jù)統(tǒng)計(jì)，平均每月每部移動(dòng)設(shè)備的流量消耗將從2020年的5 GB增長(zhǎng)至2030年的250 GB[5]，可用頻譜資源變得愈發(fā)緊張。當(dāng)前我國(guó)的頻譜管理主要采用固定頻譜分配策略，無(wú)線設(shè)備在不同的頻率上“各行其道”。根據(jù)美國(guó)聯(lián)邦通信委員會(huì)調(diào)查報(bào)告[6]中的統(tǒng)計(jì)數(shù)據(jù)，傳統(tǒng)靜態(tài)頻譜分配方案的許可頻譜利用率為15%～85%，這無(wú)疑對(duì)不斷增長(zhǎng)的無(wú)線通信網(wǎng)絡(luò)流量需求有很大的限制。因此，迫切需要尋找新的提高無(wú)線通信網(wǎng)絡(luò)頻譜利用率的解決方案。

認(rèn)知無(wú)線電（cognitive radio，CR）的提出是緩解頻譜資源短缺和未充分利用的可行解決方案，美國(guó)聯(lián)邦通信委員會(huì)在2003年提出，只要具備自適應(yīng)頻譜感知能力的無(wú)線電都可稱為CR，并鼓勵(lì)在不干擾主用戶正常通信的前提下使用CR。頻譜感知是認(rèn)知無(wú)線電的關(guān)鍵技術(shù)之一[7-10]。它通過(guò)感知無(wú)線環(huán)境中未被充分利用的頻段，讓認(rèn)知無(wú)線電用戶接入該頻段以實(shí)現(xiàn)動(dòng)態(tài)頻譜共享。從參與感知的節(jié)點(diǎn)數(shù)量上看，頻譜感知可以分為單用戶頻譜感知和協(xié)作頻譜感知。由于單用戶頻譜感知容易受噪聲干擾和障礙物阻擋等因素干擾而產(chǎn)生誤差，因此協(xié)作頻譜感知在研究中更加受關(guān)注。集中式協(xié)作頻譜感知將來(lái)自多個(gè)次用戶（secondary user，SU）的單個(gè)感測(cè)結(jié)果組合在一起以確定主用戶（primary user，PU）的存在。但是由于信道條件復(fù)雜，很難得出最佳的協(xié)作頻譜感知策略。例如，與遠(yuǎn)離PU的SU相比，靠近PU的SU可能更可靠地檢測(cè)PU，而由于無(wú)線信道的空間相關(guān)性，彼此接近的SU很可能報(bào)告相似的感知結(jié)果，但過(guò)多相似且出錯(cuò)的感知結(jié)果的上報(bào)會(huì)占用大量帶寬資源和增加頻譜感知融合的復(fù)雜度，嚴(yán)重時(shí)甚至導(dǎo)致頻譜感知的準(zhǔn)確率低下，此外，相鄰頻帶間發(fā)射功率的泄露也會(huì)對(duì)頻譜感知的結(jié)果造成影響。集中式協(xié)作頻譜感知架構(gòu)引入了融合中心來(lái)負(fù)責(zé)收集各個(gè)節(jié)點(diǎn)的感知結(jié)果，為了有效地共享頻譜，PU和SU都需要與融合中心交互私人信息，這種方式容易受單點(diǎn)攻擊和隱私泄露的影響[11-15]。而且，可能存在別有用心的用戶故意上傳錯(cuò)誤的信息企圖破壞融合中心的判決結(jié)果，南京郵電大學(xué)[16]、國(guó)防科技大學(xué)[17]和陸軍裝甲兵學(xué)院[18]的學(xué)者針對(duì)該類情況展開過(guò)詳細(xì)的研究和討論。此外，對(duì)于感知節(jié)點(diǎn)來(lái)說(shuō)，收集感知數(shù)據(jù)是需要成本的，尤其是對(duì)于資源有限的物聯(lián)網(wǎng)設(shè)備來(lái)說(shuō)。其成本通常包括能量、網(wǎng)絡(luò)資源（如通信、緩存和計(jì)算）和時(shí)間，除了物理資源消耗，上文提到的安全威脅和隱私泄露都會(huì)影響用戶的積極性。因此，傳統(tǒng)的集中式協(xié)作頻譜感知可能無(wú)法吸引足夠的感知節(jié)點(diǎn)進(jìn)行頻譜感知。此外，協(xié)作頻譜感知大多基于中心化的架構(gòu)，難以在感知節(jié)點(diǎn)和感知需求者之間建立信任。因此，需要提出合適的激勵(lì)機(jī)制來(lái)吸引足夠多的感知節(jié)點(diǎn)參與到協(xié)作式頻譜感知任務(wù)中[19]。

為了解決上述問(wèn)題，本文提出了一種面向安全性、隱私性、激勵(lì)性的數(shù)據(jù)驅(qū)動(dòng)智能化空間分集協(xié)作頻譜感知系統(tǒng)。主要貢獻(xiàn)如下。

? 針對(duì)在協(xié)作頻譜感知中的安全性、隱私保護(hù)和激勵(lì)的問(wèn)題，設(shè)計(jì)出了一種帶有激勵(lì)性的基于智能合約的協(xié)作頻譜感知系統(tǒng)，并在Remix集成開發(fā)環(huán)境中對(duì)智能合約進(jìn)行了測(cè)試。

? 針對(duì)在協(xié)作頻譜感知系統(tǒng)中可能存在的上傳虛假感知數(shù)據(jù)的現(xiàn)象，采用了深度學(xué)習(xí)的方法，對(duì)惡意用戶及其行為進(jìn)行識(shí)別。

? 針對(duì)隱藏終端、噪聲干擾和硬件感知性能參差不齊帶來(lái)的如何選擇合適的協(xié)作頻譜感知節(jié)點(diǎn)的問(wèn)題，設(shè)計(jì)了基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法。

圖1 協(xié)作頻譜感知系統(tǒng)模型

1 系統(tǒng)模型

協(xié)作頻譜感知系統(tǒng)模型如圖1所示。該系統(tǒng)由4個(gè)主體組成：頻譜管理者、運(yùn)行在區(qū)塊鏈上的智能合約、協(xié)作頻譜感知用戶、頻譜感知邊緣服務(wù)器。頻譜管理者和協(xié)作頻譜感知用戶借助區(qū)塊鏈網(wǎng)絡(luò)達(dá)到信息交互的目的，各部分的主要職責(zé)如下。

頻譜管理者：頻譜管理者的目標(biāo)是檢測(cè)一定地理范圍內(nèi)的頻譜環(huán)境，即頻譜空閑和占用的情況，并通過(guò)在智能合約中發(fā)布協(xié)作頻譜感知任務(wù)，設(shè)置一定的以太幣獎(jiǎng)勵(lì)，達(dá)到招募用戶參與協(xié)作頻譜感知任務(wù)的目的。

協(xié)作頻譜感知用戶：協(xié)作頻譜感知用戶是申請(qǐng)參與協(xié)作頻譜感知任務(wù)的感知節(jié)點(diǎn)，其通過(guò)在智能合約中查看頻譜管理者上傳的感知任務(wù)后選擇是否參與。參與協(xié)作頻譜感知的用戶需要提交一定量的以太幣作為押金，并及時(shí)上傳其感知結(jié)果。

頻譜感知邊緣服務(wù)器：頻譜感知邊緣服務(wù)器會(huì)收集各個(gè)用戶的感知數(shù)據(jù)與每輪頻譜感知任務(wù)的融合結(jié)果，其帶有一個(gè)能識(shí)別惡意用戶的深度學(xué)習(xí)模型和一個(gè)基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法。在頻譜感知任務(wù)開始后，頻譜感知邊緣服務(wù)器通過(guò)將各個(gè)協(xié)作頻譜感知用戶的數(shù)據(jù)輸入模型中，預(yù)測(cè)出該用戶是否為惡意用戶，并將預(yù)測(cè)結(jié)果發(fā)送至智能合約；通過(guò)一個(gè)基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法，得出最佳的頻譜感知融合策略，并將結(jié)果發(fā)送至智能合約，為智能合約最終的感知數(shù)據(jù)融合與發(fā)放以太幣獎(jiǎng)勵(lì)提供數(shù)據(jù)化和智能化的支持。

智能合約：區(qū)塊鏈智能合約技術(shù)作為支撐，在協(xié)作頻譜感知系統(tǒng)中建立了信任機(jī)制、安全機(jī)制、激勵(lì)機(jī)制。具體實(shí)現(xiàn)形式如下。

? 智能合約在頻譜管理者與協(xié)作頻譜感知用戶之間建立了信任機(jī)制，在不需要第三方參與的情況下，系統(tǒng)會(huì)自動(dòng)執(zhí)行合約所規(guī)定的內(nèi)容。

? 智能合約對(duì)協(xié)作頻譜感知用戶提交的數(shù)據(jù)進(jìn)行融合處理，得出最終的感知結(jié)果。通過(guò)分布式算法和密碼學(xué)技術(shù)，確保了區(qū)塊鏈網(wǎng)絡(luò)中的數(shù)據(jù)一致性和難以篡改性，避免了單點(diǎn)攻擊導(dǎo)致數(shù)據(jù)丟失或被惡意篡改的風(fēng)險(xiǎn)，由此建立了安全機(jī)制。

? 智能合約是一個(gè)可編程的、按照代碼邏輯自動(dòng)執(zhí)行的合約，在每輪感知任務(wù)結(jié)束后，智能合約會(huì)將該輪感知結(jié)果作為依據(jù)，與用戶上傳的感知數(shù)據(jù)進(jìn)行對(duì)比?；谔崆邦A(yù)訓(xùn)練好的用于識(shí)別惡意用戶及其行為的深度學(xué)習(xí)模型，將該用戶的歷史數(shù)據(jù)和當(dāng)前感知輪次的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入特征，對(duì)惡意用戶進(jìn)行識(shí)別。如果判定的結(jié)果是誠(chéng)實(shí)的用戶，系統(tǒng)將無(wú)須人工操作，自動(dòng)退還押金并發(fā)放以太幣獎(jiǎng)勵(lì)。否則，系統(tǒng)將沒(méi)收該用戶數(shù)的押金。隨著參與協(xié)作頻譜感知任務(wù)的用戶數(shù)不斷增加，系統(tǒng)能得到更多用于判定惡意用戶的有利數(shù)據(jù)，使得惡意用戶或感知性能較差的用戶及其行為更容易被系統(tǒng)識(shí)別，實(shí)現(xiàn)良性循環(huán)。由此建立了激勵(lì)機(jī)制。

2 協(xié)作頻譜感知流程

協(xié)作頻譜感知流程如圖2所示，具體如下。

圖2 協(xié)作頻譜感知流程

步驟1 頻譜管理者在智能合約中發(fā)布頻譜感知任務(wù)，設(shè)置押金的金額，并存入一定數(shù)額的以太幣用于任務(wù)結(jié)束的獎(jiǎng)勵(lì)發(fā)放。

步驟2 協(xié)作頻譜感知用戶通過(guò)調(diào)用智能合約中的相關(guān)函數(shù)，獲取到可參加的任務(wù)列表。

步驟3 參加協(xié)作頻譜感知任務(wù)的用戶在本地進(jìn)行頻譜感知，并將本地的感知結(jié)果分別提交至區(qū)塊鏈網(wǎng)絡(luò)和頻譜感知邊緣服務(wù)器，實(shí)現(xiàn)本地?cái)?shù)據(jù)與智能合約的交互，確保數(shù)據(jù)難以被篡改。

步驟4 頻譜感知邊緣服務(wù)器在收集到所有的協(xié)作頻譜感知用戶提交的感知數(shù)據(jù)后，結(jié)合用戶的歷史數(shù)據(jù)，采用基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法進(jìn)行節(jié)點(diǎn)招募分析，并將分析結(jié)果上傳到區(qū)塊鏈網(wǎng)絡(luò)，為智能合約對(duì)數(shù)據(jù)融合提供指導(dǎo)。

步驟5 協(xié)作頻譜感知任務(wù)招募結(jié)束后，智能合約對(duì)收集到的數(shù)據(jù)進(jìn)行融合處理，得到最終的感知結(jié)果，并發(fā)送至頻譜管理者和頻譜感知邊緣服務(wù)器。

步驟6 頻譜感知邊緣服務(wù)器收集該輪的感知數(shù)據(jù)，并進(jìn)行訓(xùn)練，更新模型的權(quán)重，值得注意的是，該步驟只是在之前訓(xùn)練好的模型基礎(chǔ)上進(jìn)行訓(xùn)練，不需要從無(wú)到有重新訓(xùn)練，以節(jié)省大量的計(jì)算資源和時(shí)間，且并非每一輪感知任務(wù)結(jié)束后都執(zhí)行該步驟，在具備較多數(shù)據(jù)集之后，可以每隔幾輪執(zhí)行一次該步驟。

步驟7 智能合約以頻譜感知邊緣服務(wù)器的數(shù)據(jù)分析結(jié)果為依據(jù)，對(duì)是否給協(xié)作頻譜感知用戶返回押金和發(fā)放獎(jiǎng)勵(lì)做出選擇。

3 智能合約的設(shè)計(jì)及測(cè)試

針對(duì)前文所提出的基于區(qū)塊鏈的智能化協(xié)作頻譜感知系統(tǒng)，本章將詳細(xì)闡述該系統(tǒng)智能合約中函數(shù)的組成與設(shè)計(jì)，并展示在Remix集成開發(fā)環(huán)境上的實(shí)驗(yàn)測(cè)試結(jié)果。

3.1 智能合約的設(shè)計(jì)

3.1.1 變量符號(hào)

本文采用Solidity語(yǔ)言編寫智能合約，并在Remix上對(duì)智能合約進(jìn)行了編譯、部署和測(cè)試。智能合約變量說(shuō)明見表1。

表1 智能合約變量說(shuō)明

3.1.2 用戶注冊(cè)及任務(wù)發(fā)布

頻譜管理者將押金和以太幣獎(jiǎng)勵(lì)的數(shù)額、需要招募的協(xié)作頻譜感知用戶的數(shù)量發(fā)布到鏈上，其功能的具體實(shí)現(xiàn)如函數(shù)1所示；在每輪協(xié)作頻譜感知規(guī)定的任務(wù)時(shí)間內(nèi)，如果沒(méi)有達(dá)到頻譜管理者規(guī)定的招募數(shù)額，協(xié)作頻譜感知用戶可以進(jìn)行注冊(cè)并將感知數(shù)據(jù)和規(guī)定的押金上傳到鏈上，其功能的具體實(shí)現(xiàn)如函數(shù)2所示。

函數(shù)1 頻譜管理者任務(wù)發(fā)布函數(shù)

輸入 Admin{taskId, goalNum, currentNum, channelNum, deposit, award, notice},

輸出 successfully submit

function AdministratorSubmit(uint taskId,uint goalNum, uint currentNum, uint deposit, uint channelNum, uint award, string notice)

函數(shù)2 協(xié)作頻譜感知用戶注冊(cè)以及提交感知數(shù)據(jù)函數(shù)

輸入 User{addr,taskId,sensingData, deposit}

輸出 successfully submit

function UserSubmit(address addr, string sensingData,uint deposit)

require now <= taskEnd

require msg.value >= deposit

require currentNum <= goalNum

3.1.3 頻譜感知數(shù)據(jù)融合

在每輪協(xié)作頻譜感知任務(wù)結(jié)束之后，頻譜管理者將調(diào)用頻譜感知融合函數(shù)，第5.1～5.2節(jié)將對(duì)本文采用的基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法展開詳細(xì)的分析，此處本文采用傳統(tǒng)的-硬判決融合準(zhǔn)則在合約中進(jìn)行測(cè)試，-硬判決融合準(zhǔn)則的含義是：如果在個(gè)提交了數(shù)據(jù)的用戶中有個(gè)用戶的數(shù)據(jù)是一致的，則將該個(gè)用戶的數(shù)據(jù)結(jié)果視為最終判決結(jié)果。在智能合約中，本文將值設(shè)置為/2，其功能的具體實(shí)現(xiàn)如函數(shù)3所示。

函數(shù)3 頻譜感知數(shù)據(jù)融合函數(shù)

輸入 dataFusion{taskId}

輸出 successfully fusion

function fusion(uint resultData)

if currenrNum > goalNum then

for each channelNum do

for each sensingData do

resultData[channelNum]+=sensingData[channelNum]

if resultData [channelNum] > N then

resultData[channelNum] = 1

else

resultData[channelNum] = 0

3.1.4 價(jià)值評(píng)估

在當(dāng)前輪次的頻譜感知任務(wù)結(jié)束之后，系統(tǒng)將執(zhí)行價(jià)值評(píng)估函數(shù)，該函數(shù)會(huì)對(duì)每一個(gè)協(xié)作頻譜感知用戶進(jìn)行分析，判別其是否是誠(chéng)實(shí)的用戶，如果是，則返回押金并給與以太幣獎(jiǎng)勵(lì)，否則不會(huì)退回押金，也不會(huì)獲得任何以太幣獎(jiǎng)勵(lì)。本文采用基于深度學(xué)習(xí)的方法對(duì)用戶是否誠(chéng)實(shí)進(jìn)行判定，這將在第4.2～4.3節(jié)展開詳細(xì)分析，此處的仿真僅采用一致判別法，即當(dāng)用戶提交的感知數(shù)據(jù)與最終融合后的數(shù)據(jù)一致才認(rèn)為該協(xié)作頻譜感知用戶是誠(chéng)實(shí)的。其功能的具體實(shí)現(xiàn)如函數(shù)4所示。

函數(shù)4 價(jià)值評(píng)估函數(shù)

function evaluate()

if sensingData == resultData then

addr.transfer(deposit + award)

3.2 智能合約的測(cè)試

本文在Remix上對(duì)智能合約進(jìn)行了測(cè)試，通過(guò)1位頻譜管理者、3位協(xié)作頻譜感知用戶進(jìn)行測(cè)試，智能合約測(cè)試數(shù)據(jù)見表2。

智能合約界面如圖3所示。首先進(jìn)入智能合約的部署界面，如圖3（a）所示，選擇合約部署的環(huán)境是Remix VM(Shanghai)，在對(duì)合約進(jìn)行部署之后，便可以調(diào)用函數(shù)接口與合約進(jìn)行交互。圖3（b）是用戶與合約的交互頁(yè)面，用戶在對(duì)應(yīng)的函數(shù)框中輸入數(shù)據(jù)，點(diǎn)擊函數(shù)按鈕后便可讓合約執(zhí)行該函數(shù)。該頁(yè)面中的函數(shù)從上至下依次是協(xié)作頻譜感知融合函數(shù)、協(xié)作頻譜感知用戶注冊(cè)函數(shù)、頻譜管理者注冊(cè)函數(shù)、查看當(dāng)前感知任務(wù)的感知結(jié)果函數(shù)、查看當(dāng)前正在發(fā)布中的頻譜感知任務(wù)公告函數(shù)。

表2 智能合約測(cè)試數(shù)據(jù)

圖3 智能合約界面

本文使用頻譜管理者賬戶地址0x78731 cabaB進(jìn)行頻譜管理者的注冊(cè)和任務(wù)發(fā)布，頻譜管理者注冊(cè)函數(shù)執(zhí)行結(jié)果如圖4所示，執(zhí)行函數(shù)之后，頻譜管理者發(fā)布的招募數(shù)量、招募公告、押金數(shù)量等信息被成功寫入智能合約，并因此消耗了264 443 gwei汽油費(fèi)，汽油費(fèi)是指執(zhí)行智能合約所需支付的費(fèi)用，其單位通常用gwei表示，其與以太幣的換算關(guān)系為1 gwei等于10?9個(gè)以太幣，汽油費(fèi)的消耗量與智能合約代碼的復(fù)雜度以及數(shù)據(jù)量的大小有關(guān)。

圖4 頻譜管理者注冊(cè)函數(shù)執(zhí)行結(jié)果

隨后，協(xié)作頻譜感知用戶便可以在合約中查詢到當(dāng)前發(fā)布中的協(xié)作頻譜感知任務(wù)，調(diào)用頻譜管理者注冊(cè)函數(shù)的結(jié)果如圖5所示，在輸入框中輸入1再點(diǎn)擊viewTask按鈕表示查詢第一個(gè)發(fā)布協(xié)作頻譜感知任務(wù)的頻譜管理者的發(fā)布信息。下方出現(xiàn)的查詢結(jié)果中第一行是發(fā)布的公告，第二行是當(dāng)前已經(jīng)招募到的協(xié)作頻譜感知用戶的人數(shù)，第三行是該任務(wù)總的以太幣獎(jiǎng)勵(lì)，單位為wei。

圖5 調(diào)用頻譜管理者注冊(cè)函數(shù)的結(jié)果

在頻譜感知招募階段結(jié)束以后，本文在頻譜管理者的賬戶中調(diào)用fusion函數(shù)，合約執(zhí)行頻譜感知融合，隨后協(xié)作頻譜感知用戶User1和User3均收到退回的2個(gè)以太幣押金和3個(gè)以太幣獎(jiǎng)勵(lì)，協(xié)作頻譜感知用戶User2因被判決為非誠(chéng)實(shí)的用戶，押金沒(méi)有退還。感知數(shù)據(jù)融合結(jié)果如圖6所示，是頻譜管理者調(diào)用viewResult函數(shù)后得到的協(xié)作頻譜感知的最終結(jié)果，在指定頻段上的感知結(jié)果為1，被占用。任務(wù)結(jié)束后賬戶以太幣的變化如圖7所示，是任務(wù)結(jié)束后各賬戶的以太幣數(shù)額（初始狀態(tài)每個(gè)賬戶各有100ether）。

圖6 感知數(shù)據(jù)融合結(jié)果

圖7 任務(wù)結(jié)束后賬戶以太幣的變化

4 基于深度學(xué)習(xí)的惡意用戶識(shí)別方法

針對(duì)上文提出的協(xié)作頻譜感知系統(tǒng)，本節(jié)將詳細(xì)闡述系統(tǒng)中可能存在的惡意用戶及其行為，提出采用深度學(xué)習(xí)的方式對(duì)系統(tǒng)中的惡意用戶進(jìn)行檢測(cè)，以保持系統(tǒng)的純潔性、公平性。

4.1 協(xié)作頻譜感知中存在的安全威脅

在本文所提出的協(xié)作頻譜感知系統(tǒng)中，按照攻擊目的劃分，大致存在以下類型的惡意用戶。

（1）企圖破壞融合中心判決結(jié)果的用戶

其發(fā)動(dòng)的攻擊稱為偽造頻譜感知數(shù)據(jù)（spectrum sensing data falsification，SSDF）攻擊[20]。從惡意用戶發(fā)動(dòng)攻擊的概率角度上看，主要分為“Always”型SSDF攻擊和概率型SSDF攻擊。概率型SSDF的攻擊者會(huì)按一定的概率選擇是否發(fā)動(dòng)攻擊，因此攻擊者更難以被識(shí)別，目前的研究大部分關(guān)注于“Always”型攻擊，其主要分為以下3種類型：

? “Always Yes”攻擊，即只發(fā)送表示各個(gè)頻段主用戶存在的感知數(shù)據(jù)，其目的是阻止認(rèn)知用戶接入空閑頻段；

? “Always No”攻擊，即只發(fā)送表示各個(gè)頻段主用戶不存在的感知數(shù)據(jù)，其目的是干擾主用戶的通信；

? “Always False”攻擊，即發(fā)送和本地感知結(jié)果相反的感知數(shù)據(jù)，其目的是破壞融合中心的判決結(jié)果。

理論上來(lái)說(shuō)，“Always”型SSDF是一種特殊的概率型SSDF，即，概率為1的概率型SSDF。

（2）企圖騙取以太幣的用戶

該類用戶不會(huì)在本地進(jìn)行頻譜感知，而是發(fā)送一段隨機(jī)生成的二進(jìn)制感知數(shù)據(jù)到智能合約，以騙取以太幣獎(jiǎng)勵(lì)的用戶，本文將該惡意行為稱為EF（Ether fraud），同理，也分為“Always”型EF和概率型EF，概率型EF因其有時(shí)候會(huì)發(fā)送真實(shí)的感知數(shù)據(jù)而較難被識(shí)別。

4.2 問(wèn)題定義與數(shù)據(jù)生成

其中，每個(gè)協(xié)作頻譜感知用戶提交的感知數(shù)據(jù)表示為：

在進(jìn)行數(shù)據(jù)分析時(shí)，考慮用戶的歷史數(shù)據(jù)，本文實(shí)際使用的特征是用戶的平均感知距離：

感知距離示意圖如圖8所示，當(dāng)系統(tǒng)中的惡意用戶占比較少時(shí)，誠(chéng)實(shí)用戶的平均感知距離要小于惡意用戶。這是本文將該數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入特征的原因。同理，本文還將用戶提交的數(shù)據(jù)與融合中心的判決結(jié)果之間的感知距離也作為一種判別惡意用戶的特征數(shù)據(jù)，并稱之為感知偏差。

本文使用Python對(duì)系統(tǒng)的運(yùn)行過(guò)程進(jìn)行了仿真測(cè)試，并采用蒙特卡洛實(shí)驗(yàn)，在此過(guò)程中收集到了足夠多的可用于訓(xùn)練的數(shù)據(jù)。通過(guò)仿真程序，最終生成得到的未處理過(guò)的數(shù)據(jù)如圖9所示，數(shù)據(jù)在Python中以DataFrame的數(shù)據(jù)類型保存下來(lái)。

圖9 生成得到的未處理過(guò)的數(shù)據(jù)

由于用戶并非參與每一輪的協(xié)作頻譜感知任務(wù)，因此可以看到數(shù)據(jù)是高度稀疏的，數(shù)據(jù)量的缺乏會(huì)影響神經(jīng)網(wǎng)絡(luò)的模型效果，本文需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

數(shù)據(jù)處理的步驟如圖10所示。

圖10 數(shù)據(jù)處理的步驟

惡意用戶識(shí)別可以表示為以下優(yōu)化問(wèn)題：

4.3 實(shí)驗(yàn)結(jié)果及分析

在這一部分，本文利用Python語(yǔ)言對(duì)基于深度學(xué)習(xí)的惡意用戶識(shí)別方法進(jìn)行了測(cè)試與評(píng)估。在本文的引言部分談到，已經(jīng)有部分國(guó)內(nèi)學(xué)者對(duì)協(xié)作頻譜感知中的惡意用戶攻擊防御問(wèn)題展開了大量研究工作，但是據(jù)筆者所知，這是第一個(gè)將深度學(xué)習(xí)應(yīng)用于抵御騙取以太幣行為的工作。

本文所使用的性能指標(biāo)有AUC、Accuracy、F1-score，AUC是ROC曲線與坐標(biāo)軸所圍成的面積，ROC曲線的橫坐標(biāo)是假陽(yáng)率（false positive rate，F(xiàn)PR），縱坐標(biāo)是真陽(yáng)率（true positive rate，TPR），該曲線能反映出分類器在不同閾值下的性能表現(xiàn)，AUC的值為0.5～1，在本文的惡意用戶檢測(cè)算法中，其表示模型能正確預(yù)測(cè)某一用戶是否為惡意用戶的性能，值越大則模型的預(yù)測(cè)性能越好。

準(zhǔn)確率Accuracy表示分類器將所有樣本正確分類的比例，即分類器正確分類的樣本數(shù)與總樣本數(shù)之比，值越大表示分類性能越好。準(zhǔn)確率可以定義為：

其中，TP（true positive）表示真正例，TN（true negative）表示真負(fù)例，F(xiàn)P（false positive）表示假正例，F(xiàn)N（false negative）表示假負(fù)例。

F1-score是一種兼顧了精確率Precision和召回率Recall的性能指標(biāo)，值越大表示分類性能越好，F(xiàn)1-score可以定義為：

召回率定義為：

精確率定義為：

其中，精確率指的是模型預(yù)測(cè)為正樣本中真正是正樣本的比例，召回率指的是數(shù)據(jù)集中的正樣本中被模型預(yù)測(cè)為正樣本的比例。

筆者將本節(jié)所提出的算法與其他算法進(jìn)行比較，具體如下。

（1）隨機(jī)森林（random forest）：是一種集成學(xué)習(xí)算法，它的目的是在原始數(shù)據(jù)集上建立多個(gè)決策樹，并取其平均值以提高準(zhǔn)確性和避免過(guò)擬合的問(wèn)題。

（2）邏輯回歸（logistic regression）：是一種用于類別推斷和概率估計(jì)的統(tǒng)計(jì)學(xué)方法，通過(guò)將輸入特征與輸出的對(duì)數(shù)概率之間的線性關(guān)系建模來(lái)進(jìn)行分類，邏輯回歸采用sigmoid函數(shù)來(lái)產(chǎn)生對(duì)數(shù)概率輸出，將線性預(yù)測(cè)值映射到0和1之間的實(shí)數(shù)值。

（3）支持向量機(jī)（support vector machine，SVM）：SVM方法的核心是在特征空間中尋找最優(yōu)的分類超平面，使得正例和負(fù)例之間的間隔最大化，在處理非線性問(wèn)題時(shí)，可以通過(guò)將數(shù)據(jù)映射到高維空間來(lái)實(shí)現(xiàn)線性分割。

（4）LightGBM（light gradient boosting machine）：一種基于梯度提升決策樹（gradient boosting decision tree，GBDT）的預(yù)測(cè)模型，是一種集成學(xué)習(xí)方法，它采用了類似于GBDT的增量的提升策略來(lái)訓(xùn)練決策樹，使得每一個(gè)新的決策樹可以更好地?cái)M合殘差。與傳統(tǒng)的GBDT相比，它采用了一些新的技巧來(lái)提高模型訓(xùn)練速度和準(zhǔn)確率，是目前最先進(jìn)的GBDT框架之一。

（5）XGBoost（eXtreme gradient boosting）是基于gradient boosting框架的提升樹模型庫(kù)，是一種集成學(xué)習(xí)方法，該算法的主要貢獻(xiàn)來(lái)自它對(duì)決策樹進(jìn)行優(yōu)化的方法，包括目標(biāo)函數(shù)、正則化項(xiàng)、分裂點(diǎn)選擇。

將上述所有算法在數(shù)據(jù)集上進(jìn)行訓(xùn)練和預(yù)測(cè)，最后獲得的實(shí)驗(yàn)結(jié)果，即在仿真數(shù)據(jù)集中各模型的性能對(duì)比見表3。

表3 在仿真數(shù)據(jù)集中各模型的性能對(duì)比

本文采用的DNN模型在AUC、準(zhǔn)確率和F1-score性能指標(biāo)上都優(yōu)于其他機(jī)器學(xué)習(xí)算法，結(jié)果表明本模型能提供較優(yōu)的惡意用戶檢測(cè)性能。

30%的概率型EF下的ROC曲線如圖11所示，其描述了當(dāng)發(fā)動(dòng)惡意攻擊概率為30%的概率型EF行為存在于系統(tǒng)中時(shí)，所提出的基于深度學(xué)習(xí)的惡意用戶檢測(cè)算法與其他機(jī)器學(xué)習(xí)算法分別在ROC曲線上的性能表現(xiàn)進(jìn)行了比較。

圖11 30%的概率型EF下的ROC曲線

在系統(tǒng)實(shí)際的運(yùn)行過(guò)程中，惡意用戶識(shí)別的效果將比仿真得到的性能更好，其原因是在生成數(shù)據(jù)的仿真程序中，筆者采用-硬判決法則對(duì)所有用戶提交的感知數(shù)據(jù)進(jìn)行融合，在融合之前并未使用訓(xùn)練好的模型對(duì)惡意用戶進(jìn)行排除，也未采用第5節(jié)提到的更優(yōu)的協(xié)作頻譜感知融合算法。而在實(shí)際設(shè)想中的每輪頻譜感知任務(wù)中，首先通過(guò)事先訓(xùn)練好的模型識(shí)別排除惡意用戶，然后利用基于性能權(quán)重和空間分集的協(xié)作頻譜感知融合算法進(jìn)行感知數(shù)據(jù)融合，從而有助于進(jìn)一步提高感知和惡意用戶識(shí)別的準(zhǔn)確率。

5 基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法設(shè)計(jì)

傳統(tǒng)的-硬判決頻譜感知融合算法沒(méi)有考慮不同的感知設(shè)備之間的性能差異，而且無(wú)法解決隱藏終端問(wèn)題，使得處于同一干擾環(huán)境中的用戶同時(shí)被招募作為協(xié)作頻譜感知節(jié)點(diǎn)，這樣不僅會(huì)增加頻譜管理者的以太幣獎(jiǎng)勵(lì)成本，而且會(huì)導(dǎo)致感知準(zhǔn)確率低下。為了更好地解決上述問(wèn)題，提出了一種基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法。首先，在頻譜感知邊緣服務(wù)器端通過(guò)分析用戶的感知數(shù)據(jù)和當(dāng)前用戶的位置信息來(lái)判斷用戶的受干擾情況，本文采用-means聚類算法，把在相同頻段受到干擾的用戶聚為一類；然后在不同聚類的簇中，依據(jù)用戶的歷史數(shù)據(jù)對(duì)不同用戶的感知性能做一個(gè)排序，并依次從每個(gè)簇中挑選出感知性能最佳的用戶進(jìn)行-硬判決融合。

5.1 問(wèn)題定義

假設(shè)有個(gè)用戶，每個(gè)用戶都對(duì)個(gè)頻段進(jìn)行檢測(cè)，頻譜感知邊緣服務(wù)器端收到的樣本數(shù)據(jù)集為：

傳統(tǒng)的-means算法會(huì)采用歐氏距離的距離計(jì)算方式去衡量每個(gè)樣本與聚類中心的距離，從而量化出不同數(shù)據(jù)之間的相似度。顯然，感知結(jié)果是由二進(jìn)制字符組成，本文不能直接使用衡量?jī)牲c(diǎn)之間距離的計(jì)算方式。其次，地理位置數(shù)據(jù)和二進(jìn)制感知數(shù)據(jù)在數(shù)值大小、數(shù)據(jù)量上差異較大、在重要性上可能也有所不同，并且二進(jìn)制感知數(shù)據(jù)包含了個(gè)二進(jìn)制字符，這個(gè)二進(jìn)制字符理應(yīng)整體作為一個(gè)特征，因此本文不能直接對(duì)數(shù)據(jù)進(jìn)行歸一化。

考慮上述情況，本文所采用的方法是分別單獨(dú)計(jì)算二進(jìn)制感知數(shù)據(jù)和地理位置的距離矩陣，隨后按照一定的權(quán)重比例合并成一個(gè)混合距離矩陣。二進(jìn)制感知數(shù)據(jù)距離矩陣和地理位置距離矩陣分別如下：

圖12 手肘法曲線

圖13 輪廓法曲線

在確定好簇的數(shù)目之后，本文便采用-means算法來(lái)對(duì)融合后的距離矩陣進(jìn)行聚類，最終將處于同一干擾環(huán)境中的用戶聚類到相同的簇中。隨后，在不同的簇中，選擇感知性能最佳的用戶，直到選擇的用戶數(shù)達(dá)到招募需求。整個(gè)過(guò)程在算法1中描述，具體如下。

算法1 基于性能權(quán)重和空間分集的硬判決頻譜感知融合算法

當(dāng)任意一個(gè)點(diǎn)的簇分配結(jié)果改變時(shí)：

對(duì)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)；

對(duì)每個(gè)質(zhì)心；

計(jì)算質(zhì)心與數(shù)據(jù)點(diǎn)之間的距離；

將數(shù)據(jù)點(diǎn)分配到距其最近的簇；

對(duì)每一個(gè)簇，計(jì)算簇中所有點(diǎn)的均值并將均值作為質(zhì)心；

對(duì)每一個(gè)簇，將簇中的所有用戶按照平均感知偏差從小到大進(jìn)行排序；

當(dāng)沒(méi)有達(dá)到招募的目標(biāo)人數(shù)時(shí)：

對(duì)每一個(gè)簇；

招募該簇中第一個(gè)用戶，隨后將該用戶從簇的集合中剔除；

+= 1

綜合所有的用戶數(shù)據(jù)，計(jì)算每個(gè)頻段被感知為1的次數(shù)和0的次數(shù)；

如果該頻段被感知為1的次數(shù)多于0，則記錄該頻段為1，否則為0；

結(jié)束；

5.2 實(shí)驗(yàn)結(jié)果及結(jié)果分析

本節(jié)將通過(guò)仿真實(shí)驗(yàn)來(lái)評(píng)估所提方案的性能。根據(jù)上文的手肘法和輪廓系數(shù)法，本文得到了合適的聚類簇?cái)?shù)，將受到相似干擾的用戶進(jìn)行聚類，聚類效果如圖14所示。圖14（a）是協(xié)作感知用戶的分布場(chǎng)景，同時(shí)展示了在地理位置維度上的聚類效果，可以看到地理位置距離較近的用戶受到的干擾也相似。為了在感知數(shù)據(jù)上實(shí)現(xiàn)聚類效果的可視化，筆者對(duì)其進(jìn)行PCA降維處理，將維的二進(jìn)制感知數(shù)據(jù)映射為二維數(shù)據(jù)，其數(shù)據(jù)的聚類效果如圖14（b）所示。

圖14 聚類效果

完成聚類相當(dāng)于找出了在相同干擾環(huán)境中的用戶，隨后在不同的簇中，依據(jù)歷史數(shù)據(jù)對(duì)用戶的感知性能做一個(gè)排序，依次從不同簇中選擇歷史感知性能最佳的用戶作為協(xié)作頻譜感知節(jié)點(diǎn)再進(jìn)行-硬判決融合法則。采用100次蒙特卡洛實(shí)驗(yàn)，把本文提出的基于性能權(quán)重的空間分集算法與傳統(tǒng)的-硬判決算法在感知準(zhǔn)確率上進(jìn)行對(duì)比，同時(shí)，將所提算法拆分，把只采用性能權(quán)重的算法和只采用空間分集的算法也進(jìn)行了實(shí)驗(yàn)分析，所提算法在實(shí)驗(yàn)中的性能如圖15所示。

圖15 基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法性能

實(shí)驗(yàn)結(jié)果顯示，對(duì)于不同的協(xié)作用戶招募數(shù)量，本文所提的基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法在感知準(zhǔn)確率方面優(yōu)于傳統(tǒng)的-硬判決算法，此外，本文將所提算法拆分后進(jìn)行實(shí)驗(yàn)，只采用性能權(quán)重算法與只采用空間分集算法也均優(yōu)于傳統(tǒng)的-硬判決算法。當(dāng)招募了6個(gè)協(xié)作用戶時(shí)，所提算法的感知準(zhǔn)確率接近100%，對(duì)比傳統(tǒng)的-硬判決算法，顯然更能保障在保持較高的感知準(zhǔn)確率的同時(shí)付出更少的協(xié)作用戶招募成本。

6 結(jié)束語(yǔ)

本文研究了目前協(xié)作感知存在的安全性、激勵(lì)性、隱藏終端的問(wèn)題，為了避免集中式協(xié)作頻譜感知所帶來(lái)的安全隱患，設(shè)計(jì)了一種運(yùn)行在區(qū)塊鏈智能合約上的協(xié)作頻譜感知系統(tǒng)，并通過(guò)建立獎(jiǎng)懲機(jī)制，結(jié)合人工智能自動(dòng)識(shí)別惡意用戶、獎(jiǎng)勵(lì)誠(chéng)實(shí)且感知性能較高的用戶，很好地解決了激勵(lì)性和信任的問(wèn)題。然后，提出了一種基于性能權(quán)重和空間分集的硬判決協(xié)作頻譜感知融合算法，解決了隱藏終端導(dǎo)致的感知性能不佳的問(wèn)題，且基于數(shù)據(jù)分析的方法，能夠讓系統(tǒng)在頻譜感知數(shù)據(jù)融合階段做出最佳選擇。仿真結(jié)果表明，本文方案優(yōu)于現(xiàn)有的集中式協(xié)作頻譜感知。

[1] Cisco. Cisco visual networking index: global mobile data traffic forecast update, 2017–2022[R]. 20197.

[2] GAO A, DU C Y, NG S X, et al. A cooperative spectrum sensing with multi-agent reinforcement learning approach in cognitive radio networks[J]. IEEE Communications Letters, 2021, 25(8): 2604-2608.

[3] SHI Z J, GAO W, ZHANG S W, et al. Machine learning-enabled cooperative spectrum sensing for non-orthogonal multiple access[J]. IEEE Transactions on Wireless Communications, 2020, 19(9): 5692-5702.

[4] JANU D, SINGH K, KUMAR S. Machine learning for cooperative spectrum sensing and sharing: a survey[J]. Transactions on Emerging Telecommunications Technologies, 2022, 33(1): 43-52.

[5] 王晴天, 劉洋, 劉海濤, 等. 面向6G的網(wǎng)絡(luò)智能化研究[J].電信科學(xué), 2022, 38(9): 151-160.

WANG Q T, LIU Y, LIU H T, et al. Research on network intelligence for 6G[J]. Telecommunications Science, 2022, 38(9): 151-160.

[6] Federal Communication Commission. Spectrum policy task force report[R]. 2002.

[7] PANDIT S, SINGH G. An overview of spectrum sharing techniques in cognitive radio communication system[J].Wireless Networks, 2017, 23(2): 497-518.

[8] DENG Q Y, LI Z T, CHEN J B, et al. Dynamic spectrum sharing for hybrid access in OFDMA-based cognitive femtocell networks[J]. IEEE Transactions on Vehicular Technology, 2018, 67(11): 10830-10840.

[9] SARIKHANI R, KEYNIA F. Cooperative spectrum sensing meets machine learning: deep reinforcement learning approach[J]. IEEE Communications Letters, 2020, 24(7): 1459-1462.

[10] JALIL S Q, CHALUP S, REHMANI M H. Cognitive radio spectrum sensing and prediction using deep reinforcement learning[C]//Proceedings of 2021 International Joint Conference on Neural Networks (IJCNN). Piscataway: IEEE Press, 2021: 1-8.

[11] LIU C H, TSAI H C. Traffic management for heterogeneous networks with opportunistic unlicensed spectrum sharing[J]. IEEE Transactions on Wireless Communications, 2017, 16(9): 5717-5731.

[12] ZHANG Y W, ZHANG S C, WANG Y H, et al. Riemannian mean shift-based data fusion scheme for multi-antenna cooperative spectrum sensing[J]. IEEE Transactions on Cognitive Communications and Networking, 2022, 8(1): 47-56.

[13] CHEN Z B, XU Y Q, WANG H B, et al. Deep STFT-CNN for spectrum sensing in cognitive radio[J]. IEEE Communications Letters, 2021, 25(3): 864-868.

[14] LEE W, KIM M, CHO D H. Deep cooperative sensing: cooperative spectrum sensing based on convolutional neural networks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(3): 3005-3009.

[15] LIU C, WANG J, LIU X M, et al. Deep CM-CNN for spectrum sensing in cognitive radio[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(10): 2306-2321.

[16] 季薇, 李炳星, 鄭寶玉. 基于信譽(yù)與共識(shí)的分布式智能入侵防御方案[J]. 系統(tǒng)工程與電子技術(shù), 2018, 40(3): 665-670.

JI W, LI B X, ZHENG B Y. Distributed intelligent intrusion prevention scheme based on reputation and consensus[J]. Systems Engineering and Electronics, 2018, 40(3): 665-670.

[17] 張孟伯, 王倫文, 馮彥卿. 基于強(qiáng)化學(xué)習(xí)和共識(shí)融合的分布式協(xié)作頻譜感知方法[J]. 系統(tǒng)工程與電子技術(shù), 2019, 41(3): 486-492.

ZHANG M B, WANG L W, FENG Y Q. Distributed cooperative spectrum sensing method based on reinforcement learning and consensus fusion[J]. Systems Engineering and Electronics, 2019, 41(3): 486-492.

[18] 苗成林, 李彤, 呂軍, 等. 基于Dempster-Shafer證據(jù)理論與抗頻譜感知數(shù)據(jù)篡改攻擊的協(xié)作式頻譜檢測(cè)算法[J]. 兵工學(xué)報(bào), 2017, 38(12): 2406-2413.

MIAO C L, LI T, LYU J, et al. Cooperative spectrum sensing algorithm against spectrum sensing data falsification based on dempster-shafer evidence theory[J]. Acta Armamentarii, 2017, 38(12): 2406-2413.

[19] FENG D Q, ZHANG L, ZHANG S L, et al. Blockchain-based secure crowdsourcing in wireless IoT[J]. Journal of Communications and Information Networks, 2022, 7(1): 23-36.

[20] PATNAIK M, PRABHU G, REBEIRO C, et al. ProBLeSS: a proactive blockchain based spectrum sharing protocol against SSDF attacks in cognitive radio IoBT networks[J]. IEEE Networking Letters, 2020, 2(2): 67-70.

A spatial diversity cooperative spectrum sensing system based on blockchain and deep learning

XIAO Zhongshan1, WANG Chunqi2, FENG Daquan1

1. Shenzhen University, Shenzhen 518060, China 2. The State Radio Monitoring Center, Beijing 100037, China

Cooperative spectrum sensing is a key technology in cognitive radio. A data-driven intelligent cooperative spectrum sensing system was proposed with spatial diversity running on a smart contract to address issues of security, privacy, incentive and hidden terminals in cooperative spectrum sensing. Specifically, a motivated spectrum sensing system was designed by taking advantage of the decentralization of blockchain technology and the immutability of data. Secondly, a deep learning-based approach was proposed to identify malicious users in the system. In addition, to achieve higher accuracy in recruiting sensing nodes more efficiently in the system, a hard decision cooperative spectrum sensing fusion algorithm based on performance weights and spatial diversity was designed. The experimental results indicate that the proposed solution outperforms traditional cooperative spectrum sensing algorithms in terms of security, privacy, motivation, and sensing accuracy.

cooperative spectrum sensing, cognitive radio, blockchain, smart contract, machine learning

The National Key Research and Development Program of China (No.2020YFB1807600)

TP393

A

10.11959/j.issn.1000?0801.2023193

2023?08?18；

2023?09?10

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（No.2020YFB1807600）

肖仲杉（1999? ），男，深圳大學(xué)碩士生，主要研究方向?yàn)轭l譜共享共存。

王春琦（1991? ），男，國(guó)家無(wú)線電監(jiān)測(cè)中心工程師，主要研究方向?yàn)槁?lián)盟鏈監(jiān)管和頻譜共享共存。

馮大權(quán)（1986?），男，博士，深圳大學(xué)副教授，主要研究方向?yàn)?D2D 通信、頻譜共享共存、車聯(lián)網(wǎng)等。